著者

橋本 幸士 富谷 昭夫 野尻 美保子 大槻 東巳 田中 章詞 樺島 祥介 福嶋 健二 今田 正俊 永井 佑紀

出版者

京都大学

雑誌

学術変革領域研究(A)

巻号頁・発行日

2022-06-16

---

従来、実験と理論の両輪により進展してきた物理学において、理論的な原理や数理の探索と技術の発展による実験の発展が、宇宙と物質の新しい姿を明らかにしてきた。この両方に寄与してきた計算科学では近年、機械学習という技術革新が社会的変革をもたらしている。そこで我々は「学習物理学」領域を創成し、機械学習やそれを含むデータ科学の手法、緩和数理やネットワーク科学等を物理学の理論的手法群と統合し、基礎物理学の根本課題である新法則の発見、新物質の開拓を行う。素粒子・物性・重力・計算物理学のそれぞれと機械学習の融合を、数理・統計・位相幾何の観点から統合的に遂行し、新領域「学習物理学」を勃興させる。

著者

瀧 雅人 田中 章詞

出版者

一般社団法人 日本物理学会

雑誌

日本物理学会誌 (ISSN:00290181)

巻号頁・発行日

vol.74, no.11, pp.759-764, 2019-11-05 (Released:2020-05-15)

参考文献数

10

---

このところ深層学習(ディープラーニング)という言葉を頻繁に耳にするようになってきました.巷では技術的特異点などのパワーワードに引っ張られ,人工知能が人間の仕事を奪うかもしれない等と報道されるケースも少なくないため,怪しい分野だと思われている方もいるかもしれませんが,そうではありません.機械学習の理論的下地は確率・統計学にあり,むしろ物理学を修めた方なら誰でも腑に落ちるような枠組みに支えられています.深層学習は,数多ある機械学習の手法群の中の一つの手法です.その一方,親玉である機械学習という分野は,データをもとにそこからパターン・知識を抽出する手法一般の研究開発を指します.物理学者が普段行っているデータ解析のうち,ある程度の割合は機械学習だといっても過言ではないでしょう.深層学習は,ニューラルネットワーク(ニューラルネット)と呼ばれる特殊な数理モデルを用いる点で,他の機械学習の手法と大きく異なります.ニューラルネットは20世紀の中頃,動物の脳の数理モデルとして提唱されましたが,その後はデータの学習のための機械学習モデルとして広く研究されるようになりました.長い研究の歴史を持つニューラルネットですが,2006年頃になり新しい段階に突入し,やがて加速的な発展期を迎えます.ネットワーク構造を深層化することでニューラルネットが極めて高い学習能力を発揮することが実証され,広範なタスクに対応できるネットワーク構造が次々と開発され始めたのです.この一連の流れで発見されたアルゴリズム・技術・ノウハウの総体が深層学習だ,といって良いでしょう.深層学習は画像認識にとどまらず,Google翻訳のような自然言語処理,音声の変換・生成,フェイク動画の生成,アルファ碁に代表されるゲームAIなど,急激にその応用範囲を拡大し,産業・科学技術の風景を変えつつあるのは皆さんもご存知の通りです.では,この間の研究によって全ては理解され尽くされ,応用も試み尽くされたのでしょうか? 実態はそうではなく,むしろその逆です.ニューラルネットが高い性能を実現する理論的なメカニズムは未だほとんど理解されておらず,そのためアドホックなネットワーク構造の設計も当然第一原理に基づくものではありません.そしてゲームAIのような探索的作業への大きな可能性があるにもかかわらず,深層学習の基礎科学への導入は,まだ部分的かつ初歩的な段階にあります.深層学習の高い表現能力や汎化性能の理論的理解や,データサイズに比べてデータ次元が極めて高いような場合に対応できる学習アルゴリズムの発見など,今後物理学者も寄与できる未解決問題も数多くあると考えられます.またこれまでの産業・ソーシャルデジタルデータだけではなく,科学データへの応用を通じて露わになる深層学習の技術的問題点や改良の可能性も数多くあるでしょう.これからは,基礎科学研究によって深層学習の新しい可能性が開けていくものと期待しています.

著者

田中 章詞 唐木田 亮 瀧 雅人

出版者

国立研究開発法人理化学研究所

雑誌

学術変革領域研究(A)

巻号頁・発行日

2022-06-16

---

ここ十数年のうちに起こった機械学習(Machine Learning)の技術の劇的な発展のうちの多くが、深層学習(Deep Learning)の手法によるものであることは疑いの余地がないが、それにもかかわらず深層学習は従来の統計的機械学習の常識から見ると理論保証が難しいこともよく知られた事実である。本研究では従来の機械学習の理論研究手法に加え、物理学からもたらされた知見を結合し、深層学習の理論/応用の両方にさらなる深い理解、発展をもたらすことを目的とする。