IBM東京基礎研究所は、従来よりも生物の神経回路に近い学習則を備えた人工ニューラルネットワーク「動的ボルツマンマシン（DyBM）」を考案し、英ネイチャー系列のオンライン科学誌「Scientific Reports」で公表した。時系列に並んだデータのパターンを学習、再現できる特長があり、音楽や映像、言語といった時系列データを認識する人工知能に応用できる可能性がある。
従来の人工ニューラルネットワークは、生物の神経回路が学習を行う際の基本法則として1960年代に提唱された「ヘブ（Hebb）則」をモデル化したものだ。ヘブ則は、単純にいえば「ある神経細胞（ニューロン）が別の神経細胞を発火させると、両者を接合するシナプスが増強される」というもの。こうしたシナプスの変化（可塑性）が、脳の基本的な学習メカニズムとされる。
このヘブ則をモデル化した人工ニューラルネットワークは「ボルツマンマシン」と呼ばれる。なかでも、ネットワークを層状に重ねた「制限付きボルツマンマシン」は、昨今の人工知能ブームのきっかけになったディープラーニングにも応用されている。
ただし、人工ニューラルネットワークが採用したヘブ則では、信号（スパイク）を時系列に並べ、連続して入力した場合の学習法則は扱っていない。結果として、従来の人工ニューラルネットワークは、動画など時系列データの認識は苦手としていた。
実際の生物の神経回路は、ヘブ則に時間の要素を取り入れ、より精緻化した学習則「スパイク時間依存可塑性（STDP）」に従うことが、1990年代頃から確認されている。IBM東京基礎研究所の研究員である恐神貴行氏と大塚誠氏は今回、このSTDPをモデル化した人工ニューラルネットワーク「動的ボルツマンマシン（DyBM）」を提案した。
