MIT、ニューラルネットワークが設計者なしで独自の学習機械を構築できることを示す

人工ニューラル ネットワークは通常、エンジニアによって形成されます。設計者は、ネットワークがデータとフィードバックから学習するときに接続強度がどのように変化するかを決定します。 MIT の新しい研究では、このデザイナー主導のアプローチは、どれほど強力であっても、脳が実際にどのように学習するのかについてはほとんど分からない可能性があり、ネットワークが自らを組織化する代替案を示していると主張しています。

米国科学アカデミー紀要（PNAS）に10月9日に掲載された論文の中で、MITのマクガバン脳研究所とK.リサ・ヤン統合計算神経科学（ICoN）センターの科学者らは、人工ニューラルネットワークが独自の学習機械を構築できることを示した。ランダムな接続から開始し、接続をいつどのように変更するかについての単純なローカル ルールのみに従って、ネットワークは効果的な情報処理システムに再形成されました。 この件の詳細は、AIの最新動向をご覧ください。

生物学的妥当性が重要な理由

「現在のAIテクノロジーは非常にうまく機能していますが、必ずしも脳が使用する学習アルゴリズムを使用しているわけではありません」と、MIT教授トマソ・ポッジオ氏とマーク・ハーネット氏の研究室のK.リサ・ヤンICoNセンター博士研究員であり、MIT研究科学者のリウ・ツィイン氏と大学院生のユル・ガン氏とともに論文の共同筆頭著者であるQianli Liao氏は述べた。

この区別は、AI モデルを脳への窓として使用したいと考えている神経科学者にとって重要です。現代の機械学習はバックプロパゲーションに依存していますが、このアルゴリズムはほとんどの神経科学者が生物学的神経回路には存在しそうにないと考えています。 「脳には外部の設計者や設計者がいません」とリャオ氏は言う。 「脳は自らを組織化する必要があります。そして私たちは、単純なルールがどのようにして脳を組織化させるのかを知る必要があります。」

研究チームの中心的な議論は、脳のモデルとしてのネットワークの価値は、その接続だけでなく、それらの接続を調整する機械自体がどの程度組織化できるかによって判断されるべきだということだ。

自己組織化ネットワークの仕組み

研究者らは、ランダムに相互接続されたニューロンのようなユニットの複数の層として構造が始まるネットワークを構築しました。各層内では、すべてのユニットが、接続を調整する方法について同じ単純なルールによって管理されます。 「彼らはただそのルールを使って相互にやりとりし、ある種の行動を生み出します」とリャオ氏は説明した。

このルールは、学習中に脳の回路を再配線すると神経科学者が信じているようなもので、「一緒に発火したニューロンは一緒に配線する」という古典的な原理も含まれており、これは同時に活性化すると2つのニューロン間の接続が強化されることを意味する。

ネットワークが学習するにつれて、これらの単純なルールに従って自己組織化モチーフが出現し、機能回路の構成要素として機能します。これらのモチーフは、勾配降下法 (ほとんどの最新の機械学習に組み込まれている誤差主導の調整プロセス) に似た最適化戦略を使用して自らを再編成していきましたが、これは外部から強制されたアルゴリズムではなく、ネットワーク自体のローカル ダイナミクスから生じました。

標準ネットワークと同等のパフォーマンス

重要なテストは、この自己組織化システムが実際に学習できるかどうかでした。研究チームは、これらのローカルルールによって管理される自己組織化ネットワークがパターンを認識して画像を分類することを学習し、バックプロパゲーションによって訓練された従来設計のネットワークと同様のレベルで動作することを示しました。

上級著者のトマソ・ポッジョ氏は、この結果を、同じメカニズムを反対方向から長い間追い続けてきた 2 つの分野の間の潜在的な架け橋として枠組みを立てました。もし研究チームが提案しているシナプスモチーフが、人工ネットワークに対して逆伝播が行うことを達成するために脳が使用するものであれば、研究者らは「人工ネットワークと自然ネットワーク、つまり機械と脳の間の基本メカニズムのレベルで強力なつながり」を持つことになるだろうと同氏は指摘した。

ブレイン コンピューター インターフェイスからより優れた AI へ

その影響は両方向に及んでいます。神経科学の場合、回路が自己組織化する単純なルールを理解することで、学習がどのように機能するのか、そして学習がどのように崩壊するのかを明らかにできる可能性があります。リャオ氏は、これらのルールを知ることが不可欠な分野として、言語能力を失った人々のコミュニケーションを回復したり、麻痺患者が義肢を制御できるようにすることを目的としたブレイン・コンピューター・インターフェースを挙げている。 「これらはどれも、ニューロン間の相互作用の背後にあるルールを知らなければ機能しません」と彼は言う。 「それは、非常にうまく動作する回路を設計するだけでは達成できません。」同じ知識は、加齢や病気によって学習規則が破壊された状態の治療に役立つ可能性があります。

機械学習に関しては、この調査結果は設計領域が十分に調査されていないことを示唆しています。リャオ氏は、自己組織化ネットワークは必ずしも脳のやり方を学習するとは限らないと警告するが、自己組織化を重要な出発点として位置づけている。 「自己組織化は最初の高レベルの枠組みだ」と同氏は述べた。 「自己組織化の尺度が確立したら、次のことについて話し合うことができます。」このグループの主な目的は脳を理解することですが、その知識は最終的にエンジニアがより良いパフォーマンスを発揮したり、より人間らしい動作をするネットワークを構築するのに役立つ可能性があります。

粒度についても未解決の質問があります。動物が学習する際に神経接続を再形成するルールは、脳の領域によって異なる可能性があり、脳が成熟するにつれて変化する可能性もあり、その可能性について研究者らは、単純なルールのモデルを特定の生物学的回路に適合させる前に、神経科学者が計画を立てる必要があると述べている。そのマッピングにより、老化や病気によって学習機構がどこでどのように阻害されているかが明らかになり、治療だけでなく予防戦略にも役立つ可能性がある。

マクガバン脳研究所とK.リサ・ヤンICoNセンターによるこの研究は、2026年10月13日にMITニュースで取り上げられた。

---

AIの最新情報をお届け

AIの最新ニュース、分析、ブレイクスルーを一箇所で。

AIニュースをもっと読む →