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部の研究者らは、学習中に人間の脳がニューロン間の接続を適応させ調整する方法を明らかにする画期的な原理を明らかにした。. 

この発見は、脳ネットワーク内での学習についての理解を深めるだけでなく、人工知能 (AI) におけるより高速で堅牢な学習アルゴリズムの開発につながる可能性も秘めています。.

脳の学習原理：前向きな構成

学習の本質は、情報処理パイプラインのどのコンポーネントが出力のエラーの原因となっているかをdentすることにあります。AIでは、これはバックプロパゲーションによって実現され、モデルのパラメータを調整して出力エラーを最小化します。.

人間の脳も同様の学習原理を採用していると広く信じられてきました。しかし、生物学的脳はいくつかの点で現在の機械学習システムを凌駕しています。.

例えば、人間は新しい情報を一度遭遇するだけで学習できますが、人工システムは同じデータで何百回も繰り返し学習しなければ理解できません。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導入すると、既存の知識に干渉したり、劣化させたりする可能性があります。.

これらの観察から、研究者たちは脳の学習プロセスを支配する基本原理の探求へと突き動かされました。彼らは、ニューロンの行動とシナプス結合の変化を記述する既存の数式を検証し、徹底的な分析とシミュレーションを実施しました。そして、彼らの発見はmatic従来の常識に疑問を投げかけるものでした。.

人工ニューラルネットワークでは、外部アルゴリズムがシナプス接続を修正してエラーを最小限に抑えることを目指していますが、研究者らは、人間の脳はシナプス接続を調整する前に、まずニューロンの活動を最適なバランスの構成に落ち着かせると提案しています。. 

「プロスペクティブ・コンフィギュレーション」と呼ばれるこの独自のアプローチは、干渉を減らし、既存の知識を保存することで学習プロセスを加速させる、人間の学習における効率的な機能であると考えられています。.

シミュレーションと検証

研究者らはコンピューターシミュレーションでその研究結果を裏付け、自然環境で動物や人間が一般的に遭遇するタスクにおいて、予測構成を採用したモデルが人工ニューラルネットワークよりも優れた性能を発揮することを実証した。.

この概念を説明するために、研究者たちはサケを釣るクマの例を用いました。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（耳の損傷による）を失うと、サケの匂いも感じられなくなり、川にはサケ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、音がなくてもサケの匂いがまだ残っているという認識が妨げられることはなく、クマは首尾よく探索を続けることができます。.

ギャップを埋める

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ナフィールド臨床神経科学科の主任研究者であるラファル・ボガッツ教授は、脳の解剖学的理解とtracモデルと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、解剖学的にdentされた皮質ネットワークにおいて、予測的構成アルゴリズムがどのように実装されているかを解明することを目指しています。.

本研究の筆頭著者である宋宇航博士は、コンピュータシステムと生物学的脳の根本的な違いにより、既存のコンピュータにプロスペクティブ・コンフィギュレーションを実装することが困難であると指摘しました。宋博士は、プロスペクティブ・コンフィギュレーションを迅速かつエネルギー効率よく実装できる、新しいコンピュータ、または脳に着想を得た専用のハードウェアの開発を訴えました。.