Beyond AI Logo

複合AIによる問題解決手法 Problem-solving methods using multiple AI models

構成メンバー

People

研究リーダー Project Leader
田中 純一 教授 Junichi Tanaka Professor
東京大学 素粒子物理国際研究センター International Center for Elementary Particle Physics, The University of Tokyo
研究者 Researchers
  • 齊藤 真彦 特任助教 Masahiko Saito Project Assistant Professor
  • 岸本 巴 特任助教 Tomoe Kishimoto Project Assistant Professor

ビデオ

Movie

課題

Challenges

AIを便利な「ツール」からより「知能」らしく Making AI more “intelligent” beyond a useful “tool”

素粒子実験分野でもAIを活用した研究が進んでいますが、あくまで1つ1つの問題に対して適用するに過ぎず、「知能」というよりも、単なる便利な「ツール」という位置づけにとどまっています。私たちの究極の研究テーマは、この状況を一歩でも前進させ、より「知能」らしいふるまいができるAIとはどういったものか、を追求することです。素粒子実験の問題からスタートし、私たちを含めた多くの研究者が一丸となって行っている多段階型の問題処理を如何に機械学習の枠組みに落とし込み、従来以上の成果が得られるか、ということに挑戦します。この研究を通して「ツール」を超えたより「知能」らしいAIの可能性を模索します。

Although research using AI has been advancing in the field of particle physics experiments, AI is only applied to one problem at a time and is regarded as a useful “tool” rather than a form of “intelligence.” Our ultimate research theme is to take this situation one step further and pursue how AI can behave more like intelligence. Starting with the problems of particle physics experiments, we will take on a challenge to incorporate multi-stage problems, for which many experimental particle physicists including ourselves have been working together, into a framework of machine learning with expecting better results than before. Through this research, we will explore the potential of AI that looks like “intelligence” rather than “tool.”

研究の内容

Details of Project

問題解決に向けて調整・統括の役割をAIに取り入れる Integrating the roles of adjustment and supervision into AI to solve problems

人間が直面する問題は、一見シンプルに見えているにもかかわらず、実は複数の問題が重なり合っているため、個別の問題を解決した先に最終的な問題が解決できる、というような複合・多段階型の問題であることが多くあります。私たちの社会では、こういった問題に対して、一つの大きな問題の全容を把握し、解決に向けて種々の問題の間を調整・統括するような役割をもつ人を置くことで、問題解決に至るまでの効率を高め、質の高い解決策を得ることが出来るようになります。このような仕組みをAIの中に取り入れることで、AIの効率化を図るとともに、従来のAIができなかったような成果を得ることが期待出来ます。

Although problems we encounter seem to be simple at first glance, they are often complex and multi-staged. Since an actual problem involves subproblems, the final solution may be reached only after all the subproblems have been solved. To tackle such a problem in our society, we improve efficiency to solve issues and derive high-quality solutions by assigning people who can understand the whole picture of the problem, and adjust and control its subproblems. Incorporating such a mechanism into AI is expected to improve the efficiency of AI and achieve results that conventional AI could not.

【1】AIをAIが学習する「Multi-AI」の開発 [1] Developing “Multi-AI” where AI learns from AIs

個々の問題を調整し全体を指揮するAIフレームワークとして、多段階で、機能毎に構成されたAI群(=機械学習モデルの集合)を統括AIが学習し、問題に合わせて適宜選択するような「Multi-AI」の研究開発を行っています。これまで、多段の機械学習モデルを接続し、最適化するフレームワークの開発を進めてきました。今後、多段化による複雑な損失関数を取り扱うための高度なパラメータ最適化などの研究を行います。さらに、多段化された機械学習モデル間のデータから人間が理解できるような情報を獲得する可能性、学習済みの機械学習モデルの再活用(多段化された転移学習等)による問題解決などの研究を進めていきます。

As an AI framework for coordinating individual subproblems with controlling the whole process, we have been working on the research and development of “Multi-AI,” in which the control AI learns from a group of AIs (i.e., a set of machine learning models) configured for each function and then selects an appropriate AI from them for each subproblem. So far, we have developed a framework for connecting, optimizing and selecting multi-step machine learning models. In the future, we will conduct advanced research on parameter optimization to handle complex loss functions in the multi-step processing. We will also investigate the feasibility of getting information that can be understood by humans from intermediate data between machine learning models, and solving problems by reusing trained machine learning models (e.g., multi-staged transfer learning).

【2】Multi-AIの応用可能性を実証する [2] Demonstrating the feasibility of applying Multi-AI

並行して、このようなMulti-AIの仕組みを、素粒子物理国際研究センターで行っている素粒子物理実験のデータに適応します。私たちの実験では、数100ペタバイト(1ペタバイトは、1000兆バイト)というビッグデータを扱っています。そのようなビッグデータから新しい素粒子などの発見、たとえば、2012年のヒッグス粒子発見を行うためには多段型の問題を解く必要があります。Multi-AIが有効に機能すれば、素粒子物理分野の研究が進むのはもちろん、Multi-AIの応用可能性が実証されることになります。さらに、素粒子物理以外の一般社会における課題等にも応用し、本研究で開発したフレームワークの有効性を示していくことを目指します。

Concurrently, we will apply this Multi-AI framework to the data of particle physics experiments conducted at the International Center for Elementary Particle Physics, the University of Tokyo. In our experiments, we handle big data of several hundred petabytes (1 petabyte is 1000 trillion bytes). To discover new subatomic particles, etc., from such big data, we need to solve multi-stage problems, as shown in the discovery of the Higgs boson in 2012. If working effectively, Multi-AI will not only advance research in the field of particle physics but also demonstrate its applicability. Furthermore, we aim to demonstrate the effectiveness of the framework developed in this project by applying it to problems in general society other than particle physics.

価値・期待

Values / Hopes

AIを理解する Understand AI

大きな問題を1つの機械学習モデルとして解くAIと細分化して小さな問題として解くAIには人間の解釈性という点では後者に分があると考えています。細分化・多段化することによる(少々の)性能ロスがあったとしても、解釈性が担保できれば、素粒子実験のような自然科学のみならず実社会においても説明が求められる課題に対してAIの活用が進むと考えています。

Considering two types of AI: one that solves a large problem as a single end-to-end machine learning model and the other that solves subproblems by subdividing a problem, we think that the latter is better in terms of human interpretability. Despite the (slight) performance loss that comes with subdividing and multi-staging, if interpretability can be ensured, such an AI could be used in order to solve problems that require explanation for their solutions in both natural science, such as particle physics experiments, and the real world.