Loading article…
ニューラルネットワークは、互いに信号を送信するニューロンと呼ばれる相互接続されたユニットのグループです。ニューロンは、生物学的細胞または数学モデルのいずれかです。個々のニューロンは単純ですが、ネットワーク内の多数のニューロンが一緒になって複雑なタスクを実行できます。ニューラル ネットワークには、主に 2 つのタイプがあります。
- 神経科学において、生物学的ニューラルネットワークは、脳や複雑な神経系に見られる物理的構造であり、シナプスによって接続された神経細胞の集団です。
- 機械学習において、人工ニューラル ネットワークは非線形関数を近似するために使用される数学モデルです。人工ニューラル ネットワークは人工知能の問題を解決するために使用されます。
生物学では
生物学の文脈では、神経ネットワークはシナプスによって化学的に相互に接続された生物学的ニューロンの集団です。特定のニューロンは数十万のシナプスに接続できます。[1]各ニューロンは、活動電位と呼ばれる電気化学信号を接続された近隣のニューロン と送受信します。ニューロンは、受信した信号を増幅して伝播する興奮性の役割を果たすことも、信号を抑制する抑制性の役割を果たすこともできます。[1]
ニューラルネットワークよりも小さい相互接続されたニューロンの集団は、神経回路と呼ばれます。非常に大きな相互接続ネットワークは、大規模脳ネットワークと呼ばれ、これらが多数集まって脳と神経系を形成します。
脳内の神経ネットワークによって生成された信号は、最終的に神経系を通り、神経筋接合部を越えて筋細胞に伝わり、そこで収縮を引き起こし、運動を引き起こします。[2]
機械学習では
機械学習において、ニューラルネットワークは非線形関数を近似するために使用される人工的な数学モデルです。初期の人工ニューラルネットワークは物理的な機械でしたが、[3]今日ではほとんどの場合ソフトウェアで実装されています。
人工ニューラルネットワークのニューロンは通常、層状に配列されており、情報は最初の層（入力層）から1つ以上の中間層（隠れ層）を経て最終層（出力層）に渡されます。[4] 各ニューロンに入力される「信号」は数値であり、具体的には前の層で接続されたニューロンの出力の線形結合です。各ニューロンが出力する信号は、その活性化関数に従って、この数値から計算されます。ネットワークの動作は、ニューロン間の接続の強度（または重み）によって異なります。ネットワークは、経験的リスク最小化またはバックプロパゲーションを通じてこれらの重みを変更することで、既存のデータセットに適合するようにトレーニングされます。 [5]
ニューラル ネットワークは人工知能の問題を解決するために使用されており、予測モデリング、適応制御、顔認識、手書き認識、一般的なゲーム プレイ、生成 AIなど、多くの分野で応用されています。
歴史
現代のニューラルネットワークの理論的基礎は、1873年にアレクサンダー・ベイン[6]と1890年にウィリアム・ジェームズ[7]によって独立に提唱されました。両者とも、人間の思考は脳内の多数のニューロン間の相互作用から生まれたと仮定しました。1949年にドナルド・ヘブはヘブ学習について説明しました。これは、ニューラルネットワークは、信号が伝わるたびにシナプスを強化することで、時間の経過とともに変化し学習できるという考えです。[8]
人工ニューラルネットワークは、もともと1930年代にコネクショニズムのアプローチに基づいて生物学的ニューラルネットワークをモデル化するために使用されていました。しかし、 1943年にウォーレン・マカロックとウォルター・ピッツが単純な人工ニューラルネットワークであるパーセプトロンを発明し、 [9]続いて1957年にフランク・ローゼンブラットがハードウェアで実装したことから、[3] 人工ニューラルネットワークは機械学習のアプリケーションでますます使用されるようになり、生物学的な対応物とはますます異なるものになっていきました。
参照
参考文献
- ^ ab Shao, Feng; Shen, Zheng (2022年1月9日). 「人工ニューラルネットワークはどのようにして脳に近似できるか?」. Front. Psychol . 13 : 970214. doi : 10.3389/fpsyg.2022.970214 . PMC 9868316. PMID 36698593 .
- ^ レビタン、アーウィン、カツマレク、レナード（2015年8月19日）。「細胞間コミュニケーション」。ニューロン：細胞と分子生物学（第4版）。ニューヨーク、ニューヨーク：オックスフォード大学出版局。pp. 153–328。ISBN 978-0199773893。
- ^ ab Rosenblatt, F. (1958). 「パーセプトロン: 脳内の情報の保存と組織化のための確率モデル」.心理学評論. 65 (6): 386–408. CiteSeerX 10.1.1.588.3775 . doi :10.1037/h0042519. PMID 13602029. S2CID 12781225.
- ^ ビショップ、クリストファー M. (2006-08-17).パターン認識と機械学習. ニューヨーク: シュプリンガー. ISBN 978-0-387-31073-2。
- ^ Vapnik, Vladimir N.; Vapnik, Vladimir Naumovich (1998).統計的学習理論の性質（訂正第2刷）。ニューヨーク・ベルリン・ハイデルベルク：Springer。ISBN 978-0-387-94559-0。
- ^ ベイン (1873)。心と身体：その関係の理論。ニューヨーク：D.アップルトン・アンド・カンパニー。
- ^ ジェームズ (1890)。心理学原理。ニューヨーク: H. ホルト アンド カンパニー。
- ^ ヘブ、DO (1949)。行動の組織化。ニューヨーク：ワイリー＆サンズ。
- ^ McCulloch, W; Pitts, W (1943). 「神経活動に内在するアイデアの論理的計算」.数理生物物理学紀要. 5 (4): 115–133. doi :10.1007/BF02478259.