arXiv: 2607.14833

潜在的原因としての思考の種：集中注意瞑想の二重過程計算現象学

Thoughtseeds as Latent Causes: A Dual-Process Computational Phenomenology of Focused-Attention Meditation

July 16, 2026

著者: Prakash Chandra Kavi, Daniel Ari Friedman, Gustavo Patow

q-bio.NCq-bio.NC

要旨

瞑想の熟達は、持続的注意、注意散漫からの迅速な回復、および大規模脳ネットワークの協調的なダイナミクスを含む。本稿では、呼吸への集中、マインドワンダリング、メタ認知、注意の再誘導という4つのアトラクター状態を経る集中注意瞑想の計算論的な現象学を提示する。二重過程の能動的推論の枠組みにおいて、本モデルは3層の入れ子型マルコフブランケット構造を実装する。（L1）注意に関わるYeoネットワーク上の確率的多変量オルンシュタイン＝ウーレンベック過程としてモデル化された高次元の生理的神経基盤、（L2）潜在的な心的内容を思考シードとして符号化し、自律的な行動傾向を評価する低次元の生成モデル（システム1）、（L3）これらの傾向を選択的にゲートするために、グローバル・ニューロナル・ワークスペース（GNW）の容量ボトルネックを実装する、行為者的メタ認知モニター（システム2）である。L3では、メタ認知はGNWの点火信号として機能し、方策事前分布の乖離から導出され、オーケストレーターとディストラクターの思考シード間の直接競合によって動的にゲートされる。方策選択は能動的に期待自由エネルギーを最小化し、L2の行動はネットワーク活動に対する下降性予測を提供して、創発的な知覚-行動サイクルを閉じる。訓練は、熟達者と初心者の表現型にわたって変分期待値最大化（EM）を用いる。シミュレーションは、経験的観察および観想神経科学における知見と一致する行動を再現し、一人称の現象学と客観的な神経生理学的指標との間の扱いやすいリンクを提供する。

English

Meditative expertise involves sustained attention, rapid recovery from distraction, and coordinated dynamics of large-scale brain networks. We present a computational phenomenology of focused-attention meditation traversing four attractor states: breath focus, mind-wandering, meta-awareness, and redirect attention. Within a dual-process active inference formulation, the model implements a three-layer nested Markov-blanket architecture: (L1) a high-dimensional physiological neuronal substrate modeled as a stochastic multivariate Ornstein--Uhlenbeck process over attentional Yeo networks; (L2) a low-dimensional generative model (System 1) that encodes latent mental content as thoughtseeds and evaluates autonomic action tendencies; and (L3) an agentic metacognitive monitor (System 2) that implements a Global Neuronal Workspace (GNW) capacity bottleneck to selectively gate these tendencies. In L3, meta-awareness functions as the GNW ignition signal, derived from policy-prior divergence and dynamically gated by direct competition between orchestrator and distractor thoughtseeds. Policy selection actively minimizes expected free energy, and L2 actions furnish descending predictions over network activity to close the enactive perception--action cycle. Training uses variational Expectation-Maximization (EM) across expert and novice phenotypes. Simulations reproduce behavior consistent with empirical observations and findings in contemplative neuroscience, providing a tractable link between first-person phenomenology and objective neurophysiological measures.