【大学研究室Vol.27】カーネル法を使った位相的データ解析で、複雑なデータから隠された関係を推論。本研究が物質科学への応用をも可能に

統計的機械学習が拓く低コストＡＩの未来

「目指しているのは、ディープラーニングならぬ〝チープラーニング〞です」と話す福水教授は、パターン認識手法の一つである「カーネル法」を使って複雑なデータを分析し、物事の因果関係を推論する機械学習の研究に取り組んでいる。

２０１０年代に入り、ディープラーニングが進化したことで人工知能（ＡＩ）の分野に劇的な変化をもたらした。この技術は、人間の脳の仕組みを模した「ニューラルネットワーク」を使って大量のデータからＡＩ自身が学び、ある〝特徴量〞を自分で見つけ出して抽象化を行う。人間も様々な特徴から概念を学習し、「目の前にいるのは犬」といった判断を下しているが、ＡＩも学習による特徴量の抽出から「それは犬」という概念を見つけられるようになった。

こうした高精度の特徴量の抽出には膨大な演算が必要だが、ＣＰＵやＧＰＵの処理能力の大幅な向上が画像・音声認識などに進化をもたらし、第３次ＡＩブームを牽引してきた。もっとも、福水教授は「課題も少なくない」と指摘する。

「ディープラーニングは、データが多いほど精度が高まるため、いかに大量のデータを学習させるかが重要になりますが、データ量の増加に伴って、必要な計算リソースが加速度的に上昇していくことも事実。ディープラーニングをベースにしたＡＩの普及が進めば、いずれ電力をはじめとする計算リソースが不足することは目に見えています」

一方で、福水教授が研究を進めてきたカーネル法などを高度化すれば、少量の計算リソースでディープラーニングと同じ性能を実現できる可能性を秘めており、日夜その研究に勤しんでいるところだ。

「カーネル法の場合、現時点では、ディープラーニングが扱うようなビッグデータの処理には不向きですが、もしそれが可能になれば、低い計算コストでディープラーニングと同程度の性能を出すことができるかもしれません。ＡＩを社会により深く、より広く浸透させるためには、コストを大幅に下げる必要があります。カーネル法で大量のデータを扱える計算方法が確立できれば、どこでも誰でもＡＩを利用することができます。その実現が私の大きなモチベーションになっています」