組織・メンバー

人類はこれまで、自然現象の観測や実験、そして科学者の深い洞察を通じて、物理学の基本法則や基礎方程式を発見してきました。計算物理学は、これらの基礎方程式に基づき、コンピュータシミュレーションを用いて複雑な物理現象を解明・予測する演繹的なアプローチです。

一方、機械学習やAIは、物理法則に直接依拠することなく、観測・実験・計算機シミュレーションから得られたデータを用いて未知のデータを予測する帰納的な手法です。

知能学習チームでは、データサイエンスと従来の物理学を橋渡しする研究を進めています。これには、統計物理学や物性物理学から得られた知見を活用し、大規模データセットの理解を深めるためのパラメータ抽出を行うことや、実験・観測データと計算機シミュレーションを組み合わせることで、多自由度を持つ従来困難であった問題を解決することが含まれます。私たちは、データサイエンスと従来型物理学の間に存在するギャップを埋めることを目指しています。

物理学において機械学習は、主として大量の実験データから物理量を推定したり、データの特徴を抽出したりする目的で用いられています。物理学で扱われるデータは、誤差や信頼性が厳密に管理された高品質なものです。場合によっては、理論計算の結果そのものがデータとして用いられ、相図や量子状態の同定に利用されることもあります。

これらの目的のためには、優れた予測性能を持つだけでなく、結果の信頼性を評価できる学習アルゴリズムの設計が重要です。

また、物理学由来の高品質データを用いることは、理想化された環境において学習過程がどのように進行するのかを理論的に研究する上でも有用です。
ニューラルネットワークを用いた機械学習は、脳内のニューロンの働きと多くの興味深い類似性を示すことが知られています。さらに、機械学習の理論研究は、脳の働きを数理的に表現する枠組みの構築や、その複雑な過程、すなわち「知」の創発を解明する数理物理学の発展につながることが期待されています。

深層学習で用いられる多層ニューラルネットワークは、最終的には非線形な多体系として理解されると考えられています。知の物理学研究センターでは、非平衡統計力学および物性物理学の理論的視点から、知がどのように現れるのかを探究することを目的としています。

我々は非線形・非平衡物理における革新的な実験と最先端の物理理論を融合することで、深層学習における学習過程を理解し、その効率を高めるための新たな方法論を開発します。深層学習の基本原理に取り組むだけでなく、物性物理学、生物物理学、天体物理学など、さまざまな分野の現象理解への応用も目指しています。

最終的には、機械学習・深層学習を通じて幅広い物理学分野における科学的発見を加速し、自律的に発見を行う機械の構築を目標としています。