| 研究課題/領域番号 |
22K19785
|
|---|
| 研究種目 |
挑戦的研究(萌芽)
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
中区分61:人間情報学およびその関連分野
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
小谷 潔 東京大学, 大学院新領域創成科学研究科, 教授 (00372409)
|
|---|
| 研究期間 (年度) |
2022-06-30 – 2025-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
6,500千円 (直接経費: 5,000千円、間接経費: 1,500千円)
2023年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
2022年度: 4,810千円 (直接経費: 3,700千円、間接経費: 1,110千円)
|
|---|
| キーワード | 時間遅れ力学系 / 非線形システム / 多体相互作用 |
|---|
| 研究開始時の研究の概要 |
遅延力学系では非常に多様なダイナミクスが創発されることが知られている．本研究では遅延相互作用によって創発される集団秩序・非秩序の生成機構を解析的な手法によって明らかにする．その上で，遅延相互作用が知的情報処理に果たす役割を数理的に明らかにする．さらには応用研究として，時間遅れを活用するすることで少ない素子数で効果的に情報処理能力を向上させる手法を提案し，有効性を検証する．
|
| 研究実績の概要 |
脳における神経細胞ネットワークや人工ニューラルネットワークの例を見るまでもなく，多体相互作用は情報処理に重要な役割を果たしている．2023年度においては，前年度の成果に基づいて研究を発展させ，膜電位およびシナプスコンダクタンスを力学変数に持つRecurrent Neural Networkのシステム構築と学習を行った．さらに，レーザ光に遅延フィードバックを導入した系のダイナミクスについて数理解析を行った．以下にそれぞれについて述べる．
Spiking Recurrent Neural Networkの学習において新しいLoss関数を定義し，その下でBackpropagation Through Timeを用いてネットワークの相互作用を学習させた．ここでは，タスクの難易度と初期のシナプス時定数，学習後のシナプス時定数の関係を解析しており，これらの間に非自明な相互関係がみられた．特にシナプス時定数が学習によって変わることは，ネットワークの相互作用における畳み込み関数の変化を意味するため，重要な特徴量である．さらに，ランダム結合Recurrent Neural Networkに対して学習後に少数の割合の情報処理に関わるネットワークが形成された状況を想定し，ランダムネスと情報処理に寄与するネットワークの相互作用についての解析を行った．レーザ光に遅延フィードバックを導入し不安定化した系の数理モデルの解析においては，強い周期振動が外力として与えられた際の解析を行い，非自明な同期解の出現を確認した．これらの数理解析により，多様な時間スケールにおける多体相互作用の持つ特徴の理解が進んでいる．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
提案した学習器を用いた学習の研究に一定の進展がみられ，多様なダイナミクスと学習の関係の研究を推進できたため．
|
| 今後の研究の推進方策 |
複雑相互作用における学習を深く理解するために，今年度構築した基盤および解析技術をさらに推進し，非線形要素と相互作用の俯瞰的な解析を行っていく．具体的な学習器および学習タスクにおける成績向上を果たすとともに，「遅延相互作用が創発する知能」についての一定レベルでの知見や設計ノウハウを抽出し成熟していくことを目指していく．
|
