ケンブリッジ大学の研究者によって、人間の脳が物理的および生物学的な制約の中で発達し、機能するのと同様に、人工知能（AI）システムに物理的な制約を課すことで、まるで生物の脳のように、複雑な自己組織化を伴って発達させることができることが示された。

このAIシステムによって、このような制約が人々の脳の違いを形作り、認知的または精神的な健康の困難を経験する人々の違いに寄与する要因を明らかにすることが期待出来るという。また、AIコミュニティにとっても興味深い発見であり、物理的な制約がありそうな状況で、より効率的なシステムを開発するための洞察を提供する可能性がある。

ケンブリッジ大学のJascha Achterberg氏（Gates Scholar、医学研究評議会認知および脳科学ユニット所属）は、「脳は複雑な問題を解くのに長けているだけでなく、ほとんどエネルギーを使わずに解くことができます。我々の新しい研究では、脳の問題解決能力と、可能な限り資源を使わないという目標とを同時に考えることで、なぜ脳がそのような姿をしているのかを理解することができることを示しています」。さらに、ケンブリッジ大学1MRC認知・脳科学ユニットのJohn Duncan博士は、「これらの人工脳は、実際の脳で実際のニューロンの活動が記録されたときに見られる、豊かで不可解なデータを理解する方法を与えてくれます」と語った。

脳のような神経系は、それ自身を組織化し、結合を作るとき、競合する要求のバランスをとらなければならない。脳のネットワークは、資源の制約の中で存在している。その結果、脳のネットワークは、物理的空間内でネットワークを成長させ維持するための代謝コストを克服すると同時に、必要な情報処理を実行しなければならないのだ。

「このように、脳の組織とネットワーク機能の最も基本的な特徴、例えば、疎なスモールワールド構造、機能的モジュール性、特徴的な神経細胞の同調曲線などは、この基本的な最適化問題から生じているのかもしれない」と、研究者らは論文で述べている。このトレードオフは、種の内外を問わずすべての脳を形づくるものであり、多くの脳が似たような組織的解決策に収斂する理由を説明する一助になるかもしれない、と研究チームは続ける。だが、次のように指摘もしている「脳の解剖学的構造と脳機能の両方をひとつの一貫したモデルに組み込んで、ネットワークがリアルタイムで構造的、機能的、行動的な目標を動的にトレードオフできるようにすることは、まだできていません」。

「人工の『脳』によって、実際の生物学的システムでは見ることが不可能な質問をすることができます。私たちは、システムがタスクを実行するように訓練し、私たちが課す制約を実験的に弄って、それが特定の個人の脳のように見え始めるかどうかを確認することができます」と、Achterberg氏は説明する。

研究では、研究者らは脳の非常に単純化されたバージョンをモデル化することを目的とした人工的なシステムを作り、物理的な制約を適用した。このシステムでは、本物のニューロンの代わりに計算ノードが使われている。ニューロンとノードの機能は似ており、それぞれが入力を受け取り、それを変換して出力を生成する。

ケンブリッジ大学のチームが開発したシステムは、空間埋め込み型リカレント・ニューラル・ネットワーク（spatially embedded recurrent neural networks: seRNN）に基づいている。seRNNは、タスクを解決するために最適化され、機能的な目標を達成するために意思決定を行う、と研究チームは説明している。しかし、これらの目標を達成し、行動パフォーマンスを最適化するために学習するにつれて、その構成ニューロンは、生物学的ネットワークで経験されるようなリソース制約に直面するようだ。

彼らのシステムでは、研究者たちは「物理的」制約をシステムに適用した。各ノードには仮想空間内の特定の位置が与えられ、2つのノードが離れれば離れるほど、通信が難しくなる。これは、人間の脳のニューロンがどのように組織化されているかに似ている。

研究チームはシステムに単純なタスクを与えた。このタスクは、脳の研究の際にラットやサルなどの動物に通常与えられる迷路ナビゲーションのタスクを簡略化したもので、複数の情報を組み合わせて最終地点に到達するための最短ルートを決定しなければならない。

研究チームがこの特別な課題を選んだ理由のひとつは、この課題を完了させるために、システムが開始地点、終了地点、中間地点といった多くの要素を保持する必要があるからである。一度この課題を確実にこなすことを学習すれば、試行中のさまざまな瞬間に、どのノードが重要であるかを観察することが可能になる。例えば、ノードのある特定のクラスタがゴール地点をコード化し、他のクラスタが利用可能なルートをコード化する。

最初は、システムはタスクを完了する方法を知らず、ミスを犯す。しかし、フィードバックが与えられると、徐々に学習してタスクがうまくできるようになる。脳細胞間の結合の強さが学習するにつれて変化するのと同じように、ノード間の結合の強さを変化させることで学習する。その後、システムは何度もタスクを繰り返し、最終的には正しく実行できるようになる。

しかし、彼らのシステムでは、物理的な制約があるため、2つのノードが遠ければ遠いほど、フィードバックに応じて2つのノード間に接続を構築するのが難しくなる。人間の脳では、物理的に大きな距離にまたがる接続を形成し、維持するにはコストがかかる。

研究チームは、システムが人間の脳に見られるような、ある重要な特性と戦術を発達させることを発見した。このような制約のもとでタスクの実行を求められたシステムは、実際の人間の脳がタスクを解決するために使うのと同じトリックをいくつか使った。例えば、制約を回避するために、人工システムはハブを開発し始めた。ハブとは、ネットワーク上で情報を伝達するための導管として機能する、高度に接続されたノードのことである。

言い換えれば、各ノードがゴールの位置や次の選択肢といった迷路タスクの特定の特性をコード化するシステムではなく、ノードが柔軟なコード化スキームを開発したのである。つまり、異なる瞬間に、ノードは迷路のさまざまな特性に対して発火する可能性がある。例えば、同じノードが迷路の複数の場所をコード化できるかもしれない。これも複雑な生物の脳に見られる特徴である。

共著者であるケンブリッジ大学精神医学博士のDuncan Astle氏は言う：「この単純な制約、つまり離れた場所にあるノードを配線する方が難しいという制約が、人工的なシステムに非常に複雑な特性を生み出すことを強いているのです。興味深いことに、それらは人間の脳のような生物学的システムに共通する特徴なのです。私たちの脳がなぜそのように組織化されているのか、その根本的なことがわかると思います」。著者らは、「我々のモデルは、神経科学モードにおいて構造と機能を共同で研究する作業を継続するための重要なツールを提供します……seRNNsで機能することが示されたモデリングアプローチは、脳にとって重要性が高いと個々に議論されてきた特徴間の関係を系統的に研究することを可能にすることで、神経科学の革新を加速させるだろうと考えています」と、述べている。

この発見は、研究者がより効率的なAIシステムを開発することを可能にするかもしれない。「AI研究者たちは、効率的で柔軟なエンコードと実行が可能な複雑な神経システムを作る方法を常に研究しています。そのためには、神経生物学が多くのヒントを与えてくれると思います。例えば、私たちが作ったシステムの配線コストは、一般的なAIシステムよりもはるかに低いのです」と、述べている。

現代のAIソリューションの多くは、表面的にしか脳に似ていないアーキテクチャを使用している。研究チームによれば、AIが解決しようとする問題の種類によって、どのアーキテクチャを使うのが最も強力なのかが変わってくるということだ。研究チームは、「seRNNの開発により、構造的目標と機能的目標を動的にトレードオフできるモデルシステムにおいて、タスク制御、構造コスト、ネットワークコミュニケーションを最適化することの影響を観察することができた」と、述べている。

「人間と同じような問題を解決する人工知能システムを構築したいのであれば、最終的には、人間が行うタスクとはまったく異なるタスクに特化した大規模な計算機クラスタ上で動作するシステムよりも、実際の脳に近い形になるはずです。人工的な “脳 “に見られるアーキテクチャや構造は、それが直面する特定の脳のような課題を処理するために有益であるために存在しているのです」と、Achterberg氏は述べている。

地球温暖化の危機が叫ばれる中、生成AIの出現によって、その計算のためのエネルギー消費が激増している中、限られたエネルギー資源でやりくりしていかなければならない私たちは、今後より進化したロボットを開発していく中で、そこに私たちと似て非なる脳の構造を持たせることで恩恵を受ける可能性があるということだ。Achterberg氏は続ける：「現実の物理的世界に配備されるロボットの脳は、おそらく私たちの脳に似てくるでしょう。ロボットは、センサーを通して入ってくる新しい情報を常に処理しながら、体を制御して目標に向かって空間を移動する必要がある。多くのシステムは、限られた電気エネルギーの供給ですべての計算を実行する必要があるため、このようなエネルギー的制約と処理する必要のある情報量とのバランスをとるために、おそらく我々と似たような脳の構造が必要になるでしょう」。

論文

• Nature Machine Intelligence: Spatially embedded recurrent neural networks reveal widespread links between structural and functional neuroscience findings

参考文献

• University of Cambridge: AI system self-organises to develop features of brains of complex organisms

研究の要旨

脳のネットワークは、リソースに制約のある中で存在している。その結果、脳神経ネットワークは、物理的空間内でネットワークを成長させ維持するための代謝コストを克服すると同時に、必要な情報処理を実行しなければならない。seRNNは、3次元ユークリッド空間内に存在しながら、タスクに関連した基本的な推論を学習する。我々は、seRNNが霊長類の大脳皮質でもよく見られる構造的・機能的特徴に収束することを発見した。特に、seRNNは、機能的に類似したユニットが空間的に構成され、エネルギー的に効率的な混合選択コードを利用する、モジュラー・スモールワールド・ネットワークを用いて推論を解くことに収束する。seRNNは完全な人工システム内に生物物理学的制約を組み込んでおり、神経科学的理解を前進させるために、構造的研究コミュニティと機能的研究コミュニティの架け橋となることができる。