
G検定#13|AIの頭の中の構造は? ニューラルネットワーク
皆さん、ご安全に!! 技術屋たかちゃんです。
人間の脳は、どうやって物事を覚え、判断しているのでしょうか。
目の前に試験問題がある。頭の中から記憶を引き出し、考え、答えを選ぶ。人間には当たり前の作業ですが、コンピューターに同じような判断をさせるには、どんな仕組みが必要なのでしょう。
そのヒントになったのが、人間の脳にある神経細胞のネットワークです。
AIの基礎技術である「ニューラルネットワーク」。今回は、その仕組みを見ていきます。
神経細胞を数学で表現する
人間の脳には、約860億個のニューロン(神経細胞)があると推定されています。ニューロンはシナプスを介して情報を伝え合い、脳の複雑な働きを支えています。
ニューラルネットワークは、この情報処理の仕組みを参考に作られた数学モデルです。
脳そのものをコンピューターに再現したわけではありません。神経細胞のつながりから着想を得て、入力された情報を計算し、結果を出す仕組みです。
単純パーセプトロンは何を計算するのか?
基本となるのが「単純パーセプトロン」です。
例えば、試験の合否を予測するAIを考えてみましょう。
入力する情報は、勉強時間、睡眠時間、スマートフォンの使用時間です。これらを数値にして計算します。
ここで登場するのが「重み」と「バイアス」です。
重みは、それぞれの情報をどれくらい計算に反映させるかを決める数値。バイアスは、計算結果を調整するために加える値です。
入力値に重みを掛け、合計してバイアスを加える。基本的な計算はこれだけです。
ところが、計算結果が0.1と出ても、それだけでは合格か不合格か判断できません。
そこで使うのが「活性化関数」です。
活性化関数は、計算結果を変換する仕組みです。代表的なシグモイド関数は、入力値を0から1の範囲に変換します。出力値を確率に似た数値として扱い、設定した基準値と比較する分類方法にも利用できます。
シグモイド関数の出力が、そのまま正確な合格確率を意味するわけではありません。
隠れ層が増えると何ができる?
単純な計算を複数組み合わせたものが「多層パーセプトロン」です。
入力層と出力層の間に「隠れ層」と呼ばれる中間の計算層を設けます。
試験の合否を考えてみましょう。勉強時間だけで判断するのは難しい。睡眠時間との組み合わせや、生活習慣との関係も考慮する必要があります。
隠れ層を持つ多層構造なら、こうした複雑な関係を表現できます。
では、AIはどうやって学習するのでしょうか。
相棒のAI(アイ)君が調べたところでは、予測結果と正解の差を誤差関数で数値化し、その誤差が小さくなるように重みやバイアスを調整していく仕組みだそうです。
予測する。間違いを測る。数値を修正する。この作業を繰り返して学習します。
ディープラーニングを可能にした半導体の進化
隠れ層を何層も重ねたニューラルネットワークが「ディープラーニング」です。
層を増やせば計算量も膨大になります。理論上できることと、実際に動かせることの間には大きな壁がありました。
その壁を押し下げたのが、半導体とコンピューターの進化です。
相棒のAI(アイ)君が調べたところでは、GPUの並列演算能力や学習アルゴリズムの改良、大量のデータを利用できる環境が、ディープラーニングの発展を後押ししたそうです。
ここで3種類の演算装置を整理しておきましょう。
CPU:パソコン全般の処理を担当する汎用プロセッサー。
GPU:大量の計算を並行して処理するのが得意なプロセッサー。
TPU:Googleが開発した機械学習向けの専用プロセッサー。
GPUはもともと画像処理などに使われていました。
画像を描くには、大量の画素について似た計算を同時に処理する必要があります。この能力がAIの学習にも適していたのです。
パソコンの中で、無数の計算が一斉に走る。ディープラーニングの発展には、こうしたハードウェアの力が欠かせませんでした。
AIの進化は数学だけでは起きなかった
僕が面白いと思うのは、AIの発展を支えたのがAI研究者だけではなかったことです。
数学を研究する人、アルゴリズムを考える人、半導体を製造する人。それぞれの仕事が結びついて、現在のAIが生まれています。
優れた計算方法を考えても、それを実行する機械がなければ実用化できません。
これは産業機械にも通じます。優れた制御理論があっても、センサーやモーター、制御装置が対応できなければ機械は動きません。
AIの進化を追いかけるとき、ソフトウェアだけでなく半導体にも目を向けたいところです。
次にAIのニュースを見るとき、どんなアルゴリズムが登場したのか。そして、それを動かす計算装置は何なのか。僕は、そんなところも気になってしまいます。
技術屋たかちゃんでした。ご安全に!!
G検定 連載
前回:
次回:
目次(マガジン):
G検定重要用語集:
G検定・重要用語集(ニューラルネットワーク編)
1. ニューラルネットワークの基本
① ニューラルネットワーク(Neural Network)
人間の脳にある神経細胞のネットワークから着想を得た機械学習モデル。複数の人工ニューロンを接続し、入力データから特徴や規則性を学習する仕組み。
② ニューロン(Neuron)
人間の脳を構成する神経細胞。ニューラルネットワークでは、複数の入力値を受け取り、計算した結果を次のニューロンへ渡す人工的な計算単位を指す。
③ シナプス(Synapse)
生物の神経細胞同士が情報を伝達する接続部分。人工ニューラルネットワークでは、ニューロン間の結びつきに相当する部分を重みで表現する。
④ 入力層(Input Layer)
ニューラルネットワークにデータを入力する最初の層。画像の画素値や数値データなどを受け取り、次の隠れ層へ情報を渡す役割を持つ。
⑤ 隠れ層(Hidden Layer)
入力層と出力層の間に配置される中間層。入力データを段階的に変換し、複雑な特徴やデータ間の関係を学習する。複数設置することもできる。
⑥ 出力層(Output Layer)
ニューラルネットワークの最終層。学習した情報をもとに予測結果を出力する。分類問題ではクラスごとのスコアや確率、回帰問題では数値を出力する。
2. パーセプトロンと計算の仕組み
⑦ パーセプトロン(Perceptron)
複数の入力値を受け取り、それぞれに重みを掛けて合計し、活性化関数を通して出力するモデル。ニューラルネットワークの基本的な構成要素として知られる。
⑧ 単純パーセプトロン
入力層と出力層から構成される基本的なパーセプトロン。線形分離可能な問題を扱えるが、XOR(排他的論理和)のような線形分離できない問題は解けない。
⑨ 多層パーセプトロン(MLP:Multi-Layer Perceptron)
入力層、複数の隠れ層、出力層から構成されるニューラルネットワーク。非線形な活性化関数を組み合わせることで、複雑な関係を学習できる。
⑩ 重み(Weight)
ニューラルネットワークで、入力値が計算結果に与える影響の大きさを示すパラメータ。学習によって値を調整し、予測結果が正解に近づくように最適化する。
⑪ バイアス(Bias)
ニューロンの計算結果に加える調整用のパラメータ。入力値がすべてゼロでも出力を調整できる。重みとともに学習によって最適化される。
⑫ 活性化関数(Activation Function)
ニューロンの計算結果を変換する関数。非線形性を導入することで、ニューラルネットワークが複雑な問題を学習できるようにする。
⑬ シグモイド関数(Sigmoid Function)
入力値を0から1の範囲に変換する活性化関数。二値分類の出力層などで使用される。入力が大きくなるほど出力は1に近づき、小さくなるほど0に近づく。
3. 学習の仕組み
⑭ 誤差関数(Loss Function)
AIの予測値と正解値の差を数値化する関数。損失関数とも呼ばれる。学習では、この値が小さくなるように重みやバイアスを調整する。
⑮ パラメータ(Parameter)
ニューラルネットワークが学習によって調整する数値。代表例は重みとバイアス。データを使った学習によって適切な値を求め、予測精度を高める。
⑯ ディープラーニング(Deep Learning)
隠れ層を複数重ねた深いニューラルネットワークを用いる機械学習手法。大量のデータから特徴を段階的に学習でき、画像認識や音声認識などに利用される。
4. ハードウェア関連
⑰ CPU(Central Processing Unit)
コンピューター全般の処理を担当する中央演算処理装置。さまざまな種類の処理を柔軟に実行できる汎用プロセッサーで、OSやアプリケーションの動作を支える。
⑱ GPU(Graphics Processing Unit)
画像処理を目的に発展した演算装置。大量のデータに対して同じ種類の計算を並列処理することが得意で、ディープラーニングの学習や推論に広く利用される。
⑲ TPU(Tensor Processing Unit)
Googleが開発した機械学習向けの専用プロセッサー。テンソル(多次元配列)の演算を効率よく処理するよう設計され、ディープラーニングの計算を支える。
⑳ 並列演算(Parallel Computing)
複数の計算を同時に実行する処理方式。GPUは多数の演算装置を使って並列処理を行うため、大量の計算が必要なディープラーニングと相性がよい。