[論文レビュー] The Digital Synaptic Neural Substrate: A New Approach to Computational Creativity

Azlan Iqbal, Matej Guid+4 more|arXiv (Cornell University)|Jul 25, 2015

Creativity in Education and Neuroscience参考文献 55被引用数 5

ひとこと要約

本稿では、チェス・パズル、音楽、絵画、写真など多様な分野の数値的特徴を再結合することで、洗練された高品質なチェス・パズルを生成するAIフレームワーク「デジタルシナプスニューラルサブストレート（DSNS）」を紹介する。計算的芸術的美しさモデルと専門家の評価を用いて、DSNSは、低品質なチェス対局データで学習した場合でさえ、人間の専門家が作成したものと同等またはそれ以上の品質の3手詰めチェス・パズルを生成した。これは、計算的創造性における多分野特徴の転送を示している。

ABSTRACT

We introduce a new artificial intelligence (AI) approach called, the 'Digital Synaptic Neural Substrate' (DSNS). It uses selected attributes from objects in various domains (e.g. chess problems, classical music, renowned artworks) and recombines them in such a way as to generate new attributes that can then, in principle, be used to create novel objects of creative value to humans relating to any one of the source domains. This allows some of the burden of creative content generation to be passed from humans to machines. The approach was tested in the domain of chess problem composition. We used it to automatically compose numerous sets of chess problems based on attributes extracted and recombined from chess problems and tournament games by humans, renowned paintings, computer-evolved abstract art, photographs of people, and classical music tracks. The quality of these generated chess problems was then assessed automatically using an existing and experimentally-validated computational chess aesthetics model. They were also assessed by human experts in the domain. The results suggest that attributes collected and recombined from chess and other domains using the DSNS approach can indeed be used to automatically generate chess problems of reasonably high aesthetic quality. In particular, a low quality chess source (i.e. tournament game sequences between weak players) used in combination with actual photographs of people was able to produce three-move chess problems of comparable quality or better to those generated using a high quality chess source (i.e. published compositions by human experts), and more efficiently as well. Why information from a foreign domain can be integrated and functional in this way remains an open question for now. The DSNS approach is, in principle, scalable and applicable to any domain in which objects have attributes that can be represented using real numbers.

研究の動機と目的

• 多様なソースからの特徴を再結合することで、あらゆる分野に応用可能なスケーラブルなAIフレームワークを構築すること。
• 芸術的美しさが主観的ではあるが測定可能である分野、たとえばチェス・パズル作成において、創造的コンテンツ生成を自動化する課題に取り組むこと。
• チェスとは関係のない分野（例：写真、音楽）からの特徴が、高品質なチェス・コンポジションの作成に有意義に寄与するかどうかを調査すること。
• 自動化された計算的芸術的美しさモデルと人間の専門家による評価を用いて、DSNSアプローチの有効性を評価すること。

提案手法

• DSNSフレームワークは、チェス・パズル、クラシック音楽、絵画、写真など、複数の分野の対象物から数値的特徴（例：対称性、バランス、複雑さ）を抽出する。
• シナプス可塑性にインspiredされたニューラル型アーキテクチャを用いて、元のデータに存在しないような新しい組み合わせを可能にする。
• 再結合された特徴を、有効な3手詰めチェス・パズル構造にマッピングすることで、新しいチェス・パズルを生成する。
• 生成されたパズルは、計算的チェス芸術的美しさモデルによって自動評価され、芸術的美しさの定量的指標が得られる。
• 人間の専門家が生成されたパズルの芸術的価値を評価し、モデルの出力を分野固有の基準と照合して検証する。
• 本アプローチは、実数値ベクトルとして表現可能な特徴を持つあらゆる分野にスケーラブルかつ適用可能であるように設計されている。

実験結果

リサーチクエスチョン

• RQ1 クラシック音楽や視覚芸術といったチェスとは関係のない分野からの特徴が、チェス・パズルの特徴と効果的に再結合され、新規で芸術的美しさの高いチェス・コンポジションが生成可能かどうか。
• RQ2 弱いプレーヤー間の対局データ（例：低品質なチェス対局）で学習した場合でも、DSNSフレームワークが人間の専門家が作成した優れたコンポジションと同等またはそれ以上の品質のチェス・パズルを生成するかどうか。
• RQ3 多分野特徴の再結合が、ターゲット分野の専門家によって価値があると認識される創造的出力をどれほど生み出せるか。
• RQ4 DSNSアプローチが、対象物が数値的特徴として表現可能なあらゆる分野に一般化可能かどうか。

主な発見

• DSNSフレームワークは、芸術的美しさが人間が作成したパズルと同等またはそれ以上の品質の3手詰めチェス・パズルを効果的に生成した。
• 弱いプレーヤーの対局データで学習した場合でも、DSNSは計算的モデルおよび人間の専門家の両方から高品質と評価されたパズルを生成した。
• 特に人物の写真からの特徴統合が、創造的出力を顕著に向上させ、多分野間の特徴転送可能性を示唆した。
• 評価に用いた計算的芸術的美しさモデルは、人間の専門家の判断と強く相関しており、自動評価に有効であることが裏付けられた。
• 生成の効率性も高く、従来の人間による作成よりも迅速に高品質なパズルを生成できた。
• 結果から、他分野の特徴が創造的生成において意味的に機能することが示されたが、その統合の背後にあるメカニズムは未解決のままである。