パルス型ニューロデバイスのためのニューラルネットモデルに関する基礎的研究

本研究では生物の情報処理に学びパルス表現を施したニューラルネットワークモデルの処理原理の解明およびシミュレーション解析による機能の実証を行なっている。ニューラルネットワークが有する利点としてその学習機能があげられるが、学習によって獲得される情報はニューロン間の結合であるシナプスのシナプス荷重に記憶され、その記憶方法はニューロン単体の局所的な情報によって行われると考えられている。ニューロンの局所的学習方法としてはヘッブ学習が知られているが、本研究で用いたパルス表現によるニューラルネットワークにヘッブ学習が適用可能であるか検討した。パルスニューラルネットワークにおいては、ニューロンの入力および出力は一定振幅のパルスとなっている。またニューロンの内部状態として入力パルスの時間減衰和を用いているので、減衰の時定数以下の時間的に近接した複数の入力パルスに対してニューロンは発火することが可能である。従って出力パルスの原因となった入力パルスは時間的に差異を伴うので、一般的なヘッブ則を直接的に適用することはできない。そこで単一のパルスで表現していた情報を近接する複数のパルス(バースト)によって表現し、時間的な入出力パルスの差異を獲得可能とした。この方法を用いたシミュレーション解析によって、一般的なヘッブ則が実現できることを示した。さらに入力パルス列を設定し、ランダムに結合されたネットワークを用いてヘッブ則に必要な各ニューロンの入出力相関を観測することによって入力パルス列に特有なネットワーク構造が獲得されることをシミュレーション解析によって示した。入力パルス列が周期的である場合、獲得されるネットワーク構造としてはニューロンのループ構造およびそのループに駆動されるニューロン群によって構成されることを示した。

本研究では生物の情報処理に学びパルス表現を施したニューラルネットワークモデルの処理原理の解明およびシミュレーション解析による機能の実証を行なっている。ニューラルネットワークが有する利点としてその学習機能があげられるが、学習によって獲得される情報はニューロン間の結合であるシナプスのシナプス荷重に記憶され、その記憶方法はニューロン単体の局所的な情報によって行われると考えられている。ニューロンの局所的学習方法としてはヘッブ学習が知られているが、本研究で用いたパルス表現によるニューラルネットワークにヘッブ学習が適用可能であるか検討した。パルスニューラルネットワークにおいては、ニューロンの入力および出力は一定振幅のパルスとなっている。またニューロンの内部状態として入力パルスの時間減衰和を用いているので、減衰の時定数以下の時間的に近接した複数の入力パルスに対してニューロンは発火することが可能である。従って出力パルスの原因となった入力パルスは時間的に差異を伴うので、一般的なヘッブ則を直接的に適用することはできない。そこで単一のパルスで表現していた情報を近接する複数のパルス(バースト)によって表現し、時間的な入出力パルスの差異を獲得可能とした。この方法を用いたシミュレーション解析によって、一般的なヘッブ則が実現できることを示した。さらに入力パルス列を設定し、ランダムに結合されたネットワークを用いてヘッブ則に必要な各ニューロンの入出力相関を観測することによって入力パルス列に特有なネットワーク構造が獲得されることをシミュレーション解析によって示した。入力パルス列が周期的である場合、獲得されるネットワーク構造としてはニューロンのループ構造およびそのループに駆動されるニューロン群によって構成されることを示した。