先に述べた細胞モデルには学習機能がないため、本研究では、シナプスの可塑性によって学習を行なうこととする。
シナプスの可塑性を具体的に表したのが、``同時に発火した細胞同士の間のシナプス結合は大きくなる'' というヘッブの原理であり、この原理に基づいて学習をおこなう。 ヘッブの原理を式で表すと、つぎのようになる。 [6]
ただし、 c は定数で、 
は j 番目の細胞から i 番目の細胞へのシナプス荷重である。
また、 
, 
はそれぞれの細胞の出力である。
本論文では、``同じ状態にあった場合にシナプス結合が増加する''というものに
``同時に発火しない細胞同士のシナプス荷重は減少する''というものをつけ加えた変形学習則のほうが、
記憶の忘却という心理的行動からも妥当であるため、この法則を採用する。
シナプス荷重変化の一般法則は以下の通りである。
シナプス荷重 
は、学習の進行中は入力信号と学習信号 r の積に比例して増加するとともに、一定の割合で減衰する。
この割合には０を含み、学習信号 r は、細胞の入力、出力および教師信号 y の関数として決まる。
教師信号のない場合は y=0 である。
シナプス荷重変化の法則を式で表すと、
である。ここに、 
は定数、 
である。
x,w は、 
, を並べたベクトルである。
式(3.5)をベクトルで表すと、
となる。学習の結果、神経細胞のシナプス荷重 w がどのような値になるかは、
入力信号の時系列 x と、教師信号の時系列 y で決まる。
神経細胞は、この時系列の情報構造に従って自己の w を変えることになる。
そこで、入力情報 
を神経細胞の情報源 I と考える。
情報源 I は信号の組 
を頻度
で発生するものと考えれば、
I は信号 を確率 
で毎回独立に発生する確率的情報源と考えてよい。
I は確率 p に基づいたランダムな信号系列であり、特に I が有限個の信号の対
のみをそれぞれ確率
で含めば、
時系列 はこの 
を頻度が になるようランダムな順序で並べたものになる。
w は I から現実に発生した時系列に依存して決まるが、
I から出る時系列はどれも類似の性質をもっている。
信号の組 は長い時間にはどの時系列でも
確率 
にほぼ等しい頻度で出現する。
これは、情報源のもつエルゴード的性質である。
したがって、I からどの時系列で出ても、それは I の確率的構造を表し、
学習の結果 w は殆ど変わらない。
すなわち、w は I の構造だけに依存するということである。
