Discovery Sagaサイレントキーワード俯瞰

進化計算 / 深層学習 / ニューロ進化 / 動力学的解析 / 複雑系モデル / 遺伝的アルゴリズム / 動力学系解析 / ディープラーニング

本年度の研究では，スケーラビリティを考慮しながら，ディープニューロ進化におけるモチーフ構造（遺伝子型）と機能（表現型）の因果関係を導出する手法の実現を試みた．
このメカニズムの解明は，モチーフ性を制御して機能創発を的確に導くための理論的基盤となる．具体的には，ディープニューロ進化の基本的なデータ構造であるグラフや木構造のような離散構造に対して，統計的学習・非線形力学系解析や代数的学習手法を利用して効果的に構造を生成するアルゴリズムを構築しその有効性を実験的に検証した．
たとえば，蟻コロニー最適化（ACO）を用いることで時系列予測をするLSTMの過学習を抑制する枠組を提案した．ドロップアウトなどの過学習を防ぐ手法と組み合わせることで，合理的な計算時間でLSTMの内部構造を最適化することに成功した．石炭火力発電所，気象，経済の3つの異なる実世界データの時系列予測に対して本手法を適用し，ドロップアウト・ドロップコネクトなどの他手法と比較してその効果を検証した．
また，GAN(Generative Adversarial Network)を用いたvoxel表現された3Dモデルの生成に対して，本手法を対話型進化計算に応用するアプローチを提案した．従来の手法は，ランダム性が高すぎるため好みの構造物が生成されなかったり，一度好みのものが生成されても次の選択肢から消えてしまうという弊害が頻繁に起こっていた．この原因としては，既存のシステムが機械側で好ましいと思われる構造物の選別をせず，生成された構造物をそのままユーザーに提示していることが挙げられる．これに対して，本研究ではグラフカーネルを用いた構造物生成手法を提案した．ランダムに生成する構造物の類似性比較や被験者によるアンケート実験を通して，その有用性を統計的に検証した．

進化計算 / 遺伝的アルゴリズム / 遺伝的プログラミング / ニューロ進化 / 深層学習 / 進化ロボティクス / 力学系解析 / 遺伝子ネットワーク / 動的システム / 創発デザイン / 動的適応系

本研究ではモジュラ性を有するニューロ進化の有用性を検証した．検証法としては，各種ベンチマーク問題に適用した進化の結果に関して階層的な繰り返し構造が得られるかを解析した．モジュラ性によって，ニューロ進化の時間的な発達過程で情報が再利用でき，新しい構造を展開できると期待される．それにより，従来の人工物設計に伴う困難さ（部分解から全体の解が適切に得られない点や環境の変化にロバストに適応できない点）の解決を試みた．

これまで神経回路網の進化と時間発展の考えを取り入れて構築されたモデルはほとんどない．さらにこの統一的な視点にたって人工物設計での実証研究を試みるものは極めて少ない．そのため，本研究は理論的基盤にたってニューロ進化の枠組みをロバストな設計に応用するという学術的な特色がある．本研究により，ニューロ進化による知能創発の有効性が，ハードウェアとソフトウェアの創発デザインを通して明らかになる．

【研究分担者】
長谷川禎彦	東京大学	大学院情報理工学系研究科	准教授	(Kakenデータベース)

【研究分担者】
長谷川禎彦	東京大学	大学院情報理工学系研究科	准教授	(Kakenデータベース)