研究テーマ

近年の私達の研究の焦点を下記の4つのテーマにまとめました．複数のテーマが重なり合う研究も多く実施しています．

神経回路網の機能分化に関する数理モデル

均質な構造をもつネットワークから，部分ごとに異なる機能をもつ構造が自発的に現れる現象を機能分化（functional differentiation）と呼びます．
脳は典型的に機能分化したシステムであり，その形成には遺伝的要因だけでなく，発達過程における学習も深く関与していることが知られています．

この研究テーマでは，リカレント・ニューラルネットワーク（RNN）を中心に，ネットワークがどのようにして機能分化を獲得するのかを数理的に探求しています．内部状態をもつRNNは自己の状態に基づいて動作を決定するため，脳の動的な情報処理をモデル化する上で有効です．

研究では，リザバーネットワークの進化，情報理論的拘束による機能分化の誘発，リズム生成や生物学的タスクを行うRNN内部における機能分化の分析など，脳科学と人工知能の境界領域に位置する多様なアプローチを展開しています．

関連する研究実績

AIへのカオス・フラクタル理論の応用

カオス理論は時間的に不規則で予測困難な現象を記述するための数学的枠組み，フラクタル理論は自己相似的で複雑な構造を特徴づけるための理論です．
これらはいずれも，脳の動的なはたらきや生物に見られる複雑な情報処理を理解する上で欠かせない概念と我々は考えています．

本研究テーマでは，カオスおよびフラクタルの理論を人工知能（AI）に応用することで，複雑性を内包した知能の可能性を探究しています．

たとえば”AIに本物のカオスを作ることができるか”，”カオス的ダイナミクスをもつAIはより高い柔軟性や創造性を示すのか”，”フラクタル的構造をもつ表現や学習過程をAIに導入できるのか”，といった多様な問いを出発点に研究を進めています．

技術的には，深層学習の諸手法，とくにGAN（Generative Adversarial Network）や拡散モデル（Diffusion Model）などの生成モデルを活用することが多く，カオス的・フラクタル的構造をもつデータや表現の生成・解析を通じて新しい知的システムの原理を探っています．

関連する研究実績

深層AIにおける進化的手法

深層学習で一般的に用いられる勾配降下法（gradient descent）は，非常に強力な最適化手法ですが，複雑な内部ダイナミクスをもつシステムや非連続的な関数，さらには微分不可能な構造を含むモデルでは適用が困難になる場合があります．

そこで本研究では，生物進化に着想を得た進化的手法（evolutionary methods）―たとえば進化戦略（evolution strategies）や遺伝的アルゴリズム（genetic algorithms）―を導入し，ニューラルネットワークやリカレント構造などの複雑なモデルを学習させる試みを行っています．

こうした進化的手法により，従来の深層学習では扱いにくかったカオス的システムや非線形ダイナミクスをもつネットワークに対しても学習・最適化を可能にすることを目指しています．

進化と学習を統合的にとらえ，生物的原理をAIに取り込む新しいアプローチを開拓しています．

関連する研究実績

大規模言語モデルの理解と応用

大規模言語モデル（Large Language Models; LLMs）は，膨大なテキストデータを学習することで言語理解や推論，創造的生成を可能にする人工知能の一形態です．
本研究では，これらのモデルを人間社会の前に現れた新しい複雑系として捉え，その性質を探究しています．
特に，多様性（diversity）や柔軟性（flexibility）といった観点から，大規模言語モデルの表現・振る舞いを分析しています．

さらに，こうしたモデルを人間中心の社会にどのように活かせるかという視点から，応用的研究にも取り組んでいます．
具体的には，教育・読書支援・育児支援など，人間の暮らしに寄り添う新しい使い方を提案する研究を進めています．

理解と応用の両面から，AIと人間の関係を再構築する新しい枠組みを模索しています

関連する研究実績

研究テーマ