日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

神経進化/可塑性arXiv:2604.03386

形態形成により成長したリカレントネットワークにおける活動依存的可塑性

Activity-Dependent Plasticity in Morphogenetically-Grown Recurrent Networks

シェア:XThreadsFacebookLINEはてブBluesky

発達的ニューラルアーキテクチャ探索で成長したリカレントネットワークに対し、ヘッブ則と反ヘッブ則の可塑性を大規模に評価し、共進化実験でそのパターンが独立に再現されるかを検証した。

詳しい要約

1. どんなもの?

本論文は、morphogenetically grown recurrent networks(発生過程で成長するリカレントネットワーク)における活動依存的可塑性(Hebbian/anti-Hebbian)を大規模に特徴づけ、可塑性パラメータをゲノムにコードして発生アーキテクチャと共進化させる実験を行った研究。50,000の成長ネットワーク(CartPoleとAcrobotで5M以上の構成)を解析し、anti-Hebbian可塑性が有能なネットワークでHebbianより有意に優れること、regretが52-100%に達すること、非定常環境下で可塑性の役割が微調整から適応へ移行することを示した。共進化実験ではCartPoleで70%のrunがanti-Hebbianを進化させ(p=0.043)、Acrobotではほぼゼロのetaと混合符号を発見し、特徴づけと一致した。ランダムRNN対照によりanti-Hebbian優位は小規模リカレントネットワークに一般的だが、トポロジー依存性の程度は発生特異的で、regretはトポロジー統計を一致させたランダムグラフより2-6倍高いことを示した。

2. 先行研究と比べてどこがすごい?

従来の発生型ニューラルアーキテクチャ探索は成長後の重みが固定であったが、本研究は成長したリカレントネットワークに活動依存的可塑性を導入し、その特性を大規模に評価した点が新しい。また、可塑性パラメータをゲノムにコードして発生アーキテクチャと共進化させることで、特徴づけで得られたパターンを独立に再発見できるかを検証した点が先行研究と異なる。さらに、ランダムRNN対照を用いてanti-Hebbian優位の一般性と発生特異的なトポロジー依存性を分離した点がすごい。

3. 技術・手法の肝は?

技術の肝は、morphogenetically grown recurrent controllersの集団を生成し、Hebbianおよびanti-Hebbian可塑性を適用してその性能を評価する点。可塑性パラメータ(etaなど)をゲノムにエンコードし、発生アーキテクチャと共進化させるco-evolutionary experimentsを実施。regret(最良固定設定下で失われるoracle改善の割合)を指標に、可塑性の役割を定量化。非定常性下での適応を評価。ランダムRNN対照ではトポロジー統計を一致させて比較。

4. どうやって有効だと検証した?

CartPoleとAcrobotの2タスクで、50,000の成長ネットワークと5M以上の構成を評価。anti-HebbianがHebbianより有意に優れることをCohen's d = 0.53-0.64で示し、regretが52-100%に達することを確認。共進化実験ではCartPoleで70%のrunがanti-Hebbianを進化(p=0.043)、Acrobotでほぼゼロのetaと混合符号を発見し、特徴づけと一致。ランダムRNN対照でanti-Hebbian優位の一般性と、発生ネットワークのregretがランダムグラフより2-6倍高いことを検証。

5. 議論はある?

議論としては、anti-Hebbian可塑性が有能なネットワークでHebbianより優れる理由や、regretが高いことの意味、非定常性下での可塑性の役割変化について考察。また、anti-Hebbian優位は小規模リカレントネットワークに一般的だが、トポロジー依存性の程度は発生特異的である点が議論される。共進化が特徴づけパターンを独立に再発見したことは、発生と可塑性の整合性を示唆。ただし、要旨からは具体的な議論の詳細や限界については不明。

6. 次に読むべき論文は?

要旨で参照/比較されている研究として、morphogenetically grown recurrent networksの先行研究(発生型ニューラルアーキテクチャ探索)、Hebbian/anti-Hebbian可塑性、co-evolutionary experiments、ランダムRNN対照が挙げられる。次に読むべき論文としては、これらの関連手法や、CartPole/Acrobotを用いたリカレントネットワークの可塑性研究、発生型ニューラルネットワークのサーベイが考えられる。具体的な論文名は要旨からは不明。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Sergii Medvid, Andrii Valenia, Mykola Glybovets

分類: cs.RO, cs.NE

原文アブストラクト

Developmental approaches to neural architecture search grow functional networks from compact genomes through self-organisation, but the resulting networks operate with fixed post-growth weights. We characterise Hebbian and anti-Hebbian plasticity across 50,000 morphogenetically grown recurrent controllers (5M+ configurations on CartPole and Acrobot), then test whether co-evolutionary experiments -- where plasticity parameters are encoded in the genome and evolved alongside the developmental architecture -- recover these patterns independently. Our characterisation reveals that (1) anti-Hebbian plasticity significantly outperforms Hebbian for competent networks (Cohen's d = 0.53-0.64), (2) regret (fraction of oracle improvement lost under the best fixed setting) reaches 52-100%, and (3) plasticity's role shifts from fine-tuning to genuine adaptation under non-stationarity. Co-evolution independently discovers these patterns: on CartPole, 70% of runs evolve anti-Hebbian plasticity (p = 0.043); on Acrobot, evolution finds near-zero eta with mixed signs -- exactly matching the characterisation. A random-RNN control shows that anti-Hebbian dominance is generic to small recurrent networks, but the degree of topology-dependence is developmental-specific: regret is 2-6x higher for morphogenetically grown networks than for random graphs with matched topology statistics.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3パナソニックHDなど、触覚に即応する両手作業AI「T-Rex」を共同開発研究・技術
  4. 4SoftBank主導、Agile Robotsが5億ドル調達 NVIDIAと日立も参加資金調達
  5. 5パナソニックHD、「現場起点のPhysical AI」の研究開発加速を発表研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI