ニューラルネットワークとは？人工知能やディープラーニングには欠かせない基本的な仕組みと構造について

人工知能やディープラーニングに欠かせない「ニューラルネットワーク」。人間の頭脳をもとに考え出された仕組みなのですが、具体的にその内容を把握している方は多くありません。

また、人工知能やディープラーニングといった分野においては専門的、学術的なサイトが多く、一般の人が理解するうえではハードルが高く感じてしまいがちです。

そこで今回は、ニューラルネットワークとは何なのか、その構造や機械学習の方法などをできるだけ分かりやすく、具体的な事例なども交えながら紹介していきます。

この記事を最後まで読んでいただくことで、人工知能やディープラーニングの基本となるニューラルネットワークの概要を知ることができます。

ニューラルネットワークの基本

ニューラルネットワークは人工知能の発展において重要な役割を果たす仕組みのひとつです。とりわけ第三次人工知能ブームにおいてはディープラーニング（深層学習）が大きなキーワードとなっていますが、ディープラーニングを実現するうえでもニューラルネットワークは必要不可欠な存在です。

ニューラルネットワークを簡単に説明すると、人間の脳の仕組みを応用した人工知能のモデルとなるものです。人間の脳にはニューロンとよばれる脳細胞がありますが、これを模した仕組みであるためニューラルネットワークとよばれています。

「人工知能」という名の通り、脳を人工的に作り出すために考え出された技術がニューラルネットワークであるといえるでしょう。

このように、ニューラルネットワークの基本は人間の脳細胞を模したものであり、ディープラーニングに必要不可欠な存在であるというのが大きなポイントです。

ニューラルネットワークの構造

ニューラルネットワークは人間の脳細胞を模した仕組みです。そのため、ニューラルネットワークの基本的な仕組みや構造を理解するためには、まずは人間の脳細胞であるニューロンというものを理解する必要があります。

人間の脳には無数の神経細胞がありますが、それぞれが結合を繰り返しながら進化しています。神経細胞から「軸索」とよばれる触手のようなものが伸び、他の神経細胞にある「樹状突起」とつながります。

これを繰り返し、脳細胞は進化していくのですが、この結合したひとつの脳細胞の単位を「ニューロン」とよんでいます。そのため、ニューロン同士の結合が活発になることによって脳細胞も活性化していくことになります。

また、ニューロン同士が結合する際には軸索と樹状突起の間に「シナプス」とよばれるものが存在し、一定の電気信号になって初めて他のニューロンと結合するという仕組みになっています。

例えば、教科書を一通り眺めただけでは記憶に定着しないのは、脳内に流れる電流が少ないためにシナプスが他の細胞に電流を送ることができないことが原因です。繰り返し読んだり書いたりすることで、脳に繰り返し情報が入ってきて、そのたびにシナプスに電流が流れて結合を促進することになります。

ちなみに、人間の頭脳には微弱な電流が流れているということを耳にしたことがある方も多いと思いますが、これはニューロン同士が情報をやり取りする際に生じているものです。それではこのような人間の脳の仕組みをニューラルネットワークに応用するとどうなるのでしょうか。

ニューラルネットワークの構造もニューロンと基本的には同様で、さまざまなデータをもとに出力を行います。このとき、「データ」を樹状突起と考えると分かりやすいです。入力される情報が多ければ多いほど、判断材料も豊富になり正確なデータが出力されることになります。

どれだけの量のデータが入力されたか、その「重み」となるのがシナプスであると考えることができます。出力されたデータは新たに記憶のようなものとして定着し、次のニューラルネットワークと結合していきます。

これがニューラルネットワークの基本的な構造です。

ニューラルネットワークの種類

ニューラルネットワークには大きく分けて3つの種類が存在します。それぞれの特徴について分かりやすく簡潔に紹介しましょう。

１．ディープニューラルネットワーク

ディープラーニングには欠かせないニューラルネットワークの仕組みです。ニューラルネットワークの結合は従来3層までしか対応できませんでしたが、ディープニューラルネットワークの登場によって4層以上の多層に対応可能になりました。

２．畳み込みニューラルネットワーク

画像認識や自然言語処理の分野において利用される仕組みで、「CNN（Convolutional Neural Network）」ともいわれます。画像を認識する際に、画像全体像を比較するのではなく、局所的に一部分を切り取りながら対応付けをしていくというものです。

３．再帰型ニューラルネットワーク

再帰型ニューラルネットワークは時系列を扱う際に利用されるもので、「RNN（Reccurent Neural Network）」ともよばれます。文章における文脈や日時データなどの連続的なデータを判断するときに多用されます。

ニューラルネットワークとディープラーニング

ニューラルネットワークの歴史は意外と古く、実は1940年代前半に形式ニューロンというものが発表されてから70年以上の歳月が流れています。その間、人工知能はブームと衰退を繰り返してきました。2006年にディープラーニングという発想が生まれて以降、現在に至るまで第三次人工知能ブームが続いています。

なぜディープラーニングがここまでのブームになったかといえば、ニューラルネットワークの進化があります。それまでのニューラルネットワークは3層までの層数にしか対応できなかったのですが、4層以上に対応可能となったことで精度が飛躍的に向上する結果となりました。

当然のことながら3層よりも4層以上のほうがより細かな条件で比較することができ、人工知能の精度も大幅に向上します。この仕組みこそがディープラーニングを支えるカギであり、もっとも重要なポイントといえます。

ニューラルネットワークの学習

ニューラルネットワークがなぜディープラーニングで重要な役割を果たすのかといえば、学習していく仕組みにあります。分かりやすく説明するために、文字認識と画像認識の例を挙げてみましょう。

１．文字認識の一例（教師あり学習）

紙に書いた数字を読み取るとき、人間は即座にその数字を把握することができます。人によって文字の特徴やクセはあるものの、多少崩れた文字であっても読み取ることは可能です。

これは、その人がこれまで経験してきた過去の事例をもとに無意識に脳内で判断しています。人間が話す言葉も幼少期から耳で慣れ親しんでいくことで自然と身に付いていくことと似ています。

実はニューラルネットワークもこれと同じ仕組みで学習していきます。文字認識の場合は膨大な手書きデータをコンピュータへ取り込み、たとえば「7」と「1」の違いや「9」と「0」の違いも僅かな特徴を手がかりに判断します。

しかし、判断基準の元となるデータが不足していると、正確な判断を下すことができません。より精度の高い判断を可能とするためには、できるだけ多くのデータをコンピュータに読み込ませることが必要となります。

このように、過去の事例やデータなどを根拠に比較して判断する機械学習を「教師あり学習」とよびます。

２．画像認識の一例（教師なし学習）

次に画像認識における一例を紹介します。複数の色の紙を色別に分類するとき、人間は目で見て瞬時に選別していくことができます。このとき、視覚で色をとらえ、脳内で同じ色の紙を仲間としてグループ分けするというアクションを無意識に行っています。

ニューラルネットワークも同様に、色を自動的にグループ化することができます。しかし、この場合は事前に過去の事例やデータを入力しているわけではありません。入力データの中で同じものを判断し、カテゴリー別に分類するという作業を行っています。

教師あり学習と決定的に違うのは、過去のデータではなく入力データのみから判断しているという点にあります。このような機械学習の手法を「教師なし学習」とよびます。

ニューラルネットワークの分類と回帰とは

ニューラルネットワークを理解するうえでもうひとつ重要なのが、「分類」と「回帰」という2つのポイントです。

１．分類

分類とは教師あり学習のひとつで、複数の条件分岐などから予測を行う際に利用されます。文字認識の例においては、過去のデータと照合し、その文字の特徴をつかむ際に応用することができます。

また、人物のプロフィールなどからその人の性格を予測したり、天気概況から次の日の天候を予測したりといったことにも応用が可能です。

２．回帰

連続したデータを読み取り、その傾向を読み取る際に利用されるのが回帰です。分類と同様に教師あり学習に分けられます。

分類とは違い、その後どうなるかを予測するのではなく、データからどのような傾向が読み取れるかを分析する際に利用されます。統計学にも似た仕組みといえるでしょう。

ニューラルネットワークとパーセプトロン

パーセプトロンとは脳内の神経細胞をモデル化したものです。ニューラルネットワークは複数の層によって構成されていますが、パーセプトロンはそのなかでも最小単位となるクラスと考えて良いでしょう。

パーセプトロンの基本的な構造は、入力された情報に対して0または1のどちらかの結果を出力するというものです。そのため、ニューラルネットワークほど複雑な構造ではなく、実装可能なものも単純なシステムなどに限られます。パーセプトロンの実装事例としては、スパムメールの判定で特定の文字列が含まれるものを抽出するなども考えられます。

今回ニューラルネットワークの「層」として紹介してきたものは、このパーセプトロンのことを指します。複数のパーセプトロンの組み合わせを多層パーセプトロンともよび、この層が厚くなればなるほど人工知能としての精度も増していくことになります。