Loading article…
バイオインスパイアード・コンピューティング（生物学的着想に基づくコンピューティングの略）は、生物学のモデルを用いてコンピュータ科学の問題を解決しようとする研究分野です。コネクショニズム、社会的行動、創発といった概念と関連しています。コンピュータ科学の分野では、バイオインスパイアード・コンピューティングは人工知能や機械学習と関連しています。バイオインスパイアード・コンピューティングは、自然計算の主要なサブセットの一つです。
初期のアイデア
生物学的計算の背後にあるアイデアは、1936年に抽象コンピュータの最初の記述に遡り、それは現在チューリングマシンとして知られています。チューリングは最初に生物学的標本を使用して抽象的な構造を記述しました。チューリングは、3つの重要な属性を持つ数学者を想像しました。[ 1 ]彼は常に消しゴム付きの鉛筆、無制限の数の紙、そして機能する一対の目を持っています。目によって数学者は紙に書かれたあらゆる記号を見て認識することができ、鉛筆によって彼は好きな記号を書いたり消したりすることができます。最後に、無制限の紙によって彼はメモリに好きなものを何でも保存することができます。これらのアイデアを使用して、彼は現代のデジタルコンピュータの抽象化を記述することができました。しかし、チューリングは、これらの機能を実行できるものはすべてそのような機械とみなすことができると述べ、デジタル計算や機械の思考全般を記述するのに電気さえ必要ないはずだとさえ言いました。[ 2 ]
ニューラルネットワーク
1943 年に Warren McCulloch と Walter Pitts によって初めて記述されたニューラルネットワークは、コンピュータアルゴリズムの作成を刺激する生物学的システムの代表的な例です。[ 3 ]彼らは、単純なニューロンのシステムが論理積、論理和、論理否定などの単純な論理演算を生成できることを初めて数学的に記述しました。さらに、ニューラルネットワークのシステムは有限メモリを必要とするあらゆる計算を実行するために使用できることを示しました。1970 年頃、ニューラルネットワークに関する研究は減速し、多くの人がその主な原因として Marvin Minsky と Seymour Papert による 1969 年の著書を挙げています。[ 4 ] [ 5 ]彼らの著書では、ニューラルネットワークモデルは、ある閾値を超えた後にのみ真となるブール関数に基づくシステムのみをモデル化できることが示されました。このような関数は閾値関数とも呼ばれます。また、この本では、多くのシステムはこのように表現できないこと、つまり多くのシステムはニューラルネットワークでモデル化できないことも示されました。 1986年にジェームズ・ルーメルハートとデビッド・マクレランドが著した別の本は、線形バックプロパゲーションアルゴリズムを実証することでニューラルネットワークを再び脚光を浴びさせ、それによってこれらの制限に縛られない多層ニューラルネットワークの開発が可能になった。[ 6 ]
アリのコロニー
1979年、ダグラス・ホフスタッターは、個々の構成要素が知的でなくても、知的な計算を実行できる生物システムについて説明しました。[ 7 ]彼はアリのコロニーを例に挙げ、集団行動が問題解決能力につながることを示し、これは創発行動として知られる現象です。[ 8 ] 2009年、アジミらは、クラスターの数を決定し、従来のアルゴリズムに匹敵する結果を生み出すことができるクラスタリング手法であるアリコロニーアルゴリズムを開発しました。[ 9 ]さらに、ヘルダーとウィルソン（2009）は過去のデータを分析し、アリは単一の「超個体」コロニーとして機能するように進化してきたと結論付け、これがグループベースの進化アルゴリズムに関するさらなる研究を促しました。
生物学的着想に基づくコンピューティングの研究分野とその生物学的対応物：
進化アルゴリズムや群知能アルゴリズムのコンテキストで可能な解の集団に対して機能するバイオインスパイアードコンピューティングは、集団ベースのバイオインスパイアードアルゴリズム（PBBIA）に細分化されます。[ 10 ]これらには、進化アルゴリズム、粒子群最適化、アリコロニー最適化アルゴリズム、人工蜂コロニーアルゴリズムが含まれます。
生物にヒントを得たコンピューティング技術を用いて、仮想昆虫を訓練することができる。この昆虫は、6つのシンプルなルールに基づいて、未知の地形をナビゲートして餌を見つけるように訓練される。
訓練されたスパイクニューラルネットワークによって制御される仮想昆虫は、訓練後、未知の地形でも餌を見つけることができます。[ 11 ]ルールを数世代適用すると、通常は何らかの複雑な行動が現れます。複雑さは複雑さの上に積み重なり、結果として著しく複雑なものになり、多くの場合、元のルールが生成すると予想されるものとは完全に正反対になります（複雑系を参照）。このため、ニューラルネットワークをモデル化するときは、システムの複雑さが増すにつれて統計的推論と外挿を洗練するために使用できる「ノイズ」係数をライブで収集することにより、生体内のネットワークを正確にモデル化する必要があります。[ 12 ]
自然進化はこの方法の良い類推となる。進化の法則（選択、組換え／生殖、突然変異、そして近年では転移）は原理的には単純な法則であるが、何百万年もの歳月をかけて驚くほど複雑な生物を生み出してきた。遺伝的アルゴリズムでも同様の手法が用いられている。
脳型コンピューティングとは、脳を完全に模倣するのではなく、脳のメカニズムを主軸とした計算モデルや手法を指します。その目標は、機械が人間の様々な認知能力や協調メカニズムを脳にヒントを得た方法で実現し、最終的には人間の知能レベルを達成、あるいは超えることです。
人工知能の研究者たちは、脳の情報処理メカニズムから学ぶことの利点を認識し始めています。そして、脳科学と神経科学の進歩は、人工知能が脳の情報処理メカニズムから学ぶための必要な基盤を提供しています。脳と神経科学の研究者たちは、脳の情報処理に関する理解をより幅広い科学分野に応用しようと試みています。この分野の発展は、情報技術とスマートテクノロジーの推進力によって支えられており、ひいては脳と神経科学は、次世代の情報技術変革にも刺激を与えるでしょう。
脳と神経科学の進歩、特に新しい技術と新しい機器の助けを借りて、研究者はさまざまな実験方法を通じて脳のマルチスケール、マルチタイプの生物学的証拠を取得し、さまざまな側面と機能的基盤からバイオインテリジェンスの構造を明らかにしようとしています。微視的なニューロン、シナプスの作用メカニズムとその特性から、メソスコピックなネットワーク接続モデル、マクロスコピックな脳領域のリンクとその相乗的特性に至るまで、これらの実験的およびメカニズム的研究から得られる脳のマルチスケール構造と機能メカニズムは、将来の脳にヒントを得たコンピューティングモデルを構築するための重要なインスピレーションを提供します。[ 13 ]
脳型チップとは、人間の脳神経の構造や認知モードを参考に設計されたチップのことです。明らかに、「ニューロモルフィックチップ」は、人間の脳神経モデルや組織構造を参考にチップ構造の設計に重点を置いた脳型チップであり、脳型チップ研究の主要な方向性を示しています。各国で「脳計画」が台頭・発展するにつれ、ニューロモルフィックチップに関する多くの研究成果が生まれ、国際的に大きな注目を集め、学術界や産業界に広く知られています。例えば、EUが支援するSpiNNakerやBrainScaleS、スタンフォード大学のNeurogrid、IBMのTrueNorth、QualcommのZerothなどが挙げられます。
TrueNorthは、IBMが10年近く開発してきた脳型チップです。米国DARPAプログラムは、2008年からIBMにインテリジェント処理用のパルス型ニューラルネットワークチップの開発資金を提供してきました。2011年、IBMは脳のように学習して情報を処理できる脳構造をシミュレートすることで、2つの認知シリコンプロトタイプを初めて開発しました。脳型チップの各ニューロンは、大規模な並列処理で相互接続されています。2014年、IBMは「TrueNorth」と呼ばれる第2世代の脳型チップを発表しました。第1世代の脳型チップと比較して、TrueNorthチップの性能は劇的に向上し、ニューロン数は256から100万に増加、プログラム可能なシナプス数は262,144から2億5,600万に増加、総消費電力70mW 、平方センチメートルあたりの消費電力20mWでサブシナプス動作を実現しています 。同時に、TrueNorthは、第一世代の脳チップのわずか1/15の核容積しか処理しません。現在、IBMは、リアルタイムビデオ処理機能を備えた16個のTrueNorthチップを使用したニューロンコンピュータのプロトタイプを開発しています。[ 14 ] TrueNorthチップの超高指標と卓越性は、発売当初、学術界で大きな話題となりました。
2012年、中国科学院計算機技術研究所（CAS）とフランスのInriaは、深層ニューラルネットワークプロセッサアーキテクチャチップ「Cambrian」をサポートする世界初のチップを共同開発しました。[ 15 ]この技術は、コンピュータアーキテクチャの分野で最高の国際会議であるASPLOSとMICROを受賞し、その設計方法と性能は国際的に認められています。このチップは、脳型チップの研究方向の優れた代表例として使用できます。
人間の脳は進化の産物である。その構造と情報処理メカニズムは絶えず最適化されているが、進化の過程で妥協が生じることは避けられない。頭蓋神経系はマルチスケール構造である。各スケールの情報処理メカニズムには、ニューロンスケールの微細な接続構造や脳スケールのフィードバックメカニズムなど、いくつかの重要な問題がまだ残っている。そのため、ニューロンとシナプスの数を総合的に計算しても人間の脳のサイズの 1/1000 にすぎず、現在の科学研究レベルでは研究することは依然として非常に困難である。[ 16 ]最近の脳シミュレーションの進歩により、人間の認知処理速度と流動性知能 の個人差は、構造的脳ネットワークにおける興奮と抑制のバランス、機能的接続性、勝者総取りの意思決定、アトラクターワーキングメモリに関連付けられている。[ 17 ]
認知脳コンピューティングモデルの今後の研究では、マルチスケール脳神経系データ分析結果に基づいて脳情報処理システムをモデル化し、脳に着想を得たマルチスケールニューラルネットワークコンピューティングモデルを構築し、マルチスケールで脳のマルチモダリティをシミュレートする必要があります。知覚、自己学習と記憶、選択などの知的な行動能力。機械学習アルゴリズムは柔軟性に欠け、大規模に手動でラベル付けされた高品質のサンプルデータが必要です。モデルのトレーニングには多くの計算オーバーヘッドが必要です。脳に着想を得た人工知能は、高度な認知能力と推論学習能力がまだ不足しています。
既存の脳型チップのほとんどは依然としてフォン・ノイマン型アーキテクチャの研究に基づいており、チップ製造材料のほとんどは依然として従来の半導体材料を使用しています。ニューラルチップは脳の情報処理の最も基本的な単位のみを借用しています。ストレージや演算融合、パルス放電メカニズム、ニューロン間の接続メカニズムなど、最も基本的なコンピュータシステムや、異なるスケールの情報処理ユニット間のメカニズムは、脳型コンピューティングアーキテクチャの研究に統合されていません。現在、重要な国際的なトレンドは、ナノメートルなどの新素材に基づいて、脳型メモリス、メモリコンテナ、感覚センサーなどのニューラルコンピューティングコンポーネントを開発し、より複雑な脳型コンピューティングアーキテクチャの構築を支援することです。脳型チップの開発に基づく脳型コンピュータおよび大規模脳コンピューティングシステムの開発には、その幅広い応用をサポートする適切なソフトウェア環境も必要です。
（以下は複雑さと深さの順に並べており、この分野に初めて触れる方は上から順に読むことをお勧めします。）