2017 Fiscal Year Annual Research Report
脳情報動態に学んだ非同期並列情報処理アーキテクチャの提案と実証
| Project Area | Brain information dynamics underlying multi-area interconnectivity and parallel processing |
|---|
| Project/Area Number |
17H06315
|
|---|
| Research Institution | Institute of Physical and Chemical Research |
|---|
Principal Investigator |
高橋 恒一 国立研究開発法人理化学研究所, 生命機能科学研究センター, チームリーダー (20514508)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
山川 宏 東京大学, 大学院医学系研究科(医学部), 客員研究員 (00417495)
|
|---|
| Project Period (FY) |
2017-06-30 – 2022-03-31
|
| Keywords | 脳型人工知能 / 新皮質マスターアルゴリズム |
|---|
| Outline of Annual Research Achievements |
本研究では、脳の時空間的に階層的な情報動態にヒントを得た非同期並列の情報処理アーキテクチャを提案、 実装、実証する。 具体的には、大脳新皮質の標準回路仮説に対し、(1)入出力回路セマンティクスとアーキテクチャ定義を付与してマスターアルゴリズムフレームワーク(MAF)として整備する。次に、(2)提案者らの研究グループが開発する基盤ソフトウエア BriCA を拡張し、多階層非同期並列計算モデルに対応させる。これを用い(3)予測符号化仮説 や自由エネルギー原理に基づいた能動推論ネットワークなどいくつかの既存および新規の計算手法とそのMAFに準拠した拡張を実装し、推論性能や並列化性能などをベンチマークとして性能評価を行う。具体的には、次の各項目について研究を進めている； a）脳の高次機能の計算モデルを実装し評価するための、神経科学知見の調査とその整理、特に新皮質マスターアルゴリズムフレームワーク(Cortical Master Algorithm Framework, MAF）の検討、b) MAFに基づいた計算モデルの実装と評価、c) 脳型AI基盤ソフトウエアBriCAをMAFに対応させるためのアーキテクチャ記述方法および実行方法の開発。このうち、(a)は山川（東大）が、(c)は高橋（理研）が主な担当として分担し、(b)に関しては高橋と山川が合同で取り組んでいる。MAFに関しては人工知能分野の著名な国際学会において発表を行った。(b)においては、具体的には(1)階層化Variational Recurrent Neural Network (HVRNN)モデル、および(2)Fristonの自由エネルギー原理に基づいたモデルの開発あるいは検討を行った。これまでに、(a)新皮質マスターアルゴリズムフレームワークのたたき台の整備および既存アルゴリズムの対応状況の調査を完了し、(b)HVRNNの提案を行った。また、(c)BriCA基盤ソフトウエアをMAFに対応させるための検討を行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2017年度は、新皮質マスターアルゴリズムフレームワーク（MAF）の定義を重点的に行った。このための新皮質標準回路の入出力ポートとセマンティクス要件として５入力（うち制御 系２、状態系３）と３出力（制御系１，状態系２）が定義し、それぞれ低次あるいは高次の領野または基底核 、視床、海馬などの他器官へ接続するものとした。 次に、機能要件として次のような項目を定義した。１離散化： 連続値のデータを離散化する能力は行動選択、記号的な概念の生成やその使用にも必要である。離散化の方法には分類器（教師あり学習）、クラスタリング（教師なし学習）、ランダムな選択と強化学習などがある。また、スパース表現や直交化なども関連する。２動的情報選択： 新皮質深部の抽象的な表現からセンサ側の具象的な表現にむけてトップダウン信号を利用する能力。３時系列予測： 時系列を入力とし、次の入力を予測または時系列の背後にある内部状態を推 定する機能。４モデル並列性： １つの大きな学習器をN個の並列に動作する計算単位に分割して実行した際に 、Nが増えるに従って１ステップの計算の入力が与えられてから出力を行うまでの遅延時間を減少させられること。 これらの入出力関係および機能要件が神経科学的知見と矛盾しないことをA01班の川口らと直接意見交換した。 ソフトウエア面では、多階層的に構成されたモジュール間の結合を記述するための基盤ソフトウエアBriCAの拡張を行った。階層化HVRNNは潜在変数においてスパース性の高いDisentangle された表現を得、潜在変数の予測により表現の各階層間での表現するファクターの分離が可能なモデルである。この初期実装と学会発表の準備を行った。
|
| Strategy for Future Research Activity |
今後の研究の推進方策として、2018年度においては以下を中心に進める予定である。a)神経科学的知見の整理に関しては1) 脳の大局的ネットワークと「意識的」意思決定の関連調査、2) 評価方法についての調査、3) 大脳諸領域の機能調査を行い全体像の把握を行う。b）に関しては本年度試作した階層化HVRNNを用いた数値実験と評価を行い、簡単な動画像の認識課題において、潜在変数においてスパース性の高いDisentangle された表現が得られ、潜在変数の予測により、表現の各階層間での表現するファクターの分離が可能であることを示す。また眼球運動課題において視覚時系列情報から運動パラメータのデコードができることを示す。また自由エネルギー原理ベースモデルに関しては、まず変分オートエンコーダを応用したモデルを高次元の入出力に対応させることを試みる。c)BriCA基盤ソフトウエアの開発ではMAFおよびMAFに対応したモデル対応するためのコードベースのアップデートを行う。さらに、開発したモデルのタスク実行とベンチマークのために、環境シミュレータとそのサンプル環境およびサンプルエージェントの作成を行う。具体的には、仮想3 次元空間上でロボットモデルを読み込み、頭部カメラ位 置からのカラー画像および深度画像の取得、車輪による移動、および他のオブジェクトとの衝突判定をするためのソフトウェアライブラリを開発し、これを使って、深層強化学習を行うサンプル環境とサンプルエージェン トを作成する。
|
Research Products
(2 results)
