学習者の方は、各編の確認問題をまず自分で解いてから確認してください。1問20点、1編100点満点の採点ポイントと、Colab課題の解答例を載せています。解答例の数値は実行環境によって少し異なる場合があります。
解答 · 合計 = 1×0.8 + 0×(−0.5) = 0.8。0.8 ≥ 0.5なので出力は1です。
配点20点 · 採点：計算過程10点、結果10点
解答 · パーセプトロンは1本の直線（平面）でしか分けられません。帯には両側に2つの境界が必要なので、直線1本では分けられません。隠れ層が境界を複数つくって組み合わせます。
配点20点 · 採点：「直線1本」10点、「境界が2つ必要」10点
解答 · 過学習です。訓練データを丸暗記しています。対策：データを増やす、隠れニューロンを減らす、学習を早めに止める、のうち2つ。
配点20点 · 採点：過学習の診断10点、対策各5点
解答 · 固定：投射ニューロン → ケニオン細胞（ランダムでスパースな結合）。学習：ケニオン細胞 → 出力ニューロン（ドーパミンが変える）。
配点20点 · 採点：各10点
解答 · 広くスパースな固定表現だけでも、単純な図形の問題なら出力層の学習で十分に解けます。ただし表現そのものは改善できないため、難しい問題では限界があります。
配点20点 · 採点：「固定表現でも十分」10点、限界への言及10点
課題 · コード1でTOP（オンになる割合）を0.08から0.5に変えると、訓練精度とオンになったケニオン細胞の数がどう変わるかを報告し、スパース性がなぜ役立つのかを2文で書く。
解答例 · TOPを0.5に上げるとケニオン細胞の半分がオンになり、異なる入力どうしのコードが大きく重なります。おもちゃのデータは簡単なので訓練精度は高いままのこともありますが、オンの細胞が約80個から約500個に増え、記憶どうしが混ざりやすくなります。スパースなコードは入力ごとに重ならない少数の細胞だけを使うので、似たにおいも区別でき、1つの記憶を書き換えるときにほかの記憶への影響が少なくなります。
採点ポイント · オンの数の変化の確認（5） · 精度の報告（5） · スパース性の利点2つ（重なりの減少、干渉の減少）（10）
課題 · コード2のMLPの隠れ層サイズを8、64、512に変え、検証精度を2つのシードで比較する。過学習が見られるかを学習曲線（7番目のセル）とあわせて解釈する。
解答例 · 隠れ層を大きくすると訓練損失は速く下がりますが、検証精度は上がらないか、シードによってばらつきます。例のデータ160個（訓練96個）では、512個の隠れ層は訓練データを丸暗記しやすくなります。学習曲線で訓練損失と検証精度の差が開き始める時点を指摘して、過学習を判断します。
採点ポイント · 3サイズ × 2シードの結果表（8） · 学習曲線にもとづく根拠（6） · データ量と結びつけた解釈（6）
解答 · キノコ体から取り出された記憶の信号が側角の合流ニューロン（PD2a1/b1）に伝わってはじめて、記憶が行動になる。
配点20点 · 採点：「キノコ体 → 側角」10点、「合流ニューロンが必要」10点
解答 · 温度そのものが行動を変える可能性があるので、記憶スコアが下がった原因がニューロンの遮断なのか温度なのかを見分ける必要があるからです。
配点20点 · 採点：対照の目的20点
解答 · 0.2 + 0.6 × (−1.0) = −0.4（避ける側）。遮断すると0.2（本能だけが残り近づく側）。
配点20点 · 採点：各10点
解答 · そのニューロンが2つの経路（キノコ体からの記憶の信号と、エサのにおいの投射ニューロンからの本能の信号）を両方受け取って出力する共有層だからです。
配点20点 · 採点：「共有」の概念20点
解答 · 本能の値がすべて0なので全クラスのスコアが同じになり、モデルが常に最初のクラスを選ぶからです。0.09はテストデータに占める最初のクラスの割合です。
配点20点 · 採点：「スコアが同じになる」10点、「最初のクラスの割合」10点
課題 · コード1でinnateの値を[0.0, 0.5]（本能が避ける側）に変えると、訓練前・訓練後・遮断時の結果がどう変わるかを表で報告し、本能と記憶が同じ向きのときと逆向きのときを比較する。
解答例 · innate = [0.0, 0.5]だと、訓練前から本能のスコアが「避ける」を指します。罰の訓練は記憶側で「近づく」スコアを下げるので訓練後も避けるままで、記憶の入力を遮断しても本能だけで避けます。元の設定（innate = [0.5, 0.0]）では、遮断すると近づくに戻りました。本能と記憶が同じ向きなら遮断しても行動は変わらず記憶の寄与が見えません。逆向きのときにだけ、遮断実験が記憶の役割を示してくれます。
採点ポイント · 3つの状況の結果表（8） · 元の設定との比較（6） · 「逆向きのときにだけ見える」という解釈（6）
課題 · コード2のMemoryInnateでinnateに値を入れて（例：バツ印クラスに2.0）学習したあと、記憶の入力を遮断する。遮断前後の混同行列を比較し、本能が判断をどう引き寄せるかを書く。
解答例 · innateのバツ印クラスに2.0を入れると、学習中に記憶の経路がこの引き寄せに逆らって合わせるように変わります。遮断すると本能だけが残り、ほとんどの図をバツ印と判断するので、混同行列のバツ印の列に集中します。本能は学習しないバイアス（bias）のように働き、記憶はその上の補正である、という点を指摘します。
採点ポイント · 遮断前後の混同行列（8） · バツ印の列への偏りの説明（6） · バイアス + 補正という解釈（6）
解答 · 30 × 0.275 × 0.65 ≈ 5.36 mV。
配点20点 · 採点：式10点、値10点
解答 · しきい値まで7 mV。7 / 0.1575 ≈ 44.4 mV。ゲイン1.0ならシナプス約162個、ゲイン0.65なら約249個が同時に必要です。
配点20点 · 採点：7 mVの計算10点、gの値10点
解答 · 運動の直前の段階。苦味ブレーキ（Scapula）が「食べる」命令の経路をふさぎます。
配点20点 · 採点：「運動の直前」20点
解答 · 200 msでティックあたりのスパイクが5倍に膨れ上がり、ケニオン細胞が39 Hzで目覚め、生じた抑制が毛づくろい命令ニューロンまでオフにしてしまいます（暴走）。
配点20点 · 採点：暴走現象10点、毛づくろい命令がオフになること10点
解答 · 結合の約4%を学習するだけでもかなり当てられますが、表現そのものを学習できないためMLPより低くなります。データが少ない（テスト32個）ので差が±0.1ほど揺れる点もあわせて述べます。
配点20点 · 採点：割合の比較10点、限界・不確実性10点
課題 · コード1でゲイン0.65を0.55と0.75に変え、発火したニューロン数と平均発火頻度を表で報告し、セクション「ゲイン合わせ」の暴走と結びつけて2文で解釈する。
解答例 · ゲインを下げると（0.55）入力1つが加える電流が減り、発火したニューロン数と平均発火頻度が0.65のときより減ります。上げると（0.75）増えます。コード1の小さなネットワークでも、ゲインが大きくなるほどフィードバックで広がる発火が急速に増えます。MODのオスの神経系全体ではこの増加が暴走（ティックあたりのスパイク5倍、ケニオン細胞39 Hz）として現れるため、0.65を選びました。
採点ポイント · 3つのゲインの結果表（8） · 増加の向きの説明（6） · 暴走との結びつけ（6）
課題 · コード2のConnectomeLIFで抑制ニューロンの符号（−0.5）をすべて+0.18に変えて（抑制の除去）再学習する。スパイク記録（8番目のセル）と精度を2つのシードで比較し、抑制がネットワークの中で果たす役割を書く。
解答例 · 抑制をなくすと隠れニューロンの大半がより頻繁に、均一に発火し、スパイク記録がびっしり埋まります。入力ごとの発火パターンの違いが小さくなり、デコード層が区別できる情報が減るので、精度が下がるかシードによってばらつきます。抑制は活動を制限して、パターンをスパースで見分けやすいものにします（特別編 1のケニオン細胞「上位8%」ルールと同じ役割）。
採点ポイント · スパイク記録の比較（6） · 2シードの精度（6） · 抑制の役割の解釈（8）