人工神経回路網モデルに対して実際の脳ネットワークの白質構造結合パターンを組み込み，本モデルのさまざまな機械学習タスクに対する性能を評価することに取り組んでいます．本研究を通して，実世界のタスクを解く上で脳内の領野間ネットワーク構造が担う具体的な機能を明らかにすることや，実際の脳ネットワークの知見を取り入れた人工知能技術を創出することを目指しています．[進行中]

離散事象シミュレーション技術を用いて，脳内の各皮質領野で処理される情報が白質構造結合をエッジとする大規模ネットワーク上をどのように伝播していくのかをモデル化することに取り組んでいます．特に，インターネットのメタファーを通信に対して適用し，どの一般的な通信則が脳構造ネットワーク上の情報伝播ダイナミクスを最もよく近似するのかを明らかにすることに関心があります． [進行中]

ネットワーク科学分野のグラフ理論的解析手法を用いて，脳機能結合に内在する大域的ネットワークパターンの時間変動を特徴づけることに取り組んでいます．また，これらの脳ネットワーク時間変動をシミュレートする非線形動力学系を構築する研究や，系への操作とその応答を精査することを通して脳ネットワーク時間変動が生じる機構を明らかにしようとする研究も展開しています．[進行中]

高次元動的逆問題を解く際の計算効率や推定精度を向上させるために，さまざまな統計的機械学習のテクニック（変分ベイズ法，スパースモデリング，状態空間モデリング）を組み合わせた手法を開発しました．本手法を用いて，マルチモーダル脳イメージングデータ（脳磁図，機能的MRI，拡散MRI）から，神経電流源の空間分布と時間伝播を全脳にわたって同時推定することを可能にしました．[完了]