| 研究課題/領域番号 |
19K12155
|
|---|
| 研究機関 | 山梨大学 |
|---|
研究代表者 |
服部 元信 山梨大学, 大学院総合研究部, 教授 (40293435)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2023-03-31
|
| キーワード | スパイキングニューラルネットワーク / STDP / 重み減衰機構 / 破局的忘却 |
|---|
| 研究実績の概要 |
本研究では，生物学的に妥当性のあるスパイキングニューロンモデルを用いて，海馬と大脳皮質からなる宣言的記憶の形成モデルを構築することを目的としている．本年度は，主にスパイキングニューラルネットワークの学習の効率を改善する手法に関する研究を行なった．
近年，脳における情報処理の最小単位である神経細胞をより精緻にモデル化したスパイキングニューラルネットワークの研究が盛んに行われるようになってきた．スパイキングニューラルネットワークの学習には，生体の神経細胞間の学習則を模倣した，スパイクタイミング依存性シナプス可塑性則(STDP: Spike timing dependent synaptic plasticity) が用いられるが，学習の効率面，性能面において，従来の人工ニューラルネットワークにおける誤差逆伝播学習法のような優れた性能はまだ得られていない．そこで今年度の研究では，重みの減衰機構を導入した新しい教師ありSTDP学習法を構築した．従来のSTDP学習法では，教師なし学習が採用されていたため，学習後に各ニューロンにラベルの割り付けを行う必要があったが，本手法は教師あり学習であるためこのコストが不要になった．また，意味のない重みを抑制する重みの減衰機構の導入により，従来法と比較してより小規模なネットワークにおいて，より少ない学習回数で優れた性能が得られることを明らかにし，本手法が学習効率の面で優れていることを明らかにした．さらに，新規な学習データのみによる追加学習が可能であり，破局的忘却を回避できることも明らかにした．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
今年度は，本研究の基礎となるスパイキングニューラルネットワークにおける学習の効率を改善する手法の研究に取り組み，良好な結果が得られた．一方で，今回採用したネットワークモデルでは，海馬などの記憶に関係する脳の部位の構造的な知見等がまだ十分に考慮されていない．
|
| 今後の研究の推進方策 |
これまでの研究で，スパイキングニューラルネットワークの学習方法には一定の進展が得られた．今後の研究では，生体の海馬や大脳皮質の構造を考慮したネットワークを用いて研究を進めていく．また次年度には，当初の計画通り，大規模な計算機実験を行うために，最新の高性能GPUを導入し，効率的に研究を進めていく．
|
| 次年度使用額が生じた理由 |
参加・発表予定であった学会がオンライン開催となり旅費が不要となったため，次年度使用額が生じた．これは，次年度に導入を予定している高性能GPUの購入費用に充てる．
|
