[ 概要 ]
江波戸雄大（千葉工大）、信川創（千葉工大）、酒見悠介（千葉工大）、西村治彦（大和大）、金丸隆志（工学院大）、Nina Sviridova（東京都市大）、合原一幸（東京大）らの研究チームは、効率的な学習を実現する次世代型人工知能である、エコーステートネットワーク（echo state network: ESN）の性能を向上させる鍵として、ニューロン内部の時間履歴項の調整によるダイナミクスの最適化が重要な役割を担うことを明らかにしました。これまでESNの性能向上に時間履歴項が有効であるとされてきましたが、具体的な調整方法やそれがどのように性能向上に寄与するかの定量的な理解は十分ではありませんでした。研究チームは、記憶性能・安定性・ダイナミクスの多様性などの、ESNの主要な性質に関わる比較実験を通じて、時間履歴項を導入したESNモデルが、安定性とダイナミクスの多様性を保持しながら、通常のESNモデルでは実現できない高い記憶性能を実現することを、近年提案された指標を包括的に駆使することで定量的に示しました。この成果は、ESNにおける時間履歴項の有用性を評価し、さらなる性能向上を目指したモデル開発に貢献すると期待されます。この研究成果は、2024年4月15日に英国の科学雑誌「Scientific Reports」で発表されました。