next up previous contents
Next: ニューラルネットワーク Up: 無題 Previous: 目次

序論

コンピュータの機能を人間の頭脳活動に限りなく近づけたいという思いは、科学者や技術者の永遠の夢である。 ところがそのような夢とは裏腹に、現在のコンピュータは計算は得意であるが、学習、類推、直感、認識など人間らしい事はほとんど何一つできないのである。 そういった問題を解決しようとして研究されているのが、ニューラルネットワークである。 ニューラルネットワークとは、人間の脳神経細胞(ニューロン)の情報処理メカニズムを真似たもので、シナプスの結合によりネットワークを形成した人工ニューロン(ノード)が、学習によってシナプスの結合強度を変化させ、問題解決能力を持たせるというものである。[1]

ニューロコンピュータは、まだ開発の緒についたばかりであり、その能力は未知数である。 ただし、学習ができることが実証され、音声や文字認識での成功例が報告されるようになった。株価の予測にも有望といわれているし、連想記憶も可能である。 つまり、従来のコンピュータの苦手な領域で、活躍しそうな期待がある。また、ニューロコンピュータに興味を持つ人は、電気・情報関連だけではなく、物理・生物・医学・心理・社会・経済など広範囲にわたっている。[2]

ニューラルネットワークの歴史は、1943年のマッカロとピッツ(McCulloch, Pitts)が神経細胞のモデルを提案したことに始まる。[2] 1949年、ヘッブ(Hebb)は、神経細胞が興奮したときに入力部のシナプス結合のうち、刺激を伝えたものは結合強度が増加し、さらに刺激が伝えやすくなるという説を唱え、これが神経回路に“可塑性”をもたらし、認識や記憶の元になっていると主張した。 ローゼンブラットは1950年代の終わりに、これらの原理に基づいたパターン学習するパーセプトロンを作った。

本研究では、オセロまたはリバーシと呼ばれるゲームの盤面評価にこのニューラルネットワークを用い、既存の棋譜データからの学習を試みる。 64マスの盤面の状態を単純にニューラルネットワークに入力する場合の学習の進み具合、また効率のいい学習方法についての検証をする。 また、Michael Buroの論文に書かれている盤面のパターン[4]についても同様に検証をする。


Deguchi Lab.