脳に着想を得た学習アルゴリズムの新時代

MRC脳ネットワークダイナミクスユニットとオックスフォード大学コンピュータサイエンス学科の研究者たちは、学習中に人間の脳がニューロン間の接続を適応・調整する方法を解明する画期的な原理を発表しました。 

この発見は、脳ネットワーク内での学習に対する理解を深めるだけでなく、人工知能（AI）においてより高速で堅牢な学習アルゴリズムの開発にインスピレーションを与える可能性を秘めています。

脳の学習原理：見込み配置（Prospective Configuration）

学習の本質は、情報処理パイプラインのどの構成要素が出力の誤差の原因となっているかを特定することにあります。AIでは、これは逆伝播（バックプロパゲーション）によって達成され、モデルのパラメータが出力誤差を最小限に抑えるように調整されます。

人間の脳も同様の学習原理を使用していると考えられてきましたが、生物学的な脳は現在の機械学習システムよりもいくつかの点で優れています。

例えば、人間は情報を一度遭遇するだけで新しい情報を学習できますが、人工システムはそれを理解するために同じデータを何百回も繰り返す必要があります。さらに、人間は既存の情報を保持しながら新しい知識を獲得できますが、人工ニューラルネットワークに新しいデータを入力すると、既存の知識に干渉し、劣化させることがあります。

これらの観察結果から、研究者たちは脳の学習プロセスを支配する根本的な原理を追求しました。彼らは、ニューロンの行動やシナプス結合の変化を記述する既存の数学方程式のセットを調べ、徹底的な分析とシミュレーションを行いました。彼らが発見したのは、従来の常識に挑戦するものでした。

人工ニューラルネットワークでは、外部アルゴリズムが誤差を最小限に抑えるためにシナプス結合を変更しようとしますが、研究者たちは、人間の脳はシナプス結合を調整する前に、まずニューロンの活動を最適な平衡状態に落ち着かせることを提案しています。 

この独自のアプローチである「見込み配置（prospective configuration）」は、人間の学習における効率的な特徴と考えられており、干渉を減らし既存の知識を保持することで、学習プロセスを加速させます。

シミュレーションと検証

研究者たちは、コンピュータシミュレーションによってこれらの発見を裏付け、見込み配置を採用したモデルが、動物や人間が自然環境で一般的に直面するタスクにおいて、人工ニューラルネットワークよりも優れたパフォーマンスを示すことを実証しました。

この概念を説明するために、研究者たちは鮭を漁るクマの例を使用しました。人工ニューラルネットワークでは、クマが川の音を聞く能力を失う（耳が損傷するなど）と、鮭の匂いを嗅ぐ能力も失い、川に鮭がいないという誤った結論に至ります。 

しかし、動物の脳では、音の欠如が鮭の匂いが依然として存在するという知識に干渉しないため、クマは成功のうちに探求を続けることができます。

ギャップの埋め合わせ

MRC脳ネットワークダイナミクスユニットおよびオックスフォード大学ニューフィールド臨床神経科学部門の主任研究者であるラファウ・ボガツ教授は、抽象的なモデルと脳の解剖学的理解の間のギャップを埋める必要性を強調しました。今後の研究では、見込み配置のアルゴリズムが解剖学的に同定された皮質ネットワークでどのように実装されるかを解明することを目指しています。

本研究の第一著者である余航宋博士は、コンピュータシステムと生物学的な脳の根本的な違いにより、既存のコンピュータで見込み配置を実装することの課題を指摘しました。彼は、見込み配置の高速かつ省エネルギーな実装が可能になる新しいコンピュータまたは専用脳インスパイアードハードウェアの開発を呼びかけました。