日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2607.00025

FLYNN: ハエの脳構造に基づくロバストなロボットナビゲーション用ニューラルネットワーク

FLYNN: Robust Neural Network for Robot Navigation using Fly Brain Topology

シェア:XThreadsFacebookLINEはてブBluesky

ショウジョウバエの脳コネクトームから直接構築したRNN(FLYNN)を視覚ベースのナビゲーションタスクで訓練し、同等パラメータ数の手設計ネットワークと同等の性能を達成しつつ、外れ値データや感覚喪失に対して高い耐性を示すことを実証した論文。

詳しい要約

1. どんなもの?

本論文は、ショウジョウバエ(Drosophila melanogaster)のシナプス解像度の脳コネクトームから直接導出したアーキテクチャを持つリカレントニューラルネットワーク(RNN)であるFLYNNを提案している。FLYNNは、MuJoCo環境での視覚ベースのナビゲーションタスクを実行可能であり、同程度のパラメータ数を持つ現代の手設計ネットワークと同等の性能を示す。さらに、OODデータに対する耐性や感覚喪失に対する耐性が優れており、特に完全な視覚喪失下でも機能し続けることが示されている。

2. 先行研究と比べてどこがすごい?

従来の深層学習モデルは複雑なタスクで最先端の性能を達成するが、新しい環境や感覚遮断に対して脆弱である。一方、生物学的システムはこれらの課題に対して顕著な耐性を示す。本研究は、生物の脳のトポロジーを直接利用することで、この脆弱性に対処する点が新しい。手設計のネットワークと比較して、FLYNNはOODデータや感覚喪失に対して優れた耐性を持ち、特に完全な視覚喪失下でも機能する点が際立っている。

3. 技術・手法の肝は?

手法の肝は、ショウジョウバエのシナプス解像度の脳コネクトームから直接RNNのアーキテクチャを構築することである。具体的には、コネクトームのニューロンとシナプスをRNNのノードとエッジに対応させる。FLYNNは視覚ベースのナビゲーションタスクで訓練され、MuJoCo環境で評価される。また、内部状態のPCA解析により、表現のモジュール性が高いことが示唆されている。

4. どうやって有効だと検証した?

有効性の検証は、MuJoCo環境での視覚ベースのナビゲーションタスクを通じて行われた。FLYNNは、同程度のパラメータ数を持つ手設計のネットワークと比較して、同等の性能を達成した。さらに、OODデータや感覚喪失(カメラドロップアウト)に対する耐性を評価し、FLYNNが優れた耐性を示すことを確認した。特に、完全な視覚喪失下でも機能し続けたのに対し、手設計ネットワークはカメラドロップアウトで訓練された場合でも大きく失敗した。また、PCAによる内部状態の分析から、FLYNNが高い表現モジュール性を持つことが示唆された。

5. 議論はある?

議論としては、FLYNNのロバスト性が表現のモジュール性に関連している可能性が示唆されているが、その因果関係は明確ではない。また、FLYNNは特定のタスク(視覚ベースのナビゲーション)でのみ検証されており、他のタスクへの一般性は不明である。さらに、コネクトームから直接アーキテクチャを構築する手法は、他の生物種やより複雑な脳構造への拡張が可能かどうかは議論の余地がある。要旨からは、これらの点に関する詳細な議論は不明である。

6. 次に読むべき論文は?

要旨で参照されている研究は明示されていないが、関連する手法として、生物の脳のコネクトームを利用したニューラルネットワーク設計や、ロバスト性を高めるための生物学的に着想を得たアーキテクチャの研究が考えられる。具体的には、ショウジョウバエのコネクトーム解析に関する研究や、RNNのロバスト性に関する研究が関連する。次に読むべき論文としては、コネクトーム解析の基盤となった論文や、生物学的に着想を得たロバストなニューラルネットワークの設計に関する論文が挙げられる。

※ 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: Benquan Wang, Jingdao Chen

分類: cs.RO, cs.AI

原文アブストラクト

While deep learning models achieve state-of-the-art performance in complex tasks, they remain brittle when faced with new environments or sensory deprivation. In contrast, biological systems exhibit remarkable tolerance to these challenges. We address this vulnerability by developing a recurrent neural network (RNN) whose architecture is directly derived from the synaptic-resolution brain connectome of the fruit fly Drosophila melanogaster. We demonstrate the feasibility of training the fly connectome neural network (FLYNN) to perform vision-based navigation in MuJoCo, achieving performance comparable to modern hand-crafted networks of similar parameter counts. Crucially, FLYNN exhibits superior resistance to out-of-distribution (OOD) data and tolerance to sensory loss without further training. It remained functional even under total vision loss while hand-crafted networks largely failed, even when specifically trained with camera dropout. Principal Component Analysis (PCA) of the internal state of FLYNN suggests that it exhibits a particularly high degree of representational modularity, which might be related to its robustness. Our work provides a new direction for designing resilient artificial agents following the topology of biological brains.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXO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
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI