近年、ニューラルネットワークの研究が盛んに行なわれている。 これはニューラルネットワークが新しい情報処理技術とみなされており、 現在のノイマン型コンピューターの原理と異なる新しいコンピューターの誕生、 または新たな情報処理の形態をつくり出すという期待からである。
ニューラルネットワークは生物学から生じたものであり、 多くの素子によって構成されている。 この素子は生物のニューロンの最も基本的な機能に良く似た働きを するものであり、脳の解剖学的構造に類似するような方法で組織化されている。 このようなニューラルネットワークは、見かけ上の類似性によらず 経験から学習を行なったり、前例から新しいものに汎化したりと 驚くほどたくさんの脳の特徴を示す。 現在では、ニューラルネットワークの能力は文字認識や画像圧縮などの 様々な分野で実証されている。本研究では、その内でも 特定の物を検索するサーチアクセスについての研究を行なう。
現在まで本研究室では、サーチアクセスに関する研究を行ない 様々な成果を出してきた。 しかしそれらの研究は、相関学習法と呼ばれる学習方法を用いた結果であった。 その後の研究で本研究室では相関学習法より優れた学習結果を示す 逐次学習法という新たな学習法が提案された。 そこで本実験ではこの逐次学習法を用いてサーチアクセスに関する 基礎的研究を行なうことにする。
サーチアクセスとは、検索したいパターンを入力し、 そのパターンから目的のパターンを直接検索するのではなく、 パターンに特徴を割り当て、その特徴を入力することにより 目的のパターンを検索する検索方法である。 特徴を入力し、その特徴を持ったパターンが見つけ出されれば検索成功である。 簡単なことに思えるが、一般的なニューラルネットワークでは 想起が一つのパターンに収束してしまいサーチアクセスを行なう上で 必要となる想起状態をつくり出すことが出来ない。 よって、カオスニューラルネットワークと呼ばれる、 実際の神経系にも見られるカオス現象を考慮したニューラルネットワークを 用いることで対処している。
次に逐次学習法とは心理学者のHebbが提案した学習仮説 「シナプス間の結合荷重は両シナプスが興奮状態の時に増加する」 という考えを応用した学習法であり、お互いのニューロンが同じ状態 (興奮状態又は抑制状態)の時には結合を強くし、 異なる時には弱めるという働きをする。 つまり、個々のニューロンが自分自身の内部状態により 結合荷重を変化させるか否かの判断を行ない追加学習をする学習法である。 この結合荷重を変化させるかの判断は内部状態がある 条件を満たした時のみ学習を行なうので、 逐次学習法では2つのニューロン間での結合荷重は非対称となる。 これが相関学習法との大きな違いの1つである。
本研究ではこの逐次学習法を用いたサーチアクセスの 基礎的研究をすることを目的としている。 サーチアクセスを行なう上で、動的想起状態は最も重要な部分となり この動的想起状態をうまく実現出来るかにより、 サーチアクセスの性能も大きく変わってしまう。 そこでこの動的想起状態を中心として研究を進めていくことにする。