数十年にわたり、神経科学者たちは、人間の脳が非常に正確かつ迅速に行う物体認識などの視覚能力を模倣できるコンピューターネットワークの設計を試みてきた。
これまで、ひと目見ただけでの視覚的な物体認識において、霊長類の脳に匹敵するコンピューターモデルはなかった。しかし、MITの神経科学者による新たな研究で、いわゆる「ディープニューラルネットワーク」の最新世代のひとつが、霊長類の脳に匹敵することが明らかになった。
これらのネットワークは、脳が物体を認識する仕組みに関する神経科学者の現在の理解に基づいている。そのため、最新ネットワークの成功は、物体認識の仕組みを神経科学者がかなり正確に把握していることを示唆すると、MITの神経科学教授で脳・認知科学部門長を務めるジェームズ・ディカルロ氏は述べる。同氏は、研究を説明する論文の筆頭著者であり、論文は学術誌『PLoS Computational Biology』の12月18日号に掲載された。
「モデルが神経応答と、神経集団空間における物体間の距離を予測できるという事実は、脳のこれまで謎に包まれていたこの領域で何が起きているのかについて、現時点で最善の理解をこれらのモデルが捉えていることを示しています」と、MITのマクガバン脳研究所のメンバーでもあるディカルロ氏は述べる。
霊長類の脳の働きに関する理解が深まれば、より優れた人工知能につながり、いつかは視覚機能障害を修復する新たな方法につながる可能性もあると、マクガバン脳研究所の博士研究員で論文の筆頭著者であるチャールズ・カデュー氏は付け加える。
ほかの著者は、大学院生のハ・ホン氏とディエゴ・アルディラ氏、研究員のダニエル・ヤミンズ氏、元MIT大学院生のニコラス・ピント氏、元MIT学部生のイーサン・ソロモン氏、研究協力者のナジブ・マジャジ氏である。
脳に着想を得て
科学者たちは、視覚情報の処理、音声認識、言語理解における脳の能力を模倣することを目指し、1970年代にニューラルネットワークの構築を始めた。
視覚ベースのニューラルネットワークでは、科学者たちは脳内で視覚情報が階層的に表現される仕組みに着想を得た。視覚入力は網膜から一次視覚野へ、さらに下側頭皮質（IT皮質）へと流れるにつれて各段階で処理され、より具体的になり、最終的に物体を識別できるようになる。
これを模倣するため、ニューラルネットワークの設計者はモデル内に複数の計算層を設ける。各層では、線形内積などの数学的演算が行われる。層を進むごとに視覚対象の表現はますます複雑になり、対象の位置や動きなど不要な情報は取り除かれる。
「個々の要素は、通常、ごく単純な数式です」とカデュー氏は言う。「しかし、何千、何百万もの要素を組み合わせると、生の信号から物体認識に非常に適した表現へと、極めて複雑な変換が生まれます。」
この研究ではまず、研究者たちは脳の物体認識能力を測定した。ホン氏とマジャジ氏が主導し、IT皮質と、そこへ情報を送る視覚系の一部であるV4野に電極アレイを埋め込んだ。これにより、動物が見た各物体について、神経表現、すなわち反応するニューロンの集団を観察できた。
次に研究者たちは、この結果をディープニューラルネットワークが作り出す表現と比較した。ディープニューラルネットワークは、システム内の各計算要素が出力する数値の行列から成る。画像ごとに異なる数値の配列が生成される。モデルの精度は、表現の中で類似した物体を類似したクラスターにまとめられるかどうかで判断される。
「計算変換やネットワークの層を通るたびに、特定の物体や画像同士は近づき、別のもの同士は離れていきます」とカデュー氏は言う。
最も優れたネットワークはニューヨーク大学の研究者が開発したもので、マカクザルの脳と同程度に物体を分類した。
処理能力の向上
カデュー氏によると、この種のニューラルネットワークが近年成功を収めた背景には、主に2つの要因がある。ひとつは、計算処理能力の大幅な向上だ。研究者たちは、膨大な量の視覚コンテンツを処理する必要があるビデオゲーム向けに設計された、小型で高性能なグラフィックス処理装置（GPU）を活用してきた。「比較的安価なグラフィックスカードを購入することで、計算能力の限界を押し広げられるようになりました」とカデュー氏は言う。
2つ目は、アルゴリズムにデータを与えて「訓練」するための大規模なデータセットを、研究者が利用できるようになったことだ。こうしたデータセットには何百万もの画像が含まれ、各画像には人間が複数の識別レベルで注釈を付けている。たとえば犬の写真には、「動物」「イヌ科」「飼い犬」、さらに犬種のラベルが付けられる。
当初、ニューラルネットワークは画像の識別が苦手だ。しかし、より多くの画像を見て、間違いを知るにつれて計算を修正し、物体をはるかに正確に識別できるようになる。
カデュー氏によると、研究者たちは、こうしたネットワークが異なる物体を見分けられるのは具体的に何のおかげなのか、よく分かっていない。
「それは長所でもあり短所でもあります」と同氏は言う。「何が物体を見分ける特徴なのかを、実際に知る必要がないという点では非常に優れています。一方で大きな短所は、ネットワークを調べ、その内部を見て実際に何をしたのかを知るのが非常に難しいことです。こうしたものがうまく機能すると分かった今、人々は内部で何が起きているのかを理解するため、さらに取り組むでしょう。」
最新のコンピューターモデルの高い性能について、「工学上の成果として刺激的なだけでなく、人間の脳を含む生物の脳の働きをモデル化するための、より優れた計算ツールにもなります」と、英国医学研究会議の認知・脳科学ユニットの主任研究員で、研究チームには参加していないニコラウス・クリエゲスコルテ氏は述べる。「最近発表されたほかの2つの研究と合わせると、この研究は、ディープラーニングモデルが生物の脳とある程度似た方法で、複雑な視覚認識の課題を解決していることを示唆しています。」
ディカルロ氏の研究室は現在、動きの追跡や三次元形状の認識など、視覚処理のほかの側面を模倣できるモデルの生成を試みる計画だ。また、人間の視覚系に見られるフィードバック投射を含むモデルの作成も目指している。現在のネットワークがモデル化するのは、網膜からIT皮質への「フィードフォワード」投射だけだが、IT皮質から系の残りの部分へ向かう結合は、その10倍もある。
この研究は、米国国立眼研究所、米国国立科学財団、米国国防高等研究計画局の支援を受けた。
この記事は MIT Newsとの共同で公開されています。公開は、世界経済フォーラムが見解を支持することを意味するものではありません。
Forum:Agendaの最新情報を受け取るには、 週刊ニュースレターに登録してください。
著者：アン・トラフトンはMIT Newsのゲストライター。
画像：ホンダの最新型ヒューマノイドロボット「ASIMO」が、2014年7月16日、ブリュッセル近郊のザベンテムで行われた発表会で走行している。ホンダはベルギーでASIMOの改良版を発表した。同社によると、知能と手先の器用さが向上し、時速約9キロ（時速5.6マイル）で走行できる。REUTERS/フランソワ・ルノワール。
