研究内容

脳型情報処理のメカニズムをダイナミックな観点で解明し，また人工知能をよりダイナミックなものにするための理論的研究を行っています．具体的には
・神経回路網の自発的機能分化に関する数理モデル研究
・レザバー計算モデルの情報処理・ダイナミクス・進化研究
・人工知能とカオス
・神経回路における振動的ダイナミクスの計算論的役割
等の研究や、これらの理論的背景となる非線形力学系・複雑系の数理についての研究を行っています。

卒業研究/大学院

卒業研究では上記に関係するテーマや、広い意味で人工知能・機械学習・脳科学・脳型情報処理・複雑系数理に関係するテーマを研究してもらいます．最近は人工知能，とくに深層学習(Deep Learning)を用いた応用的なテーマも扱っています．大学院進学に興味がある場合は上記のような範囲の中から高度な研究成果につながるようなテーマを検討し，取り組んでもらうことになります．

卒研配属を検討する学生向けの情報はこちらです．

現在の主な研究グループ/テーマ

リザバー・RNNグループ

はじめは均質的な構造を持ったネットワークから，部分部分に異なる機能を持つネットワークが出現することを機能分化と呼びます．脳は機能分化していますが，遺伝的要因だけではなく，発達過程での学習も分化に関与することが知られています．内部状態を持ち，外部からの入力だけでなく，自分の状態に応じて出力と次の時刻での内部状態が決まるリカレント・ニューラルネットワークを主に用いて，ネットワークが機能分化するモデルを作ろうとしています．仮想的な自律移動エージェントを制御するリザバーネットワークの進化や，複数のネットワークどうしが互いに学ぶ相互学習，生物学的なシナプス学習則のRNNへの適用など，脳とAIが交差する様々な方向から研究を進めています．

GANグループ

GAN (Generative Adversarial Network) は２つのネットワークを敵対的に学習させることで，本物のデータ（画像や時系列など）を生成するネットワークを学習することができる深層学習モデルであり，世界中で盛んに研究されています．我々は，ダイナミクスの観点からGANの性質の解明や応用に取り組んでいます．例えば，GANにより画像を繰り返し変換するシステムを力学系として考え，その性質を利用した情報処理ができないか検討しています．また，GANにカオス時系列を生成させ，その特徴を調べることで，GANの持つ時系列生成能力の性質を調べています．さらにGANを利用した逆さ文字の生成など，応用にも取り組んでいます．

その他

卒研では深層学習による画像認識・物体検出モデルを利用して，実世界で初心者がカードゲームを遊ぶことを補助するシステムの開発，深層強化学習などの研究も行っています．

最近の競争的資金による研究プロジェクト