人間の脳における知識組み立ての神経メカニズムが人工知能アルゴリズムに刺激を与える

2024-06-23 Sun
知識組み立て神経メカニズム機能的MRI 人工ニューラルネットワーク PPC 認知の柔軟性知覚処理
脳科学研究が人工知能アルゴリズムを啓発する：知識組み立ての神経メカニズム背景の概要新しい情報が脳に入るとき、人間は「知識組み立て」（knowledge assembly）と呼ばれる過程を通じて、世界についての既存の知識を迅速に変更できます。最近、Nelliらによる研究において、人間の脳における知識組み立ての神経関連が探究されました。研究者たちはこの神経メカニズムに触発され、迅速な知識組み立てを実現し、システムの柔軟性を向上させる人工ニューラルネットワークアルゴリズムを開発しました。この研究は、脳の作業方法を研究することがより良い計算アルゴリズムの発展を促進することを再び証明しました。
研究の出典この研究論文はXiang Ji、Wentao Jiang、Xiaoru Zhang、Ming Song、Shan Yu、およびTianzi Jiangによって完成され、著者は主に中国科学院の脳科学および知能技術卓越革新センター、オートメーション研究所の脳ネットワークグループセンターおよびラボ、および浙江ラボの強化知能研究センターに属しています。この論文は2023年9月6日に受理され、2023年10月15日に受け入れられ、2023年11月4日にオンラインで発表され、Neuroscience Bulletinの2024年2月号、Vol. 40, No. 2に掲載されました。
研究の流れNelliらは、人間の脳における知識組み立ての過程を研究する精巧な実験パラダイムを設計しました。実験は以下のステップを含みます：
知識訓練：まず、ランダムに選ばれた12個の項目を2つのグループに分け、参加者は各グループ内の項目の順位を学ぶように訓練されました。これにより、参加者の脳内には2つの独立した順位付けシーケンス「旧知識」が形成されました。
新情報の導入：その後、参加者には新しい情報が伝えられ、一方のグループの項目の順位がもう一方のグループの項目の順位よりも低いことが示されました。この新しい情報は参加者の脳内で知識組み立てを引き起こしました。
知識組み立ての同期：最終的に、「旧知識」は12個の項目を全て含む新しい順位付けシーケンスに組み立てられました。この過程中、機能的磁気共鳴画像（fMRI）を用いて参加者の脳全体の信号が記録され、研究者たちは全脳searchlight法を用いてfMRI信号を分析しました。その結果、後頭頂皮質（PPC）と背内側前頭前皮質（DMPFC）が主要領域として、知識組み立てに関連する前頭頂ネットワークが発見されました。
PPCとDMPFCにおいて、2つの項目の順位の確実性はfMRI活性化信号の差異として定義されました。12個の項目全ての差異を計算することで、差異行列（RDM）が生成され、PPCとDMPFCにおける神経表象の幾何学的構造が可視化されました。
主要な研究結果旧知識と新知識が皮質に形成される神経表象の幾何学的構造を比較することで、研究者は新しい情報の追加によって、元の神経表象の幾何学的構造が迅速に新しい構造に組み立てられたことを発見しました。知識組み立ての神経メカニズムを解明した後、研究者は少量のサンプルでの知識組み立ての問題に対処する際の人工ニューラルネットワークの失敗を示しました。そこで著者は「確実性」パラメータ行列を導入し、それをニューラルネットワークの重み更新プロセスに組み込むことを提案しました。この確実性行矩離で内部神経幾何構造を保持し、新しい情報が追加されると、各グループの神経幾何構造が移動し、新しい神経幾何構造に組み立てられ、人工ニューラルネットワーク内での知識組み立てが実現されました。
研究の結論この研究は、認知神経科学の分野において重要な意味を持つだけでなく、人工知能（AI）の発展にも非常に有益です。認知神経科学の領域では、研究者は知識組み立てに関連する皮質領域を探求し、人間の脳における知識組み立ての神経メカニズムを明らかにしました。PPCとDMPFCにおいて、新しい情報の追加により、元の神経表象の幾何学的構造が迅速に新しい幾何構造に組み立てられました。さらに、様々な人工知能アルゴリズム——グラフベースのアーキテクチャ、モジュラーネットワーク、確率的プログラム、ディープジェネレーティブモデルのようなアルゴリズムは、豊富な概念知識構造を構築するために提案されていますが、学習速度が遅く多量の監督が必要であるため、少量の新情報に直面した場合、迅速な知識組み立てが難しいのです。
脳の知識組み立て過程に触発され、Nelliらは確率的勾配降下（SGD）アルゴリズムを改良し、新しい情報を学ぶための簡単な2層ニューラルネットワークを提案しました。これにより、わずか20回のトレーニング試行で新しい情報を学習できるようになりました。著者は人間の脳の認知メカニズムからインスピレーションを得て、それを人工ニューラルネットワークの改良に成功裏に活用しました。
研究のハイライト人工知能と比べて、人間の脳はより強力な推理能力、高い柔軟性と適応性を持っています。現在、より高度なAIシステムを開発するために、脳啓発計算は低レベルの知覚機能（視覚や聴覚処理など）だけでなく、高レベルの認知機能（言語や記憶など）からもインスピレーションを得ています。神経計算の原理を人工ニューラルネットワークに取り入れることにより、AIが感覚と認知のレベルで人間の知性の特性を示すようになり、より高いパフォーマンスをもたらすことができます。
将来の発展将来、脳啓発アルゴリズムは以下の点でさらなる進展が期待されます：
より柔軟な人工知能システム：神経科学が新しい神経メカニズムを解明するにつれて、これらのメカニズムをAIシステムに導入することで、その柔軟性が向上し、人間のような行動を実現することができます。
スパイキングニューラルネットワーク（SNNs）の発展：スパイキングニューラルネットワークは生物学的には人工ニューラルネットワークよりも合理的ですが、現在その性能は人工ニューラルネットワークにはるかに及びません。これにはさらなる研究改善が必要です。
多様なモーダル入力の融合：人間の脳は視覚や聴覚などの多様な感覚入力を処理し、それらを統合して環境の全体的な理解を形成します。このため、多様なモーダル入力融合能力を向上させることは脳啓発計算の有望な方向性です。
人間の脳の作業メカニズムを研究することにより、研究者たちは認知神経科学の理論を豊かにするだけでなく、人工知能アルゴリズムの進歩を促進しています。将来の脳啓発計算は、より輝かしい成果を達成するでしょう。