【研究分野】ソフトコンピューティング

【研究領域課題番号】16K00326 (KAKENデータベースで見る）

【研究キーワード】

レザバーコンピューティング / 数理解析 / 非線形システム / 省エネルギー / 力学系 / 機械学習 / 時系列データ / 画像処理 / 時系列予測 / 高速機械学習 / 非線形力学系 / ニューラルネットワーク / メモリスタ / スピン波 / デバイス / ハードウェア / 数理モデル / エコーステートネットワーク / ばらつき / 時系列情報処理 / 非線形 / 最適化

【研究成果の概要】

レザバーコンピューティングは、高速学習を可能とする機械学習の枠組みの一つである。本研究では、レザバーコンピューティングの数理的解析とレザバーの最適設計を行い、従来の問題点を解決するとともに、新たなモデルを提案して学習の高速化や計算性能向上を実現した。また、物理的レザバーの可能性を広く探究して数理モデリングを行い、その基本特性や基礎的タスクにおける計算性能を明らかにした。

【研究の社会的意義】

本研究では、レザバーコンピューティング技術の向上を目指して、数理的研究に取り組んだ。レザバーコンピューティングと他の機械学習との融合や、時系列データ予測のための新しい学習モデルは、本手法の発展に寄与するという学術的意義をもつ。物理的レザバーコンピューティングの研究成果は、低消費電力で動作するオンライン機械学習デバイスの開発につながるものであり、人工知能の発展をさらに促すという社会的意義をもつと考えられる。

【研究種目】基盤研究(C)

【研究期間】2016-04-01 - 2019-03-31

【配分額】4,420千円 (直接経費: 3,400千円、間接経費: 1,020千円)

【研究分野】知能情報学

【研究領域課題番号】12680387 (KAKENデータベースで見る）

【研究キーワード】

マルチエージェントシステム / マルチエージェント強化学習 / 強化学習 / 機械学習 / 進化計算 / ニューラルネットワーク / 実数値GA / 最適化 / 共進化 / 世代交代モデル / 自律エージェント / 進化的計算 / ニューラルネット / 人工知能 / 分散人工知能 / 実数値遺伝的アルゴリズム

【研究成果の概要】

近年,強化学習手法を応用して,マルチエージェント環境におかれたエージェント群そのものに,試行錯誤な相互作用を行わせ,それらが採用すべき協調行動をボトムアップ的に組織化させ,それによってマルチエージェントシステムの設計者を支援しようとする試み("マルチエージェント強化学習"と呼ぶ)が数多くなされている.しかし,マルチエージェント環境におかれたエージェント群に,従来の強化学習を適用して適切な協調行動を獲得させようとすると,各エージェントの状態空間は組合せ的に爆発してしまう.
本研究の代表者らは,適度に圧縮表現された状態空間上で各エージェントが学習可能なマルチエージェント強化学習手法を提案し,それにより上記の状態空間の爆発が回避し得ることを実験的に示してきた.平成12年度は,この手法と進化計算を併用することによって,エージェント群に,状態空間の爆発を回避するための適切な状態空間表現を自動的に獲得させながら,それらが採用すべき協調行動を効果的に組織化させるための手法を提案した.提案手法は,マルチエージェントシステムを構成するエージェントの状態表現およびその行動政策を人手に頼ることなく自動的に設計するための要素技術を提供する.
平成13年度は,状態空間の爆発を回避可能な新しいマルチエージェント強化学習手法として,エージェントの行動政策を予め構造が決定されたニューラルネットにより表現すると共に,その重みベクトルを実数値GAにより最適化することに基礎をおく"進化型ニューラルネット手法"に基づく手法を提案した.提案手法は,連続値/離散値が混在する入出力への対応,連続/離散時間による意思決定への対応,大規模な問題への対応,大域的に良好な行動政策の獲得への対応など,従来手法にはない優れた特色を有しており,マルチエージェントシステムの自動設計のための汎用的な要素技術を提供する.

【研究種目】基盤研究(C)

【研究期間】2000 - 2001

【配分額】3,600千円 (直接経費: 3,600千円)

【研究分野】数学一般(含確率論・統計数学)

【研究領域課題番号】10440025 (KAKENデータベースで見る）

【研究キーワード】

複雑系 / 数値解析 / 生態系 / 多相流 / 自由境界問題 / 数理モデル / 領域分割法 / 最適化アルゴリズム / 油濁 / 沿岸生態系 / 大規模連立一次方程式 / 反復解法 / 有限要素法 / Navier-Stokes方程式 / ニューラルネットワーク / 最適化 / 複雑形状 / 数学的モデル / 非線形偏微分方程式

【研究成果の概要】

複雑系を研究対象とする本研究の成果は、以下の4つに大別される。
(1)沿岸油濁の生態系に及ぼす影響。(2)大域最適化問題に対するハイブリッドアルゴリズムの開発とその応用。(3)(1)で提案された数理モデルから派生した数学的諸問題に対する、理論的・数値的研究及び数理モデルを記述する、偏微分方程式系の解法アルゴリズムの提案。(4)上記(1)(2)(3)の研究を強力に推進するにあたり、基盤となった国際会議・二国間セミナー等の開催。
上記(1)(2)(4)の研究の概略
(1)日本海沿岸におけるナホトカ号の油流出事故に見られるように、沿岸海域における油濁は、海域中に生息する様々な生物に大きな影響を与えるのみならず、その生態系の構造、機能にも大きな影響を与え、更に物質循環などを滞らせる。これらの現象を解明する手段として、流体力学に基づく数理モデルの構築、数値シミュレーションとその可視化を行った。ここで得られた結果は、流体実験手法に基づく結果と良い整合を示し、沿岸生態系に対する油濁負荷を軽減する技術開発に対して、数理的見地からの提言を意味している。
(2)本研究で開発されたアルゴリズムの基本原理は、複雑系の或るダイナミカルな運動パターンを模して構成されている。
(4)当該科学研究費の援助によって開催した(1)国際会議として「第12回領域分割法に関する国際会議」(1999年10月25日〜10月29日,於:千葉大学)がある。領域分割法は、複雑系を理解する上で、非常に有効であると同時に手法に内包される数学解析は、偏微分方程式の研究分野の拡大を促進している。また、(2)二国間交流セミナーとしては、「Active Controlに関する日仏セミナー」(1998年10月7日〜10月9日,於:東京)と、「数値数学に関する日中セミナー」(1998年8月24日〜8月28日,於:千葉大学)がある。参加者と講演名は本報告書内に付記されている。

【研究種目】基盤研究(B)

【研究期間】1998 - 2000

【配分額】6,400千円 (直接経費: 6,400千円)

【研究分野】制御工学

【研究領域課題番号】10650434 (KAKENデータベースで見る）

【研究キーワード】

学習 / 最適化 / カオス / 共生 / ゲート付きニューラルネットワーク / RBFネットワーク / 自律移動エージェント / 非線形システム制御 / ニューラルネットワーク / ゲート / 適応 / 自律システム / ケート付ネットワーク / 経路切替 / 強化学習 / 一般化 / 最適値探索

【研究成果の概要】

本研究課題である「モデル内部形成型自律システム」の構築には,多様な試行に基づいて学習を行う手段,学習結果の中から未学習の状況にも適用可能な一般性の高いものを抽出して表現する手段,階層的な構造をもつ制御機構とその適切な切替え機構が必要である.これらを実現するために,以下の事項について研究を行った.
多様な試行に基づいた学習を実現する手段として,非決定論的な試行を生み出すことが可能なカオス的な挙動の生成と消滅を制御できる機構,探索範囲を必要に応じて自動的かつ階層的に拡大あるいは縮小する最適化法,多様な解を得ることができる遺伝的共生アルゴリズム,最適化手法に含まれる設計パラメータをも適切な値に自動調整する発見的最適化手法を開発し,それぞれ例題を用いてその有効性を検証した.
一般性のある知識の抽出の実現手段として,入力ゲート付きニューラルネットワークとRBF(Radial Basis Function)ネットワークのノード統合手法を考案し,より少ない変数(条件)で表される一般的なルールの抽出を行うことができることを,自律移動エージェントの行動学習を例として確認した.
また,ノードゲート付きニューラルネットワークを開発し,これにより複数階層からなる制御系とその切替え機構が実現できることを,非線形システム制御を例題として確認した.さらに,移動エージェントの行動学習において,与えられた環境のみに有効な行動方針を学習する通常の学習に加え,一般性の高い知識を抽出する学習方法を付加し,環境が変化した場合にも,環境変化に素早く対応できる行動学習システムを構築した.

【研究種目】基盤研究(C)

【研究期間】1998 - 1999

【配分額】3,000千円 (直接経費: 3,000千円)

【研究分野】計測・制御工学

【研究領域課題番号】08650498 (KAKENデータベースで見る）

【研究キーワード】

インテリジェント制御 / 一般化学習ネットワーク / 最適化 / ニューラルネットワーク / 遅れ時間 / LSM / RasVal / RasVan

【研究成果の概要】

複雑システムのモデル化について
1.1階の差分方程式では,表現困難な,より広範囲のシステムをモデル化し制御可能な一般化学習ネットワークを開発し、動的システムのモデル化において,ニューラルネットワーク(NN)方式より表現能力において優れていることを確認した。
2.一般化学習ネットワークを用いたシステムのモデル化において,対象システムの特性に適合した最適遅れ時間の自動決定法・モデル化誤差及びコンパクト性の両方を同時に考慮したシステム同定法を開発し,NN方式よりモデル化誤差,汎化能力等において提案法が優れていることを確認した。
3.モデル化及び制御系設計時のパラメータの最適化学習法として,連続システムを対象とした微分情報を用いたランダム探索最適化法(Likelihood Search Method : LSM)・可変探索長ランダム探索最適化法(Random Search with Variable Search Length : RasVal),離散システムを対象とした可変近傍ランダム探索最適化法(Random Search with Variable Neighborhood : RasVan)を提案し,それぞれの分野での他手法より学習速度等で優れていることを明らかにした。
複雑システムのインテリジェント制御については
制御系をNN等の学習により構成する場合,学習後,システムの一部が大幅に変化した場合これまでのNNによる制御系では制御性能が著しく劣化したりシステムが不安定になる等の不具合が生じてもこれらに十分対応できていなかった.本研究では,これらの不具合解決のための以下の提案を行い,これをシミュレーションにより確認した。
1.下記制御方式の設計を可能にするシステム設計ツール(:高次微分計算機能)の提案
2.システムの初期値が大幅に変化した場合の制御方式の提案
3.システムパラメータが大幅に変化した場合の制御方式の提案
4.システムの目標軌道を大幅に変化させた場合の制御方式の提案
5.システムへノイズ等の大きな外乱が生じた場合の制御方式の提案

【研究種目】基盤研究(C)

【研究期間】1996

【配分額】1,600千円 (直接経費: 1,600千円)

【研究分野】計測・制御工学

【研究領域課題番号】07650499 (KAKENデータベースで見る）

【研究キーワード】

自己形成システム / ルールセット / ニューラルネットワーク / 学習 / 最適化 / オートマトン学習ネットワーク / 一般化学習ネットワーク / ロバスト制御 / 一般化 / 離散事象

【研究成果の概要】

自己形成システムは,観測データに基づいて自動的に構築あるいは改変されるシステムである.まず,非数量現象を対象として,観測データの概念への一般化と,観測データに矛盾する概念の特殊化という二つの処理の流れを適宜制御することによって,ルールセット型の一般的なシステムモデルを自動的に構成し,さらにデータに含まれる変化を検出する手法を開発した.また,事例レベルから概念レベルまでを段階的に表現できるニューラルネットワーク,および人力部にゲートを持ち,より明示的に概念レベルを表現できるニューラルネットワークを構成し,その自己形成手法を開発した.さらに,データの変化への対応が容易なニューラルネットワーク構造の決定法を提案した他,ニューラルネットワークの学習のみならず,創造的な新機能の獲得に向けた新しい機能の探索も可能な最適化法を考案した.
また,自己形成システムのより一般的な表現手段として,変数が実数値をとる連続系に対して一般化学習ネットワーク,変数が離散値をとる離散(事象)系に対してオートマトン学習ネットワーク,と呼ぶ共にネットワーク型の枠組みを提案した.いずれも学習によって自己を構成・改変する能力を持っており,このための効率的な学習の方法も考案した.また,ネットワークの構成の自動決定法も開発している.
自己形成システムの目的は,状況の変化に対応して,自己を変化させることによって良好な制御を行うシステムを開発することである.そこで,一般化学習ネットワークの枠組みを用いて,クレーンの制御を例題とし,荷の重量,荷の初期位置や目標位置,システムに加わる外乱などが変化した場合においても良好な制御を行うロバスト制御系を開発した.

【研究種目】基盤研究(C)

【研究期間】1995 - 1996

【配分額】1,800千円 (直接経費: 1,800千円)