MITは線虫Caenorhabditis elegansにヒントを得て、19個のニューロンを使って自動運転制御を実現

この記事はAI新メディアQuantum Bit（公開アカウントID：QbitAI）より許可を得て転載しています。転載の際は出典元にご連絡ください。

自動運転制御システムを構築するにはニューロンがいくつ必要ですか?

MIT の科学者によると、少なくとも 19 個は必要だそうです。その方法は、線虫などの基本的な生物から学ぶことです。

最近、MIT CSAIL、ウィーン工科大学、オーストリア工科大学のチームが線虫の脳をベースにした新しいAIシステムを開発しました。この研究結果は最近の学術誌「Nature Machine Intelligence」に掲載されました。

彼らは、19 個の制御ニューロンを持ち、253 個のシナプスを介して 32 個のパッケージ化された入力機能を出力に接続する単一のアルゴリズムが、高次元の入力を操作コマンドにマッピングすることを学習できることを発見しました。

この新しい AI システムは、少数の人工ニューロンを使用して車両のステアリングを制御します。しかし、CNN と LSTM ニューラル ネットワークに基づいて同じ自動運転システムを構築する場合、ネットワーク構造ははるかに複雑になります。

△CNNを用いた車両制御システム

MIT CSAILのポスドク研究員であり、この論文の共同筆頭著者であるラミン・ハサニ氏は、なぜこれほど少ない数のニューロンが可能だったのかを次のように説明した。

各ユニット内での信号の処理は、以前のディープラーニング モデルとは異なる数学的原理に従います。

彼らは、線虫Caenorhabditis elegansにヒントを得て、2018年に神経回路政策（NCP）を提案した。

NCP アプローチは、生物学的神経回路モデルの力を再利用して、解釈可能な制御エージェントを作成し、仮想および現実世界の強化学習 (RL) テストベッドを管理することです。

この方法は、外部の機械的触覚刺激に対する線虫の反射反応を主に担う線虫の TW 神経回路をモデル化し、そのシナプスおよびニューロンパラメータを基本的な強化学習タスクを制御する戦略として使用します。

この新しい数学モデルをテストするために、チームは特に重要なテストタスク、つまり自動運転車を車線内に維持することを選択しました。ニューラル ネットワークはカメラから道路の画像を受け取り、左折するか右折するかを自動的に決定します。

自動運転などの複雑なタスクでは、多くの場合、数百万のパラメータを持つディープラーニング モデルが必要になります。ただし、NCP アプローチでは、ネットワーク サイズを 2 桁削減できます。

この 19 ニューロンのミニマリスト自動運転システムは、2 桁少ない 75,000 個のトレーニング パラメータのみを使用します。

NCP方式で構築される自動運転システムにもCNNは必要ですが、カメラからの映像データを入力し、そこから構造的特徴を抽出するためだけに使われます。車両の実際の操縦とは何の関係もありません。

その背後にあるニューラル ネットワークは、カメラ画像のどの部分が重要であるかを判断し、その信号をネットワークの NCP制御システムに渡します。

知覚システムからのデータをステアリングコマンドに変換するシステムの制御部分には、わずか 19 個のニューロンが含まれています。

2 つのサブシステムは積み重ねられ、ボストン地域で車を運転する人々のビデオのデータセットで同時にトレーニングされました。このデータセットには、車のステアリング操作と画像を相関させるデータも含まれています。

これらは、システムが適切なステアリング システムと画像を自動的に接続することを学習し、新しい状況を独立して処理できるようになるまで、ネットワークに一緒に入力されます。

NCP で設計された自動運転システムは、シンプルな構造に加えて、従来のモデルに比べて説明可能性と堅牢性という 2 つの大きな利点があります。

システムの解釈可能性により、ネットワークが何に注目しているかがわかります。

ビデオでわかるように、ニューラル ネットワークは、道路脇や地平線など、画像の非常に特定の部分に焦点を当てています。研究者らは、この動作は AI システムの中では特異なものだと述べている。

さらに、解釈可能性は各ニューロンのレベルまで洗練されます。また、どのニューロン（ビデオで点灯）が意思決定に役割を果たしているかを確認することもできます。個々のニューロンの機能と動作を理解することができます。

従来のモデルや NCP モデルと比較した堅牢性をテストするために、研究者らは入力画像に摂動を加え、エージェントのノイズ処理能力も評価しました。その結果、NCP は入力アーティファクトに対して強い耐性を示します。

解釈可能性と堅牢性に加えて、NCP モデルには他の利点もあります。たとえば、トレーニング時間を短縮し、比較的単純なシステムに AI を実装する際の不確実性を軽減します。

ラミン・ハサニ博士はまた、NCP は自動運転に使用できるだけでなく、学習を模倣する能力により、倉庫内の自動ロボットなど、より幅広い用途が可能であると述べました。