「科学的サンドボックス」が研究者に視覚システムの進化を探求させる

なぜ人類は、今日のような目を進化させたのでしょうか？ 科学者たちは過去にタイムトラベルして、自然界に存在する多様な視覚システムを形作った環境圧力を研究することはできませんが、MIT の研究者が開発した新しい計算フレームワークにより、人工知能エージェントにおいてこの進化を探求することが可能になりました。 彼らが開発したフレームワークでは、具現化された AI エージェントが何世代にもわたって目を進化させ、見ることを学習します。これは異なる進化的系統樹を再現することを研究者に許す「科学的サンドボックス」のようなものです。ユーザーは、世界の構造や AI エージェントが完了するタスク（例えば、食料を見つけることや物体を見分けることなど）を変更することでこれを行います。 これにより、なぜある動物が単純な光感受性パッチを目として進化させたのか、一方で別の動物が複雑なカメラ型目を進化させたのかを研究することが可能になります。 このフレームワークを用いた研究者の実験は、タスクがいかにエージェントの目の進化を駆動したかを示しています。例えば、彼らはナビゲーションタスクが、昆虫や甲殻類のような多数の個体単位を持つ複眼の進化をもたらすことが多いことを発見しました。 一方、物体識別に焦点を当てた場合、エージェントは虹彩と網膜を持つカメラ型目の進化を起こしやすくなる傾向がありました。 このフレームワークは、実験的に研究することが難しいビジョンシステムに関する「もしも」の問いを科学者が探求することを可能にするでしょう。また、エネルギー効率や製造可能性といった現実世界の制約と性能のバランスを取るロボット、ドローン、ウェアラブルデバイス向けの新しいセンサーやカメラの設計を導くこともできます。 「進化がどのように起こったかというすべての詳細を遡って解明することは決してできませんが、本研究では、ある意味で進化を再現し、これらの異なる方法で環境を探求できる環境を作成しました。この科学を行う方法は、多くの可能性への扉を開きます」と、MIT メディア・ラボの大学院生であり、本論文の共著者であるクシャグラ・ティワリ氏は述べています。 論文の共筆者には、同様に共同第一著者の大学院生アロン・ヤング、大学院生のツォフィ・クリンホーファー、現在はストーニーブルック大学の助教となった元ポスドクのアクシャト・デーブが含まれます。また、脳科学・認知科学部門のエージェント・マクダーモット教授であり、マッゴーヴァイン研究所の研究者、脳・心・機械センターの共同ディレクターであるトマーゾ・ポッジオ氏も名を連ねています。共筆者には、脳・心・機械センターのポスドクであり、カリフォルニア大学サンフランシスコ校への着任が予定されている助教ブライアン・チーング氏、MITメディア芸術科学部の准教授かつカメラカルチャーグループのリーダーであるラメシュ・ラスカル氏も含まれます。さらにライス大学やルンド大学の研究者たちも参加しています。本研究は本日、『Science Advances』誌に掲載されました[https://doi.org/10.1126/sciadv.ady2888]。 **科学的なサンドボックスの構築** この論文は、ロボット工学など異なる分野で有用となる新たなビジョンシステムを発見することについて研究者間で議論を始めたことから始まりました。彼らの「もしも」の問いを検証するため、研究者たちは[AI を用いて多様な進化の可能性を探る](https://mit-genai.pubpub.org/pub/bcfcb6lu/release/3)ことを決定しました。 「『もしも』という問いは、私が科学を学ぶようになったきっかけでした。AI によって、私たちは通常では答えられないような問いを立てることのできる、具現化されたエージェントを作成するユニークな機会を得ています」とティワリー氏は述べています。 この進化的サンドボックスを構築するために、研究者たちはカメラのすべての要素、すなわちセンサー、レンズ、絞り、プロセッサなどを取り込み、それらを具現化された AI エージェントが学習できるパラメータに変換しました。 彼らはこれらの構成要素を、エージェントが時間をかけて視覚器官を進化させる際に使用するアルゴリズム的学習機構の起点として利用しました。 「宇宙全体を原子レベルでシミュレーションすることはできませんでした。どの材料が必要で、どの材料が不要なのか、そして異なる要素間にどのようにリソースを配分すべきかを決定するのは困難でした」と、チェン氏は述べています。 彼らのフレームワークでは、この進化アルゴリズムは環境の制約とエージェントのタスクに基づいて、どの要素を進化させるかを選択できます。 各環境には単一のタスク（ナビゲーション、食物の識別、獲物の追跡など）が用意されており、これらは動物が生きていくために克服しなければならない実際の視覚タスクを模倣するように設計されています。エージェントは、世界を見渡す単一の光受容体と、視覚情報を処理する関連するニューラルネットワークモデルからスタートします。 その後、各エージェントの一生を通じて、強化学習（reinforcement learning）を用いて訓練が行われます。これは試行錯誤型の手法であり、エージェントがタスクの目標を達成した際に報酬が与えられます。また、環境には、エージェントの視覚センサーに割り当てられるピクセル数などの制約も組み込まれています。 「これらの制約は、設計プロセスを駆動します。これは、光の物理法則のような私たちの世界の物理的制約が、私たち自身の目の設計を駆動してきたのと同じ方法です」とティワリー氏は述べています。 多くの世代にわたって、エージェントは報酬を最大化するビジョンシステムの異なる要素を進化させます。 彼らのフレームワークは、個々の遺伝子がエージェントの発達を制御するように変異する計算による進化の模倣を行うために、遺伝的符号化メカニズムを使用します。 例えば、形態学的遺伝子は、エージェントが環境をどのように見るかを捉え、目の配置を制御します；光学遺伝子は、目が光とどのように相互作用するかを決定し、受容体の数を規定します；そして神経遺伝子は、エージェントの学習能力を制御します。 **仮説の検証** 研究者がこのフレームワークで実験を設定したとき、タスクがエージェントが進化させたビジョンシステムに大きな影響を与えることを発見しました。 例えば、ナビゲーションタスクに焦点を当てたエージェントは、低解像度センシングを通じて空間認識を最大化するように設計された目を発達させました。一方、物体検出のタスクを与えられたエージェントは、周辺視野よりも前方の視力に重点を置いた目に進化しました。 別の実験では、視覚情報を処理する際に、脳が大きいことが常に良いとは限らないことが示されました。目の受容体の数といった物理的制約に基づき、一度にシステムに入力できる視覚情報の量には限界があります。 「ある時点で、脳が大きくなってもエージェントには全く役立たず、自然界では資源の無駄になります」とチェンは言います。 将来、研究者たちはこのシミュレーターを用いて特定の用途に最適なビジョンシステムを探求し、科学者がタスク固有のセンサーやカメラを開発するのを支援したいと考えています。また、LLM をフレームワークに統合して、ユーザーが「もしも」の質問をより容易に行い、追加の可能性を検討できるようにすることも目指しています。 「より想像力豊かに質問することには、実際に大きな利点があります。私はこれが、特定の分野に限定された狭い問いに焦点を当てるのではなく、はるかに広い範囲の問いに答えようとする、より大規模なフレームワークを他者が創り出すことを促すことを願っています」とチェンは述べています。 本研究は一部、脳・心・機械センターおよび国防高等研究計画局（DARPA）のアルゴリズムとアーキテクチャ発見のための数学（DIAL）プログラムによって支援されました。

「科学的サンドボックス」が研究者に視覚システムの進化を探求させる

背景や根拠まで確認しますか？

調べる

選ぶ

サイト