On Image classification using spiking membrane systems with structural plasticity and spike time dependent plasticity rules

コンピュータサイエンスの静かな片隅において、ある特定の研究分野が、生物のように思考する機械の構築を目指している。数十年にわたり、標準的な人工知能は、計算機が数字を処理するように、一定かつ連続的な流れで情報を処理する数学的モデルに依存してきた。しかし、人間の脳はそれとは異なる仕組みで動いている。脳は「スパイク」と呼ばれる短く鋭い電気的なバーストを通じて通信し、細胞間の接続は固定されているわけではなく、経験に基づいて成長し、縮小し、自らを再配線する。自然計算として知られるこの分野は、その生物学的なダイナミズムを捉えようとする試みである。その目標は、単に計算するだけでなく、信号のタイミングや自身のネットワークの物理的構造から学習し、適応できるシステムを作り出すことにある。

コルカタの研究チームは、これらの生物学的挙動を模倣した新しいタイプのコンピュータモデルを設計することで、この方向への重要な一歩を踏み出した。彼らは、手書き文字の認識という特定の課題に焦点を当てた。標準的なコンピュータはテキストを容易に読み取ることができるが、入力が乱れていたり歪んでいたりする場合、しばしば苦戦することがある。研究者たちは、内部の接続を物理的に再編成する能力と、それらの接続の強度を調整する能力を併せ持つシステムが、既存の手法よりもノイズに対して高い耐性を持てるかどうかを検証したいと考えた。彼らの研究は、二つの強力な生物学的概念、すなわち、即座に接続を作成・削除する能力と、信号の正確なタイミングから学習する能力を組み合わせたモデルを導入している。

研究者たちは、ニューロンのように機能する単純なユニットで構成されたデジタル脳を構築した。二点間の経路が恒久的な従来のネットワークとは異なり、このシステムでは接続自体が変化することを可能にしている。信号が到着すると、システムは二つのユニット間に新しい架け橋を築くか、あるいは古い架け橋を取り壊すかを決定できる。これは「構造的可塑性」と呼ばれる。同時に、システムは人間の脳が記憶を強化する方法に触発された学習規則を用いる。もし二つのユニットが同時に発火すれば、それらの間の接続は強まり、もし発火のタイミングがずれていれば、接続は弱まる。この二重のアプローチにより、システムはどの信号が重要であるかを学習するだけでなく、正しいパターンに集中するために自身のネットワークを物理的に再構成することができる。

このアイデアをテストするために、チームは英語の文字を用いた合成データセットを作成した。彼らは、黒いピクセルが文字を表し、白いピクセルが背景を表す、単純な7×5のピクセルグリッドを用いた。これらのグリッドを電気的なスパイクのシーケンスへと変換した。現実世界の不完全さをシミュレートするため、彼らはデータのビットをランダムに入れ替え（黒いピクセルを白に、白いピクセルを黒にする）、低、中、高の3段階のノースレベルのノイズを作り出した。そして、これらのノイズを含んだシーケンスを新しいモデルに投入し、文字をどれだけ正確に識別できるかを観察した。彼らは、タイミングに基づく学習規則のみを使用し、接続の再配線能力を持たない以前のモデルと比較を行った。

結果は、新システムが驚くほど高い回復力を持っていることを示した。データが完全にクリーンな場合、モデルは平均で99.8パーセント近い精度で文字を識別した。より重要なことに、ノイズが増加しても、新モデルは以前のモデルよりも優れた性能を維持した。中程度および高度なレベルのノイズが存在するシナリオでは、以前のモデルが衰退し始める中で、新システムはより高い精度を保った。例えば、35ビットの文字パターンのうち7ビットのビットが反転した場合でも、新モデルは約80パーセントの確率で文字を正しく認識し、以前のベンチマークを上回る結果を出した。研究者たちは、接続を動的に作成・削除する能力によって、システムがランダムなエラーをフィルタリングし、文字の核となる形状に集中できることが分かったと結論づけた。

この研究はまた、トレードオフについても浮き彫りにした。新モデルはノイズの多い条件下でより堅牢で正確であったが、再配線と重みの調整という複雑なプロセスを管理するために、より多くの計算リソースを必要とした。以前のより単純なモデルは、高速で軽量であったが、大幅な歪みを処理する能力には劣っていた。研究者たちは、彼らの研究が、システムが問題を解決するために自らの構造を進化させ得ることを示す概念実証（プルーフ・オブ・コンセプト）であると述べている。彼らは、実世界の写真ではなくテンプレートから生成された合成データセットを使用したため、その知見は具体的にこの種のパターン認識タスクに適用されるものである。しかし、今回の成功は、構造的な変化とタイミングに基づく学習を組み合わせることが、スマートであるだけでなく、現実世界の乱雑で予測不可能な性質に適応できる機械を構築するための強力な戦略となり得ることを示唆している。