[論文レビュー] Towards a framework for the evolution of artificial general intelligence.

Sidney Pontes-Filho, Stefano Nichele|arXiv (Cornell University)|Mar 25, 2019

Neural Networks and Applications被引用数 6

ひとこと要約

本論文は、自己教師ありで継続的学習を行う埋め込みエージェントにおいて、生物学的にインスパイアされたフレームワークを提案する。スパikingニューロンネットワークを用い、進化可能なトポロジーと可塑性のあるシナプス結合を備えたエージェントは、初期知識なしに動的環境に適応し、学習能力の進化的最適化を通じて一般知能が出現することを示している。

ABSTRACT

In this work, a novel framework for the emergence of general intelligence is proposed, where agents evolve through environmental rewards and learn throughout their lifetime without supervision, i.e., self-supervised learning through embodiment. The chosen control mechanism for agents is a biologically plausible neuron model based on spiking neural networks. Network topologies become more complex through evolution, i.e., the topology is not fixed, while the synaptic weights of the networks cannot be inherited, i.e., newborn brains are not trained and have no innate knowledge of the environment. What is subject to the evolutionary process is the network topology, the type of neurons, and the type of learning. This process ensures that controllers that are passed through the generations have the intrinsic ability to learn and adapt during their lifetime in mutable environments. We envision that the described approach may lead to the emergence of the simplest form of artificial general intelligence.

研究の動機と目的

• 学習能力を持つ神経制御装置の進化を通じて人工一般知能が出現するフレームワークの開発。
• 教師なしで初期知識なしに、エージェントが生涯を通じて学習・適応できることの実現。
• 進化するネットワーク構造を用いたスパikingニューロンネットワークによる生物学的に妥当な神経メカニズムのモデル化。
• 学習メカニズムの進化的最適化が一般知能へと導く仕組みの解明。
• 変化し続ける環境における自己教師ありで継続的学習が、適応的かつ汎用的な制御装置を生み出せるかの探求。

提案手法

• エージェントは生物学的に妥当なニューロンモデルを備えたスパikingニューロンネットワークで制御される。
• ネットワークのトポロジーは世代を経て進化するが、シナプス結合は継承されないため、新生エージェントは初期に知識を持たない。
• 進化は重みではなく、ニューロンタイプ、ネットワークトポロジー、学習ルールに対して作用する。
• エージェントは環境の報酬に応じて自己教師ありで継続的学習を行う。
• 学習プロセスは身体的埋め込み型であり、エージェントが動的環境と相互作用し、それに適応する。
• フレームワークは進化の産物としての内発的学習能力に重点を置き、事前学習済み知識ではない。

実験結果

リサーチクエスチョン

• RQ1 埋め込みエージェントにおける学習能力を持つ神経制御装置の進化によって、人工一般知能が出現可能か？
• RQ2 初期知識や事前学習なしに、エージェントがどれほど一般知能を発達させられるか？
• RQ3 進化するネットワークトポロジーと学習ルールは、動的環境における生涯にわたる自己教師あり適応をどのように支援するか？
• RQ4 神経モデルにおける生物学的妥当性が一般知能の実現に果たす役割は何か？
• RQ5 学習メカニズムの進化的最適化は、多様な環境的課題に一般化可能な制御装置を生み出せるか？

主な発見

• フレームワークにより、学習能力を持つ神経アーキテクチャの進化を通じてエージェントが一般知能を発達可能である。
• 事前学習済み重みや初期知識なしに、動的環境で適応的行動を達成できる。
• 進化は重みではなく、学習能力、トポロジー、ニューロンタイプを最適化し、生涯にわたる学習を可能にする。
• 可塑性を有するスパikingニューロンネットワークの使用により、生物学的に妥当な自己教師あり学習が実現される。
• 一般知能は学習メカニズムの進化的最適化から出現可能であることが示された。
• フレームワークは、内発的適応性と一般化可能性を有する制御装置の生成に有望である。