[論文レビュー] Connectionism, Complexity, and Living Systems: a comparison of Artificial and Biological Neural Networks

Krishna Katyal, Jesse Parent+1 more|arXiv (Cornell University)|Mar 14, 2021

Neural Networks and Applications被引用数 5

ひとこと要約

この論文は、代表的複雑性、複雑なネットワーク構造／エネルギー特性、および機能的レジリエンスといった生物学的ニューラルネットワーク（BNNs）の中心的原則を特定することで、人工ニューラルネットワーク（ANNs）と生物学的ニューラルネットワーク（BNNs）を比較し、より適応的で身体的なANNの開発を促進する。本研究では、これらの生物学的原則をANNに統合することで、形態的・感覚的統合を通じて、動的でレジリエントで生き生きとした挙動を示すANNの発展を促進する。

ABSTRACT

While Artificial Neural Networks (ANNs) have yielded impressive results in the realm of simulated intelligent behavior, it is important to remember that they are but sparse approximations of Biological Neural Networks (BNNs). We go beyond comparison of ANNs and BNNs to introduce principles from BNNs that might guide the further development of ANNs as embodied neural models. These principles include representational complexity, complex network structure/energetics, and robust function. We then consider these principles in ways that might be implemented in the future development of ANNs. In conclusion, we consider the utility of this comparison, particularly in terms of building more robust and dynamic ANNs. This even includes constructing a morphology and sensory apparatus to create an embodied ANN, which when complemented with the organizational and functional advantages of BNNs unlocks the adaptive potential of lifelike networks.

研究の動機と目的

• 現在の人工ニューラルネットワーク（ANNs）に欠けている生物学的ニューラルネットワーク（BNNs）の根幹的原則を特定すること。
• BNNsにおける表現的複雑性、ネットワーク構造／エネルギー特性、および機能的レジリエンスが、より適応的なANNの設計にどのように寄与するかを検討すること。
• 生物学的BNNの組織構造をインspiredとして、形態的および感覚的入力を有する身体的なシステムにANNを埋め込むためのフレームワークを提唱すること。
• 生物学的インスピレーションを通じて、より生き生きとした適応性と動的挙動を示すANNの開発を進める。

提案手法

• ANNとBNNの構造的・機能的差異を分析し、指針を抽出する。
• 神経系における情報符号化能力の指標としての表現的複雑性に焦点を当てる。
• BNNにおけるネットワークレベルのエネルギー特性と非線形ダイナミクスを検討し、より効率的でレジリエントなANNアーキテクチャの設計に活用する。
• 感覚運動フィードバックループと物理的形状をANNモデルに統合することで、身体性を実現する。
• BNNの原則を応用して、摂動やノイズに対してレジリエントなANNの設計を促進する。
• 純粋に計算モデルから、生物学的システムをインスピレーションとする身体的で適応的な神経系への移行を提唱する。

実験結果

リサーチクエスチョン

• RQ1 生物学的ニューラルネットワークと人工ニューラルネットワークの構造的・機能的特性には、どのような相違があるか？
• RQ2 生物学的ニューラルネットワークから、人工ニューラルネットワークのレジリエンスと適応性を向上させるために移転可能な原則は何か？
• RQ3 生物学的システムにおける表現的複雑性は、より強力な人工ニューラルネットワークの設計にどのように寄与するか？
• RQ4 感覚入力を有する物理的体にANNを埋め込むことで、機能的パフォーマンスがどのように向上するか？
• RQ5 ネットワークレベルのエネルギー特性と非線形ダイナミクスは、生物学的ニューラルネットワークにおける機能的レジリエンスをどのように実現しているか？ そして、人工系においてはどのように模倣できるか？

主な発見

• 生物学的ニューラルネットワークは、より豊かな情報処理を可能にするため、人工ネットワークよりも高い表現的複雑性を示す。
• BNNに見られる非線形ダイナミクスとエネルギー効率の良いシグナリングを有する複雑なネットワーク構造が、機能的レジリエンスに顕著に寄与している。
• BNNのレジリエントな機能は、標準的なANNに欠落している分散的・適応的・自己組織的ネットワーク特性に起因する。
• 感覚フィードバックを有する物理的形状にANNを埋め込むことで、生物系に見られるような適応的潜在能力を解放できる。
• BNNの原則をANNに統合することは、より動的でレジリエントかつ生き生きとした人工知能システムの実現への道筋を提供する。