【研究領域課題番号】20H01850 (KAKENデータベースで見る）

【研究キーワード】

強相関電子系 / 機械学習 / 量子スピン液体 / ベイズ最適化 / トポロジカル物質 / ベイズ推定

【研究成果の概要】

本研究計画では、量子物質、特にトポロジカルな量子スピン液体と呼ばれる電子状態を実現するため、強相関電子系と呼ばれる、電子間のクーロン相互作用と原子間の電子のトンネリングの効果が拮抗する物質群を解析するための手法開発を行う。研究代表者らが開発を主導してきたオープンソース・アプリケーションHΦを量子多体シミュレータに用い、実験データを入力とし、理論あるいは第一原理電子状態計算に基づく有効ハミルトニアンを『事前知識』として、有効ハミルトニアンのベイズ推定を行うアルゴリズムの開発、およびHΦの拡張機能としての実装・公開を目指す。さらに、新物質開発を行う実験グループと有効ハミルトニアン推定手法の開発運用グループとの密連携によって、強相関トポロジカル物質の有効ハミルトニアンの決定と理論物質設計指針の策定を目的として研究を進める。
本年度は、第一原理計算に基づいて実験データから強相関物質の電子状態を記述する有効ハミルトニアンを決定するため、ベイズ最適化のためのオープンソースソフトウェア(PHYSBO)と量子格子模型計算ソフトウェアHΦの接続、ならびに大規模な量子格子模型計算のためのオープンソースソフトウェア(mVMC)のチューニングを行った。引き続き特異な量子もつれを示す量子スピン液体の候補物質として研究が進む強相関物質RuCl3の磁化データを用いた有効ハミルトニアンの決定ならびに接続ツール整備と公開作業を進めている。また、量子スピン液体候補物質RuCl3、RuBr3およびRuI3の電子状態を第一原理計算によって解析、並行してこれらキタエフ物質の物質合成、結晶構造決定および物性測定を行い、電子相関がハロゲンの原子番号が大きくなることで弱まることが明らかとなった。

【研究種目】基盤研究(B)

【研究期間】2020-04-01 - 2023-03-31

【配分額】17,810千円 (直接経費: 13,700千円、間接経費: 4,110千円)

【研究領域課題番号】19H04072 (KAKENデータベースで見る）

【研究キーワード】

Bayesian Inference / Causal Inference / Cell Regression / Data-Driven Prior / Real-World-Data / 医療データ / Real World Data / Data Science / Statistics / Machine Learning

【研究成果の概要】

・リセプトデータを用いた数年後の糖尿病が発症予測のための深層学習モデルを提案し、得られた成果を論文として纏めている段階である。
・Covid19陽性者数の長期予測のためのニューラルネットワーク時空間モデル（Convolutional Long-Short Term Model）を提案し、東京都23区のデータに適用しその有用性を確認した。得られた成果を論文として纏めている段階である。
・血糖値の平均と分散の関係を明らかにし、より適切な血糖値の予測モデルの構築ができることを示した。得られた成果を論文としてまとめる予定である。
・人の関節時系列データに基づくセグメンテーションを行う方法を開発し、得られた成果を学術論文に投稿した。工場での作業過程のミスを自動的検知などにおいて有効であると期待される。
・Covid19陽性者数の長期予測のためのニューラルネットワークモデルを構築し、東京都23区のデータに適用しその有用性を確認した。またニューラルネットワークモデルの説明可能性を与えるため、統計モデルを利用したハイブリッドな方法も提案した。

【研究種目】基盤研究(B)

【研究期間】2019-04-01 - 2024-03-31

【配分額】17,290千円 (直接経費: 13,300千円、間接経費: 3,990千円)

【研究領域課題番号】19H01178 (KAKENデータベースで見る）

【研究キーワード】

ヒトiPS由来心筋組織 / In vitro 組織成熟化 / 力学刺激 / ベイズ的最適化 / 画像処理 / 再生医療 / in vitro組織成熟化 / 単一細胞イメージング / ベイズ推定 / iPS由来心筋組織 / 機械学習

【研究成果の概要】

知能化培養システムとして，力学刺激および電気刺激が可能な3次元培養チャンバを作製し，組織培養しながら形態をリアルタイムで蛍光観察可能なシステムを構築した．筋芽細胞株C2C12およびヒトiPS由来心筋細胞を培養し，刺激を印加しながら成熟化を評価した．C2C12と電気刺激の系において，画像処理により成熟化指標を抽出し，ベイズ的最適化で条件を最適化し，成熟化指標の向上を目指す実験サイクルを確立した．またヒトiPS由来心筋細胞を3次元ファイバ形状に構築して電気刺激により成熟化し，薬剤を作用させることで組織の収縮力変化が認められ，形成された心筋組織の薬剤試験応用の可能性が示された．

【研究の社会的意義】

本研究により，ベイズ最適化による実験パラメータの機械的な最適化アルゴリズムを，３次元組織構築という生命科学や再生医療分野に重要な研究分野へ適用可能であることが示された．本研究の成果は，国際学術誌および関連の国際会議で成果として世界に対して発信された．今後本研究の成果をもとに研究を継続することで，心疾患に関する薬剤の開発や，心臓移植医療における新しい医療への発展に貢献できる．

【研究種目】基盤研究(A)

【研究期間】2019-04-01 - 2022-03-31

【配分額】46,670千円 (直接経費: 35,900千円、間接経費: 10,770千円)

【研究分野】知能情報学

【研究領域課題番号】17H00757 (KAKENデータベースで見る）

【研究キーワード】

強化学習 / 機械学習 / 多腕バンディット問題 / 模倣学習 / ベイズ推論 / ロバスト性 / 多椀バンディット問題 / ロバスト化 / クラウドソーシング / 次元削減 / マルチタスク学習 / オンライン学習

【研究成果の概要】

本研究では，逐次的意思決定および確率的推論の理論とアルゴリズム構築を行った．強化学習の研究では，実用性向上を目指し弱教師付き模倣学習や複雑な問題の階層化などの手法を開発し，その有効性を実験的に示した．多腕バンディット問題の研究では，線形バンディット，比較バンディット，良腕識別，組み合わせバンディットなどに対する理論保証付きアルゴリズムを開発した．確率的推論の研究では，ベイズ推論のロバスト化や近似計算の高速化，および，時間とともに発生する事象のモデル化に関する研究を行い，理論的・実験的に有効性を検証した．

【研究の社会的意義】

逐次的意思決定や確率的推論は，今後の発展が大いに期待される重要な機械学習技術である．本研究では，強化学習や多腕バンディットの適用範囲を拡大する新しいアルゴリズムを開発するとともに，確率的推論のロバスト性向上や近似計算の高速化に関する研究を行った．このような基礎理論的な研究成果は，逐次的意思決定や確率的推論の原理の解明に貢献するものであり，機械学習分野の主要国際会議で学術的に高い評価を受けた．また，開発したアルゴリズムの有効性は計算機実験によって示されており，将来の社会実装につながる社会的意義のある開発であるとも考えられる．

【研究種目】基盤研究(A)

【研究期間】2017-04-01 - 2022-03-31

【配分額】44,980千円 (直接経費: 34,600千円、間接経費: 10,380千円)

【研究分野】紛争研究

【研究領域課題番号】15KT0041 (KAKENデータベースで見る）

【研究キーワード】

議論 / 推論 / 機械学習 / ベイズ / 生成モデル / 計算論的議論 / ベイズ推論 / 逆問題 / 非単調論理 / 知能情報学 / 論理 / 紛争研究 / 受理可能性学習 / 教師あり学習 / 紛争解決 / 議論可視化

【研究成果の概要】

本研究計画において合計１０本の査読付き国際論文を発表した．主要な国際研究機関によれば研究代表者が筆頭責任著者を務めるそのうちの２本の論文（IJCAI 2017, KR 2018）は推論研究の最難関の国際会議である．また別の２本の論文（Argument & Computation 2015, JLC 2017)は研究代表者の研究領域の主要な論文誌である．さらに，本研究を進めるうちに新たな本質的な課題およびそれへの解法が明らかになり2018年に別の科学研究費を獲得するに至った．

【研究の社会的意義】

議論は紛争に対する合理的，社会的かつ平和的な解決手段である．一方，今日行われている議論の多くはそれがどのようなデータに裏付けられるのか，反例となるデータは存在するのかなどデータを用いて議論を適切に評価したり構築したりすることが容易ではない．この問題に対処するために，本研究課題ではウェブに存在する非構造化データから議論の構造を推定するための一般的な方法論を研究した．

【研究種目】基盤研究(B)

【研究期間】2015-07-10 - 2019-03-31

【配分額】15,470千円 (直接経費: 11,900千円、間接経費: 3,570千円)

【研究分野】数理物理・物性基礎

【研究領域課題番号】25610102 (KAKENデータベースで見る）

【研究キーワード】

物性理論 / 磁性モデル / 磁化曲線 / 機械学習 / モンテカルロ法 / 中性子散乱 / 統計力学 / モデル化 / 計算物理 / 物性基礎論 / データ駆動 / アルゴリズム / ベイズ推論 / 画像データ

【研究成果の概要】

本研究は、データ駆動型の研究方法を物性物理の分野で展開することである。まず磁化曲線の観測データを入力として、これまでの経験的な理論モデルの構築に機械学習の技法を援用する方法を提案した。複数の候補から適切なモデル選択が可能となった。その結果、スピン構造など実験的に観測が難しい情報へのアクセスが可能となり、その後の実験計画に役立てられるようになった。さらに、扱う系を量子系に展開するためにはベイズ最適化の手法が有力であることがわかった。一方、大規模施設からのデータを想定して、中性子散乱実験のスペクトルから緩和時間分布を推定する問題に着手し、実データ解析も含めた新しい方向性を示すことができた。

【研究種目】挑戦的萌芽研究

【研究期間】2013-04-01 - 2016-03-31

【配分額】3,770千円 (直接経費: 2,900千円、間接経費: 870千円)

【研究分野】統計科学

【研究領域課題番号】25730013 (KAKENデータベースで見る）

【研究キーワード】

構造的正則化 / テンソルモデリング / ベイズ推定 / 再生核ヒルベルト空間 / ガウシアンプロセス / 確率的最適化 / 高次元統計 / 統計的学習理論 / 機械学習 / 統計的学習 / 深層学習 / スパース推定 / 確率密度比 / ビッグデータ / 低ランクテンソル推定 / 交互最適化 / 交互方向乗数法 / ガウシアンプロセス事前分布 / ベイズ統計 / 交互方向定数法 / 低ランク行列

【研究成果の概要】

近年あらゆる分野において扱うデータは急速に大規模化している．また 同時に，巨大なデータは内在的に多様な構造を有するようにもなってきている．そのような多量かつ多様なデータを扱うため，構造的スパース性に着目し，それを利用した推定方法を体系的に提案・分析した．そのため，構造的正則化学習と呼ばれる学習方法を高速に解くための確率的最適化手法として，確率的交互方向乗数法を提案した．また，テンソルモデリングと呼ばれているデータ間の関係性を記述するモデルを考察し，ミニマックス最適性と呼ばれる統計的な最適性を満たす推定量を構築した．以上の研究トピックを通して理論から応用まで包括的な研究を行った．

【研究種目】若手研究(B)

【研究期間】2013-04-01 - 2018-03-31

【配分額】4,160千円 (直接経費: 3,200千円、間接経費: 960千円)

【研究分野】感性情報学・ソフトコンピューティング

【研究領域課題番号】20240020 (KAKENデータベースで見る）

【研究キーワード】

情報統計力学 / 可視化 / 次元圧縮 / クラスタリング / ビッグデータ / イメージング / 潜在構造 / ベイズ推論 / 機械学習 / イメージングデータ / マルコフ確率場 / 潜在構造推定 / 連想記憶モデル / モンテカルロ法 / パリティー検査符号 / CDMA / SAT / 大規模データ

【研究成果の概要】

本研究の目的は，経験や学習から形成されるヒトの心の中の描像を，数値計算や計測のデータから客観的手法で可視化する手法を研究することである．具体的には，情報科学と計算機科学での描像を，物理学のスピン系で発展した手法を用いて可視化する．脳の記憶のモデルである連想記憶モデルをテストケースとして，シナプス抑圧の影響，K-SAT問題，量子揺らぎの性質解明など，様々な事例において，描像の可視化を行った．

【研究種目】基盤研究(A)

【研究期間】2008-04-08 - 2013-03-31

【配分額】47,320千円 (直接経費: 36,400千円、間接経費: 10,920千円)

【研究分野】知能情報学

【研究領域課題番号】17700142 (KAKENデータベースで見る）

【研究キーワード】

機械学習 / 関数近似 / 教師付き学習 / 共変量シフト / 汎化誤差 / 交差確認法 / ベイズ推定 / ブレインコンピュータインターフェース / 汎化能力 / モデル選択 / 不偏性 / 入力点依存 / 準教師付き学習 / ラベル無しデータ

【研究成果の概要】

本年度は,共変量シフトの場面での汎化能力推定に焦点を合せ,汎化誤差の理論解析,実用的な汎化誤差推定法の開発,およびその応用研究を行なった.汎化誤差の理論解析に関しては,ベイズ推定と呼ばれる学習法の汎化誤差を対象に,古典的な解析法では対応できなかった特異モデルをも含む一般的な設定での汎化誤差解析を行なった.実用的な汎化誤差の推定法に関しては,標準的な汎化誤差推定法である交差確認法を拡張し,共変量シフトに対応できるようにした.これにより,出力が実数値をとる回帰問題だけでなく,出力が離散的なカテゴリである分類問題に対しても,汎化誤差をうまく推定できるようになった.応用研究に関しては,開発した汎化誤差推定アルゴリズムをブレイン・コンピュータインターフェースに応用した.ブレイン・コンピュータインターフェースは脳波でコンピュータを動かす新しいマン・マシンインターフェースであり,近年盛んに研究されている.しかし,脳波の非定常性のため,従来の学習法ではうまく脳波の分類が行なえないという問題があった.今回開発した共変量シフト適応法を用いて,非定常性な脳波データをうまく分類する方法を確立し,その有効性を実証した.

【研究種目】若手研究(B)

【研究期間】2005 - 2007

【配分額】3,500千円 (直接経費: 3,500千円)

【研究分野】知能情報学

【研究領域課題番号】12680369 (KAKENデータベースで見る）

【研究キーワード】

マルチエージェント / 機械学習 / 協調学習 / サッカーエージェント / 強化学習 / RoboCup / 確率推定 / 適応学習 / 協調 / 戦術 / ベイズ推定

【研究成果の概要】

本研究は,実際のサッカーの指導で戦術がいかに獲得されるかを参考に,小人数による練習課題の達成,グリッドによる適切な認知地図の獲得,そして,適応学習によるプレーの最適化を軸にした協調戦術決定学習アルゴリズムを提案し,そのパフォーマンスをシミュレーションにより検証したものである.エージェントは環境をグリッド化して知覚することで有限の状態変数空間を持ち,この状態変数の遷移を条件付き確率によって予測することで他エージェントの振舞いの傾向を知り,この予測と各状態変数の効用から期待効用を計算し,これを最大化する戦術を選択する.練習を通じエージェントは状態間の条件付確率と効用関数を学習することができる.
本研究では,まず3×4の離散グリッドフィールドで,3対2のミニゲームを対象にシミュレーションを行った.3攻撃エージェントと2防御エージェントはそれぞれエンドラインの突破課題と防御課題の達成時に状態の効用値を強化した.シミュレーションの結果,学習によって壁パスやワン・ツー・パスのような局所的協調戦術が獲得されること,および数的に優位な攻撃チームのミニゲームでの勝率が安定して高くなること,が確認された.
次に,連続空間でのシミュレーションをRoboCup標準サッカーサーバ環境で行うための予備的実験を行った.各エージェントの周囲に相対的なグリッドを内部モデルとして与え,各グリッドをパス到達可能性や敵味方の寡多により変数化し,離散空間でのエージェント同様,条件付き確率により予測し,課題の達成により状態の効用値を学習する方式を採用した.予備的なシミュレーションの結果,区切られた学習領域でのディフェンスライン突破課題に基づき学習したエージェントを,11対11のゲームの中盤で用いると,学習エージェントの参加したチームは,学習を行わないエージェントのチームに対して優勢であることが示された.

【研究種目】基盤研究(C)

【研究期間】2000 - 2001

【配分額】3,700千円 (直接経費: 3,700千円)