場所セル方式プロトタイプ — 座標なしで個性が発生する

threshold sweep: 0.7-0.95で場所数と二極化の関係を定量化
ノイズ耐性: noise_std↑で場所セルの安定性はどうなるか（実機ではカメラジッターが大きい）
場所セルの忘却: 訪問されない場所セルを削除するメカニズム。043のdecayとの接続
実画像テスト: 次にねおのとローバーを動かすとき、フレームを保存して場所同定の精度を確認する

やったこと

051の設計に基づき phase_b/place_cells.py を実装。GridWorld上で疑似視覚(16次元ベクトル)を生成し、場所セル+遷移グラフ+TD学習のパイプラインをテスト。

「好奇心と安定のトレードオフ」がデータで出た。 nb=0.5は報酬(=1.0)の半分。報酬に対するnbの比率が鍵。nb/reward ≈ 0.5が健全ライン？

場所セル方式のほうが状態圧縮が効いている。300→13-53は約6-23倍の圧縮。実機では視覚的に区別できない場所を統合するので、さらに圧縮される。

Phase Aの核心的な法則は全て座標なしで再現される。ローバーにSLAMは要らない。

threshold↑ → 場所が増える → 二極化しやすい（PhaseAに近づく） threshold↓ → 場所が減る → 中間状態が出る

これは新しいパラメータ: 場所の「解像度」が個性の鮮明さを決める。知覚が粗い子は曖昧な個性、知覚が細かい子は明確な個性。

好奇心/報酬 ≈ 0.5が最適。これは実機でも使える設計指針。