人間の脳は約140億個もの神経細胞（ニューロン）が結合してできたものであり、これらがシナプス結合することによって巨大かつ複雑なネットワークを構成し、高度な並列処理能力を有するようになる。ニューロンは単体での活動は単純であると言われている。ところが人間は学習した内容を素早く思い出すことができる。また、視覚、聴覚といった五感によって外部から伝わるものを一瞬にして信号に変換し、脳内でこれらの情報を処理することができる。またこれらの情報は体験として脳内に記憶され、素早く想起することが可能である。これらの働きは脳内のニューロンのネットワーク、つまりニューラルネットワークによるものである。ニューラルネットワークは非常に優れた並列処理機構であるといってよい。脳の学習・想起などの働きは現在の電子計算機であるノイマン型コンピュータよりも遥かに優れている。
このような脳の情報処理機構を模倣することで、人間のように高度な情報処理を実現できるであろうという期待から、多くの研究者によって、現在のコンピュータが不得意な処理を行うことができる、新たな情報処理原理の研究が進められている。この研究が進むことで、例えば文字や音声・画像を認識し、柔軟な判断ができるコンピュータが作成されるようになる。このような働きをすることができることは大変な魅力である。
ニューラルネットワークの研究は、1943年のマカロック（W.S.Mclloch）とピッツ (W.Pitts) の研究に端を発する。彼らはニューロンは興奮状態になると、出力側の軸索に1に量子化された電気パルス列の信号を出力し、非興奮状態にあるときは0に量子化された信号を出力すると考えた。また、ニューロンには樹状突起があり、そこに他のニューロンからの軸索が結合しており、この信号を受け取る。この結合部はシナプス結合と呼ばれる。受け取った出力の総和がニューロンごとに決められたしきい値を超えると興奮し、そのしきい値以下なら興奮しないと考え、ニューロンのモデル化を行った。彼らはシナプス結合の強さは全て等しいと考えていたが、後の研究者たちはシナプス結合の強さはそれぞれ異なり、その強さによった刺激が伝搬されると修正した。
1949年にヘッブ（D.O.Hebb）は、ニューロンが興奮状態となり、刺激を出力すると、その刺激を伝えた結合はより強くなり刺激を伝えやすくなるという仮説を立てた。この仮説によりニューロンが可塑性を持ち、認識や記憶のもとになっていると主張した。これはヘッブの学習則と呼ばれ、多くのニューラルネットワークモデルにおいて、学習の原理として採用されている。
物理学の分野では、1970年代後半からカオスと呼ばれる、決定論的非周期振動の重要性が認識されるようになり、盛んに研究されるようになった。合原らはヤリイカの巨大軸索にカオス現象が生じることを示し、カオスニューロンモデルを提案した。生体にごく自然に存在するとされるカオスの要素を導入することで、ニューラルネットワークがより実際の脳の動作に近くなると期待された。
本研究ではカオスニューラルネットの学習法として逐次学習法を用いる。逐次学習法とは個々のニューロンが自身の内部状態から、入力パターンが既知であるか未知であるかを判断し、学習するかどうかを決めるものである。そして入力パターンが未知の場合にはヘッブの学習則に基づき結合荷重値を変化させる。この結合荷重値の変化方法は、結合しているニューロンが互いに同じ状態にあるときにはシナプス結合を強め、互いに異なる状態にあるときにはシナプス結合を弱めるという動作を行うものである。このときに一度に結合荷重値を変化させる量を「結合荷重の変化量」と呼び、これを適切な値とすることで動的想起によって想起できる数が増大することが知られている。しかし、その適切な値がいかなる値なのかはまだ明らかにされていない。
これらのことを背景として本研究では、動的想起にとっての適切な結合荷重の変化量を明らかにすることを目的とし、パターン内の素子数や結合荷重の変化量、学習させるパターンの組などを変えて実験を行い、その結果について検討・考察する。