| Project/Area Number |
20H04246
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61030:Intelligent informatics-related
|
|---|
| Research Institution | Chubu University |
|---|
Principal Investigator |
塚田 啓道 中部大学, AI数理データサイエンスセンター, 准教授 (40794087)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
津田 一郎 中部大学, 創発学術院, 教授 (10207384)
塚田 稔 玉川大学, 脳科学研究所, 客員教授 (80074392)
奈良 重俊 岡山大学, 環境生命自然科学研究科, 特命教授 (60231495)
山口 裕 福岡工業大学, 情報工学部, 助教 (80507236)
杉崎 えり子 玉川大学, 脳科学研究所, 研究員 (20714059)
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥17,810,000 (Direct Cost: ¥13,700,000、Indirect Cost: ¥4,110,000)
Fiscal Year 2023: ¥3,250,000 (Direct Cost: ¥2,500,000、Indirect Cost: ¥750,000)
Fiscal Year 2022: ¥3,380,000 (Direct Cost: ¥2,600,000、Indirect Cost: ¥780,000)
Fiscal Year 2021: ¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2020: ¥6,630,000 (Direct Cost: ¥5,100,000、Indirect Cost: ¥1,530,000)
|
|---|
| Keywords | 時空間学習則 / 文脈情報処理 / 実験と理論の融合 / フラクタル / ニューラルネットワーク / 文脈学習 / 海馬 / トップダウン / アセチルコリン / CA3 / 記憶と学習 / LTP/LTD / 学習と記憶 / リカレントネットワーク / 脳型記憶学習情報処理 |
|---|
| Outline of Research at the Start |
我々人間の脳は時々刻々と変化する外界の大容量同時並列のダイナミックな情報を、限られた記憶ネットワーク空間に効率的に情報圧縮し学習・記憶する情報操作機能を持っている。これらの情報処理は、“注意”や“意識”に代表されるトップダウン情報を巧みに利用することで実現可能となっている。
本研究では、トップダウン情報処理がボトムアップで形成された文脈情報をどのように修飾・統合するかを理論と実験の融合研究により明らかにする。その知見に基づいて脳の記憶情報処理の優れた特徴を人工神経回路網に組み込み、応用として人工知能への脳的高次機能搭載を視野に入れた次世代の脳型記憶学習情報処理システムの基盤構築を目指す。
|
| Outline of Annual Research Achievements |
本研究課題はこれまで脳の海馬の記憶・学習ネットワークの生理学実験に基づき、文脈情報を学習・記憶する情報処理メカニズムの解明を目指して研究を進めてきた。
本年度はこれまでの4年間で進めてきた海馬の生理学実験、数値計算によるシミュレーション結果について統合的に議論し、海馬の文脈情報学習の理論構築を進めた。
STLRを用いた神経ネットワークの数値実験においては、前年度に明らかになった時間履歴を含んだSTLRが文脈情報の時間順序識別能力が高くなるメカニズムについての検討を行なった。結果として、STLRのカルシウム濃度とLTP/LTDに関連する閾値および学習率と深い関連性があり、STLRに時間履歴の影響を入れることで文脈情報分離におけるシナプス結合の初期値依存性が低減されることも明らかになった。
これまでの生理学実験におけるアセチルコリン等のトップダウン投射の学習への影響や数値実験の結果を踏まえた学習理論構築においては、STLRのカルシウム濃度とLTP/LTDに深く関連する閾値の範囲を拡張した拡張STLRモデルの構築に成功した。この学習則の拡張はアセチルコリン等のトップダウン投射の影響を組み込んだ海馬の新たな学習メカニズムの発見に繋がるとともにこれまでのSTLRの文脈情報の順序識別能力を格段に向上できる可能性があり期待できる。
また、STLRは決定論の学習モデルのためAIへの活用が限定的であったため、汎用性を高めるためにSTLRの確率モデルへの拡張も推進している。
今後、本研究成果を基盤として並列情報処理のハードウェアへの実装も視野に入れた研究への展開が期待できる。
|
| Research Progress Status |
令和5年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和5年度が最終年度であるため、記入しない。
|
