JP4726236B2 - 人工知能を備える装置 - Google Patents

Description

本発明は、多次元空間に属する情報データをそれより低次元の空間に射影するためのアルゴリズムに関する。本発明はまた、該アルゴリズム及び該アルゴリズムを含むプログラムに基づいて、多次元情報データの認知的分析を行うための方法に関する。このようなアルゴリズムは、記録サポート、及び人工知能を備える装置に記憶される。

本発明は、多次元空間に属する情報データを、より低次元の空間に射影するためのアルゴリズムに関する。
本発明は特に人工知能の分野に関し、計算タスクを実行するとともに複雑なｎ次元のデータを解析できるマシンを提供することを目的としている。このような解析により、多次元空間に属するデータを２次元或いは３次元空間のデータとして表して、多次元空間に属するデータを評価することが可能になる。このような評価は、認知的タスクのために行われる。認知的タスクとは例えば、単純化した表現イメージを作り出すこと、或いは厳密な計算関数もしくは数学的関数により表すことができないような、データ記録のグループ間の関係の有無を評価することである。また、このような評価は、計算タスクのために行われる。計算タスクは、厳密な数学的関数に基づかない問題を解決する。

周知のように、自然は、厳密解を持つ関数、或いは何らかの数学的解を持つ連立方程式により必ずしも表されるものではない。厳正科学においては、関係を単純化するためにモデルが構築される。これにより、数学的検討を加えやすくなり、データ間の関係、或いは一見して相関関係がないデータ間の相関関係を数学的に表すことが可能になる。関係を単純化することによりまた、データの相関度を評価するための数学的手段が得られる。更に、モデルはイメージや構造を認識したり構築したりして、グラフ化するためにも利用可能である。

自然の物理学的或いは化学的性質をより良く理解し分類して、評価することが可能な人工知能を有する装置のためのツールを得る上で別の問題も存在する。人工知能の役割が、厳正科学的或いは技術的問題又は構造に関してのみ分析や検査を行うことに限られないということである。すなわち、人工知能は社会的問題も処理しなければならない。社会的問題を数学的ツール或いは厳密な計算関数により表すことは非常に難しい。この場合装置は、自らの意思に従って或いは本能に従って行動する個人に対応することになるが、意思や本能は、数学的モデルにより表すことのできないものである。なぜならば、出来事とこのような個人の行動の関係を表す数学的モデル、或いは明確な規則が存在しないからである。

人間は、環境刺激を分析した上で或る行動を起こすことを決定することにより、この刺激に対して応答する能力を有する。刺激が明らかな相関関係を有しないときにも、このような応答を行なう。このような過程は、無意識的に行われるから、論理的には予測不可能な行動を引き起こす。刺激間に既知の関係が存在する場合も、このような関係を考慮しても、このような行動を予測することはできない。一方で、このような行動は多くの場合正しいか又はほぼ正しい。或いはこのような行動は多くの場合、一定の結果を収める。直感などとして呼ばれるこのような行動は、論理的基礎をもたず、論理的思考にしたがって行われるものではないと考えられる。

人工知能は、計算機に基づいているから、このような計算機が情報データを解析或いは変換するのを補助する装置が必要である。このような補助装置は、単に計算機により制御されるか若しくは利用される。補助装置は、数学的或いは計算的見地から処理しやすい関係関数を計算機が認識及び／又は創出することを可能にする。このとき、情報が変質されたり、情報の一部が認識されなかったりすることはないので、人間知能の「直感」による振る舞いを、少なくともある程度シミュレートできる。

データベースの記録は、或る空間における点として表される。このような点の配置は、データベースの記録に対応する変数値により決定される。原則的には、このような点による表示は、逆に、変数値が点により表されており、変数値の配置が点により決定されるものであってもよい。このような射影には以下のような利点がある。まず第１の技術的利点として、ｎ次元の情報データにおいては隠されていた、すなわち人間と機械のいずれにも不明瞭であったある種の関係を発見できることである。記録或いは変数値が点で表されている空間において、記録及び／又は変数値の相対的位置は、記録或いは変数値の同一性を示すからである。第２の技術的利点は、情報データの単純化が、データを計算評価の対象となりうるデータに変換することに役立つからである。データを計算評価することにより、計算機がデータを解析して、このデータへの適切な応答を決定するとともに、より迅速且つ簡単に計算ジョブを実行することが可能となる。尚、数学的或いは計算的問題として、理論上、実際には計算できない解も存在する。

データにより表されている情報を変形することなく、３次元空間のデータを２次元空間のデータにするというマッピング問題の解決は、例えば環境からイメージ・データを収集するとともにイメージを作り出すマシンと深い関連性を有する。イメージは、オブジェクトを識別するか、或いは少なくとも所定のオブジェクトを区別することにより作り出される。オブジェクトは、障害となるオブジェクト、若しくは将来的に障害となりうるオブジェクトを少なくとも区別する。この場合、３次元空間に配されて３次元的な広がりを有する物理的オブジェクトに関する情報を２次元マップに変換可能なマシンは、劇的に計算機の構造を単純化するとともに計算負荷を低減することができる。

人工知能を有する非人型マシンについていえば、上述のような技術的効果は既に実現されている。例えば人型ロボットのような人型マシンにおいては、このような技術的効果は更に重要である。これは、このようなマシンは多数のセンサを備えるので、非常に高い計算負荷及び評価負荷がプロセシング・ユニットに加わるからである。

本発明に係るアルゴリズムは、人工知能に関するのに加えて、人間知能がｎ次元空間（ｎは３より大きいものとする）に属する情報データ間の関係を検査並びに解析するのを補助することも可能である。このような検査並びに解析は、データを２次元或いは３次元空間に射影することにより行われる。このように射影されたデータは、人間知能が３次元或いは２次元空間として理解可能な表現となる。このような空間において表現されたデータは、人間知能がデータ間の関係を理解し、解明するのを助ける。４次元若しくはそれより高次元の空間においては、このような関係は認識不可能である。

ｎ次元空間からそれより低次元の空間（特に３次元或いは２次元空間）にデータを射影するための既知のアルゴリズムは、所定の特性を有する射影関数を用いて、射影空間における各点の位置を計算する。このような射影アルゴリズムの例として、いわゆる主成分分析（Principal Component Analysis）（ＰＣＡと略する）が挙げられる。ＰＣＡは「analysis of a Complex of Statistical Variables into Principal Components」（『J. Educ. Psychol.』、24:498−520、H.Hotelling著、１９３３年）に解説されている。このアルゴリズムは、N個の因子とN個の新しい変数を定義する段階からなる。新しい変数のこのようなベースを用いると、データの再組織は、線形性の制約の範囲内で、第１因子にできるだけ多くの情報を詰め込むことにより行われる。マッピングする段階は、計算された因子を用いて測定値／変数を書き換える段階と、それぞれの値を２次元マップにプロットする段階を備える。プロットする段階においては、計算された因子Ｆ１／Ｆ２、Ｆ３／Ｆ４などを座標として用いる。

線形射影のベースにおいてのみ機能するこの種の射影アルゴリズムは、射影する段階において何らかの情報が失われることを決定する。この状況を理解するために、３次元空間から２次元空間への通常の射影について考える。線形射影において、２つの点が離れて位置するような第３の次元に対して２次元射影空間が直角であるならば、３次元座標のうち１つに沿って所定の距離を有する２つの点は非常に近く現れるかもしれない。ＰＣＡアルゴリズムにおいては、単純にいうと上記の状況が起こる。既知の技術を用いると、情報データが射影されるより低次元の空間におけるデータ間の関係は劇的に歪曲される。このような歪曲により、データ間の関係が打ち消されたり、或いは異常に強調されたりすることがある。

本発明に係るアルゴリズムは、データ間の関係を過度に変形させることなく、Ｎ次元の情報データをそれより低次元の空間、特に２次元或いは３次元の空間に射影することを目的とする。

本発明に係るアルゴリズムは以下のステップからなる。
特定数の変数を備える記録としてのＮ次元のデータからなるデータベースを提供する段階と、データベースの各記録間の距離を計算するためのメトリック関数を定義する段階と、それまでの段階で定義されたメトリック関数を用いて、データベースの各記録間の距離のマトリックスを計算する段階と、各記録がｎ−１の座標で定義されるｎ−１次元空間を定義する段階と、進化的アルゴリズムを用いて、ｎ−１次元空間の各記録のｎ−１の座標を計算する段階と、ｎ−１次元空間への前記記録の最適な射影として、ｎ−１次元空間の各記録における前記記録の距離マトリックスをｎ次元空間において計算された前記記録の距離マトリックスと最もよく一致する或いは差異が最小となる射影を定義する段階である。
進化的アルゴリズムとしてはいわゆる遺伝的アルゴリズムを使用してもよい。

この種のアルゴリズムは、様々な方法（例えば、略式の試行）で計算される解の開始親集団に基づいて新たな解を提供する。親集団の解は、遺伝における遺伝子の基本的な結合と同様に結合される。すなわち、このような結合により、新たな別の解が導かれる。このような新たな解は、適合度スコア（例えばこの場合ｎ及びｎ−１次元空間の距離マトリックスと比較しての誤差或いは差異）について評価されるとともに、親集団の解との関連性が求められる。このような関連性は、新たな世代の他の解との結合が起こり、更なる世代が生成される可能性に影響を及ぼす。

このような計算では、進化的アルゴリズムを用いて射影空間における点同士の距離が計算される。このような計算においては、元の空間における点同士の距離に対して誤差が最小限となるように、且つ射影空間における情報データが情報データの具体的な構造について独立したものとなるように行われる。よってＰＣＡアルゴリズムとは異なり、本発明に係るアルゴリズムは所定の特性を有する射影関数を用いない。このような射影関数は、射影空間における点の位置を計算するための関数である。

本発明に係るアルゴリズムは情報データの射影と特定の進化的アルゴリズムを結合するものである。このような進化的アルゴリズムについては、以下の実施例において詳述する。

簡潔に説明するために、２次元空間への射影について説明すると、より詳しくは、本発明に係るアルゴリズムは以下のような数学的問題を解決するものである。
所定のN個の点のL次元空間における距離について、これらの点の所定の距離のマトリックスにしたがって、２次元空間におけるこれらの点の最適な分布を求める。
上記の問題は数学的に厳密には以下のように表される。
２次元空間におけるマップ距離は例えば次のように定義される。

Mｄはマップ距離、ｉ及びｊは点の数、Ｐｘ及びＰｙは２次元空間におけるこれら点の座標を表す。

ベクトル距離を例えば以下のように定義される。

尚、Ｖｄはベクトル距離、ｉ及びｊは異なる点を表すインデックス、Ｖｋはベクトル成分を表す。

よって、上述の数学的問題は、以下のような最小値Ｅを求めることである。

古典的な射影を行う場合、射影において次数が低減されるのにしたがって、２つの点が区別されなくなるという事態が起こりうる。よって、情報が変質されてはならないとき、或いは、それより低次元の空間において、少なくとも部分的に維持されなければならないとき、数学的見地からは不正確な射影が行われることになる。

本発明に係るアルゴリズムは、座標Ｘ，Ｙを備える点により表される各個別の記録を符号化することにより、上記の問題を解決するものである。各点に対する異なるＸ，Ｙ座標の組が定義され、より低い次元空間への射影解の第１集団が形成される。該より低い次元空間が２若しくは３次元空間である。

最初のN次元空間内の単一の点の距離マトリックスをフィットネス関数として用いて、 フィットネス関数として第１集団の射影のそれぞれに対する適合度スコアが計算される。遺伝的アルゴリズムの結合則に従って、前記射影の集団を結合させ、これにより、射影の第１世代集団を生成する。該第１世代集団が、前記点に対するＸ，Ｙ座標を備え、該Ｘ，Ｙ座標が親世代の２つの射影内に設けられた座標の結合である。
前記第１世代の射影の適合度スコアを算出し、前記第１世代に基づき、再度、新たな世代を形成する段階を備える。

親世代の射影の特定の結合基準を用いて、進化的アルゴリズムは各世代の解を計算する。この結合基準は、該親世代の適合度スコアに基づいている。このときの解は、よりよい適合度スコアを備えて、最適解に収束するものである。

いくつかの遺伝的或いは進化的アルゴリズムが知られている。これらのアルゴリズムは、例えば、多くの場合親の結合基準において異なる。親の結合基準は、次世代の解を算出するために用いられる。このような基準は、親世代の２つの要素について、許容される或いは禁止されている「結合（marriage）」に関する。またこのような基準は、親世代の２つの要素がそのデータの集合を結合するためのメカニズムに関する。この場合、結合されるデータは、より低次元のマップにおけるそれぞれの点の異なる座標である。

本発明に従って利用される特定の進化的アルゴリズムとして、いわゆるジェネティック・ドーピング・アルゴリズム（Genetic Doping Algorithm）が例示できる。ジェネティック・ドーピング・アルゴリズムは、「Genetic Doping Algorithm GenD」（M. Buscema著、２０００年、「Technical Paper 22e」所収、Edizioni Semeion、ローマ）、及び「Reti neurali artificiali e sistemi sociali complessi」（Massimo Buscema & Semeion Group著、１９９９年、Edizioni Franco Angeli s.r.l.、イタリア ミラノ、チャプター２１） に開示されている。これらの開示は、本明細書の一部とみなされる。

簡単に要約すると、GenDアルゴリズムは、特別に変更された規則を規定する。この規則に従って、親世代から次世代の新たな要素が算出される。

進化的アルゴリズムに一般的であるように、第１段階として、GenDは、各要素の適合度スコアを計算する。この計算は、最適化を必要とする関数に基づいて行われる。この場合の関数は、分布関数であり、データ記録の一般的なデータ集合を、トレーニング集合及びテスティング集合に最適化する。続いて、集団全体の平均健全度スコアが計算される。平均健全度の基準となるのは、各世代の集団の全ての要素の、第１に脆弱性、第２に再結合性である。

集団の平均健全度に等しいか或いはそれより低い健全度を有する要素の全ては、脆弱性リストに入れられる。これらの要素は、削除されるのではなく、標識されてその後の段階にも利用される。脆弱性要素の数は、その世代について許容される最大結合数を自動的に決定する。各世代について可能な結合数は、集団の平均健全度によって異なる。第３段階として、GenDアルゴリズムは要素同士を組にする。集団の要素の全てがそれぞれ、結合を受ける可能性がある。ランダム結合の最大数は、脆弱性要素として標識された要素の数の半数に対応する。

組を作って、子を生成するためには、候補である要素の両方が、平均適合度値に近い適合度値を有さなければならない。更に、要素の組のそれぞれが次世代を生成する可能性がある。なぜならば、各組の１若しくは２つの要素が、集団全体の平均健全度と等しいか或いはそれより高い健全度を有すれば、結合が可能であるからである。別の再結合規則によると、GenDアルゴリズムは、集団全体の平均健全度値と比べて、非常に低い健全度を有する要素と、非常に高い健全度を有する要素の間の結合を検討しない。すなわち、非常に弱い要素と非常に健全な要素は結合しない。

結合による組み換えは、親世代の要素の遺伝子の古典的交差を意味しない。２種類の組み換えにより、GenDアルゴリズムは親世代の遺伝子を選択的に結合する。 反復が許可されている場合にはロジック交差、反復が許可されていない場合には、日和見交差により結合が行われる。

ロジック交差は４つの場合に当てはまる。
１．両親の健全度が集団全体の平均健全度より高い
２．両親の健全度が集団全体の平均健全度より低い
３．及び４．一方の親の健全度が平均健全度より低いが、他方の親の健全度が集団全体の平均健全度より高い
１．の場合は、古典的交差によって組み換えが起こる。
２．の場合は、２つの子世代の要素は、親の遺伝子を拒絶することにより生成される。
３．或いは４．の場合は、健全な方の親の遺伝子が子に伝えられる。健全度が低い親の遺伝子は拒絶される。
上記の拒絶とは、拒絶された遺伝子が削除されるのではなく、単にこれらの遺伝子が置換されることを示す。遺伝子の置換はランダムに起こるのではなく、スライディング・ウィンドウ基準に従って行われる。各遺伝子は異なる遺伝的特徴或いは状態を有する。この場合スライディング・ウィンドウ方式による置換においては、実際に拒絶された遺伝子は同一の遺伝子であるが、原初の状態として別の状態を有する遺伝子と置換される。よって置換中にGenDアルゴリズムにより用いられる基準は、遺伝子の状態の置換のみを起こすから、異なる状態は、親の要素において遺伝子が備えていた状態とみなされる。

日和見交差については、この種の交差は、反復が許可されていない場合に実行される。この場合、親は、ランダム交差点において重複する遺伝子を備える。この場合また、親のより効果的な遺伝子を選択して、子孫が生成される。全ての子孫が生成されるまでこのようなメカニズムが反復される。

GenDアルゴリズムの更なる基準は、最終機会基準に基づく。最終機会基準は、弱い要素を標識するとともに、変異により結合に参加して結合メカニズムに再加入することがないようにするメカニズムである。起こりうる変異の数は、潜在的な結合数と実行された結合数の差異として計算される。変異は、脆弱性リストにある標識された要素に起こる。このように生成プロセスに参加する機会を持たなかった個体が、進化的プロセスに加わる最終機会を与えられる。

上述のこの特殊な進化的アルゴリズムの主要な特徴に関する簡単な説明から、集団システムの世界的な傾向を考慮すると、GenＤアルゴリズムにおいては、結合数及び変異数は外部パラメータではなく、自己定義可能な内部変数であることが明らかである。

更に、古典的進化的アルゴリズムと異なり、GenDアルゴリズムの基本単位は、要素ではなく、種である。各世代の集団全体の平均健全度の形態で、種は要素の進化に作用する。要素と、集団の平均健全度の間のフィードバック・ループは、本発明に係るアルゴリズムが集団を全体として要素の羅列から、要素の動的システムに変質させることを可能にする。

更なる改良点として、本発明に係るアルゴリズムは、いわゆる隠蔽された点を定義可能である。その存在が想定されるだけの点である隠蔽された点は、親集団に加えられる。このような点には、射影において座標Ｘ_ｈｉ，Ｙ_ｈｉにより表される位置が与えられる。

進化的アルゴリズムの計算は、隠蔽された点を加味する場合と、加味しない場合とで平行して実行される。これらの２つの平行した計算により得られた最適射影は、比較される。隠蔽された点はＮ次元空間における点の実際の位置の詳細をより良く理解するのに役立つ。したがって、より低い次元での射影におけるこれらの位置をより正確に近似することに役立つ。

図１は、本発明にかかるアルゴリズムのメカニズムにおける、隠蔽されたユニットを加味する場合と加味しない場合の評価に関する本発明に係るアルゴリズムのメカニズムを示す。
図は、Ｌ次元空間から２次元空間への射影について説明しているが、本発明に係るアルゴリズムは、３次元或いはＬ−１次元空間への射影にも同様に利用可能であることは明白である。通常、２或いは３次元空間への射影が好ましい射影である。なぜならばこのようなデータ表現が人間には理解されやすいからである。人工知能を備える装置の認知的容量を、本発明を用いて増加させると、装置の目的であるタスクを実行するために必要である場合、４若しくはそれ以上の次元の空間を用いることが可能である。

本発明に係るアルゴリズムにより実行される射影は、２次元若しくは３次元のユークリッド空間への射影であってもよい。若しくは、このアルゴリズムが射影を計算する方法が、例えば２次元平面への射影ではなく、２次元表面への射影として理解されてもよい。２次元表面は、曲面状であるが、図としては平面上に表現される。

或るデータベースが、所定数の記録を備え、各記録が所定数の変数により特徴付けられるとすると、このアルゴリズムを用いて、データベースを２つの異なる方法で射影することが可能である。

第１の方法は、記録を点として、変数をこれら点の座標として考える方法である。
第２の方法は、第１の方法とは対称的に、記録を変数として考える方法である。
２つの空間は観察及び変数空間として定義され、射影により、記録及び／又は変数の間の関係が見出される。

本発明に係るアルゴリズムの有効性、及び隠蔽された点という手段並びに２つの射影という手段により収集される情報を理解するために、以下ではいくつかの例を説明する。具体的な例により、本発明に係るアルゴリズムの技術的意義が明らかにされる。本発明に係るアルゴリズムの技術的意義は、点のより低い次元のマップを非常に高速に計算するとともに、各点或いは記録により表される情報データの構造及び意味を独立して形成するだけにとどまらない。人工知能（例えばロボティクス）の分野では、このような技術的意義は、計算機が情報データを分析することにより、情報データが複雑であってもデータ間の関係を認識或いは定義可能であることにある。計算機に計算能力をもたらす上で、また計算機が実行するように設計されている特定のタスクに関する決定を下す上で、複雑な問題における情報データの関係を認識することは重要である。

本発明に係るアルゴリズムは、多次元情報データの認知的分析のための方法を提供することを特徴とする。
所定数の記録を備えるデータベースが用意される。この記録はそれぞれ１つの特徴と所定数の変数の間の関係を表す。Ｎ次元空間における各記録の距離マトリクスは、所定のメトリック関数にしたがって計算される。Ｎ次元空間は各記録を特徴付ける変数の数により定義される。

このマトリックスは、フィットネス・マトリックスとして、上述のアルゴリズムを使用するときに、記録或いは変数をより低い次元の空間（２若しくは３次元空間）に射影するために用いられる。

記録或いは変数の２若しくは３次元空間での表示は、記録或いは変数間の特定の関係を識別するために用いられてもよい。

本発明に係る方法を適用可能な問題として、分子を構成する少なくとも一部の原子間の距離がわかっているときに、分子の構造を決定するという問題が例示できる。この問題は、いわゆる非拘束最適化問題に関する。

本発明に係る方法は、分子構造の２或いは３次元射影を計算可能である。このような射影は人間が理解可能な図に表されることができる。更に、この問題に関して、複雑な分子を解析するとき、隠蔽された要素（この場合隠蔽された原子）を追加することにより射影を行うことが可能である。これにより、非常に複雑な分子の分子組成及び構造を調べるための手がかりが得られる。

本発明に係る方法は、情報データの構造に対して独立しているから、数学的問題以外の問題（例えば社会学的問題）を扱うこともできる。社会学的問題を処理する場合には、第１段階において、異なる社会的変数を計るための数値的尺度が提供される。このことは、通常それほど困難ではない。なぜならばこの種の変数はしばしば異なる状態により特徴づけることが可能で、このような状態は、論理値「真」、論理値「偽」、及び「該当せず」により定義可能であるからである。この場合、数値的尺度は、順に１、（−１）、及び０である。

本発明に係る方法の別の形態によると、本発明に係るアルゴリズムを、この他の種類の射影アルゴリズムと組み合わせて用いて、情報データをＮ次元空間からそれより低次元の空間（特に２若しくは３次元空間）に射影することも可能である。これらのアルゴリズムは、本発明に係るアルゴリズムと比べて、情報構造に影響を受けやすい。

本発明に係る射影アルゴリズムとともに使用可能なアルゴリズムとしては、クラスタリング・アルゴリズムの一種である、いわゆる「自己組織化マップ」（Self Organizing Map、ＳＯＭ）アルゴリズムが挙げられる。既知の自己組織化マップ・アルゴリズムは、「Self Organising Maps」（T．Kohonen著、Springer Verlang、ベルリン、ハイデルベルグ、１９９５年）或いは、「Reti neurali artificiali e sistemi sociali complessi」（Massimo Buscema & Semeion Group著、１９９９年、Edizioni Franco Angeli s．r．l．、イタリア ミラノ、チャプター１２）に詳しく説明されている。

自己組織化マップは射影グリッドが予め定義されていることを前提としており、このグリッドに記録のコードブックを射影する。この射影は、適切なアルゴリズムを用いて行われる。このようなアルゴリズムにおいては主要な変数が他の変数に優先している。

自己組織化マップ射影は、Kohonenユニットと呼ばれるデータ・クラスタを発生させる。自己組織化マップ・アルゴリズムにより、情報データを作り出す同時に、本発明に係るアルゴリズムはその後、作り出されたKohonenユニットを再射影する。この射影により、より組織化された詳細なマップが新たに作成される。

この手順は複数の自己組織化マップ・アルゴリズムを利用して、変数の意味を考慮し、本発明に係る射影アルゴリズムを利用して実行された射影の適合度スコアを評価することを可能にする。この射影は、フィットネス関数により行われ、フィットネス関数は、Ｎ次元空間における情報データを表す点の距離マトリックスである。また、本発明に係る射影アルゴリズムは、隠蔽されたユニットについても考慮することができる。よって、低い次元の空間における再現の精度が確保されるとともに、より複雑でより多くの情報を提供する射影が実行可能となる。図２は自己組織化マップ・アルゴリズムと本発明に係るアルゴリズムの組み合わせを示す概略図である。本発明に係るアルゴリズムにより、自己組織化マップ・アルゴリズムの利点と、最初の射影空間を隠蔽されたユニットを変形して、射影の再現精度を向上するという本発明に係るアルゴリズムの特徴が組み合わされる。

本発明はまた、分子を構成する原子間の距離に関する完全な或いは部分的なデータから、分子の２若しくは３次元構造イメージを構築するための方法を提供する。

本発明はまた、人工知能を備えるマシンに関する。このマシンは、人間知能の「直感的」論理を模擬する過程に基づくアクションを実行する。このような直感的論理は、人間知能が、一見して非化学的或いは非物理的性質に関する相関性のないデータ及び／又は環境から収集された物理的或いは化学的データに曝されたときに働くものである。

（実施例１）
実施例１では、アルゴリズムがオブジェクト間の距離に関するデータからマップを生成する方法を説明する。
図３及び図４は、データセット及び本発明に係るアルゴリズムを用いた２次元マッピングの第１の例を示す。
データセットは、１０のイタリアの都市を備え、各都市間の高速道路の距離が提供されている。高速道路の距離は、ユークリッド空間における実際の２次元の距離ではない。これは、全ての高速道路の距離には、３つの変化が起こるからである。３つの変化とはすなわち、長さの変化、高さの変化、及び構造的な変化である。よって、線形アルゴリズムを用いて、高速道路の距離のみを考慮して都市が配置された２次元マップを作成すると、各都市の位置は実際の相対位置とは異なるものとなる。

アレッツォという都市のその他の都市からの距離は、アルゴリズムに与えられていない。しかし、自由に決定可能な距離値がアルゴリズムに与えられているから、アルゴリズムは隠蔽された都市を探す。隠蔽された都市とは、その存在は推測されるが、位置がわからない都市である。

隠蔽された都市の第１の無作為に選択された距離は、隠蔽された都市のための距離マトリックスに与えられる。これにより、アルゴリズムが初期化されて、隠蔽された都市の第１の無作為に選択された位置を修正し始める。図４に示すごとく、本発明にしたがって描かれたマップと、地理的なマップを比較すると、隠蔽された都市がアレッツォであることがわかる。

本発明に係るアルゴリズムは非線形射影を実行可能であり、このアルゴリズムを用いると、データベースにある距離にしたがって決定された都市もまた、２次元マップ上に配置される。このような配置は、これらの都市の相対距離のマトリックスに対して、これらの都市の相対位置を最適化することにより行われる。実際の位置との差異は非常に小さい。これらの解は図４に示される。

（実施例２）
実施例２は実施例１と同様のマッピング問題の例である。この場合、データベースは、１２の米国の都市と、これら都市の相対的な飛行距離を備える。隠蔽されたユニットは提供されていない。
この場合もまた、飛行距離には実施例１と同様の変化が起こる。
またこの例においては、これら都市の２次元マップへの射影は、上述の変化を正確に受けないので、これら都市のマップ上での位置は、現実と比較してずれていることがある。

本発明に係るアルゴリズムにより得られる結果は、図６に示すマップである。このマップにおいては、これら都市の位置の距離マトリックスに対する誤差は３．０７％に過ぎず、各都市の位置は実際の地理的位置と非常に近い。

（実施例３）
実施例３はより複雑な例である。この例は、本発明に係るアルゴリズムが、一見して論理的関係を持たないデータ間に関係或いは相関関係をどのように生成するかを説明する。

データベースは、１９９４年のヨーロッパの国の食糧消費量に関する。このデータベースは、食物の種類に関する９の変数を備える。９の変数とは、穀物、米、ジャガイモ、砂糖、野菜、肉類、牛乳、バター、卵である。
１６の国に関して１６の観察が行われた。１６の国とは、ベルギー、デンマーク、ドイツ、ギリシャ、スペイン、フランス、アイルランド、イタリア、オランダ、ポルトガル、英国、オーストリア、フィンランド、アイスランド、ノルウェー、スウェーデンである。

本発明に係るアルゴリズムによってデータベースが評価され、図８のマップが得られた。
この２次元マップにおいて、円はその国の属する地理的領域を示す。本発明に係るアルゴリズムにより行われた射影は、同様の食糧消費を示す国の複数のグループと、どの国が同じ地理的領域に属するかを示す。更に、２次元射影は、アイルランドが、その他のどの国と比べても非常に異なる食糧消費動向をもつことを明確に示している。特に、同じ地理的領域の国と比べてアイルランドの食糧消費動向は異なっている。

図９は、記録を変数とみなしたときのデータベースの射影を示す。すなわち、ここでは、観察国が変数とみなされており、この変数は観察空間として定義されている。本発明に係るアルゴリズムによっても、射影が行われた。図９のマップはまた、データベースからは明らかでない関係を示している。

上記から、本発明に係るアルゴリズムが行う射影は、非線形であるから、隠蔽された情報を生まないことが明らかである。ＰＣＡアルゴリズムは、情報を失わないためには、情報データを２つの異なるマップに表すことを必要とする。一方で、本発明に係るアルゴリズムによる射影は、情報及びデータ間の関係を隠蔽しない。

より詳細には、本発明に係るアルゴリズムにより構築されるデータ間の相関度は、いわゆる「共有情報（share information）」方程式により決定される。この方程式は、マップの２つの点の間の関連度の大小を決定する。この方程式は、最初の多次元空間におけるデータベースの２つの異なるデータ記録を表す２つの点の間の共有情報を、確からしさの点から表現している。よって本発明に係る方法は、マップの２点間の関連度を、関連の確立として定義する。

本発明に係るマッピング・アルゴリズムが隠蔽されたユニットを発見する能力について再び説明すると、この能力は更に別の技術的問題を解決するために利用可能である。例えば、分子を構成する原子のリストが不完全である場合若しくは距離のマトリックスが不完全である場合に、複雑な分子の２若しくは３次元のマップを描くことができる。

上述のごとく、データベースもまた不完全であってもよい。すなわち、或る種類の原子が存在するとわかっている一方で、この種類の原子間の距離が不明であってもよい。本発明に係るアルゴリズムは、隠蔽されたユニットを考慮する能力を備えるから、このアルゴリズムは、原子間の距離が距離マトリックスに与えられていない原子を、分子内の他の原子に対して、正確な或いは最も確からしい位置に配置することができる。

最後の例で説明した、隠蔽されたユニットを考慮する能力を利用する別の方法によると、本発明に係るアルゴリズムは、分子の組成が完全には判明していないときに、この分子内に存在することがわかっていない原子についても考慮することができる。また、このアルゴリズムは、他の原子に対するこの原子の最も確からしい位置に関する仮説を立てることも可能である。よって分子構造の更なる解明に寄与できる。

（実施例４）
図１０は、１３の変数とそれらの補完的変数を示す。１３の変数は、所定数（具体的には１１７人）の個人のアナグラフ・データ（図示化不能なデータ）及び医学的データに関する。ここでの課題は、データベースを分析してアルツハイマ病或いはアルツハイマ病が進行する可能性に何らかの関係をもった、関連性を発見することである。１３の変数から、これらの変数の補完的変数が定義される。補完的変数は、これら変数の補完的値である。

上記のデータベースのデータが２次元平面に射影された。結果が図１１に示されている。このマップから以下のような結論が得られる。すなわち、２つの変数の値が近いほど、それらの情報は高い位置に示されており、これは２つの変数が類似していることを示す。

図１２において、マップの各変数と各補完的変数は直線で結ばれている。この直線は、これら変数の相対的距離を決定する。数学的見地から、この直線が長いほど、その変数がデータベースにおいて有意であるといえる。これは、その変数の標準分散度が大きいからである。

（実施例５）
図１３は、結合された射影アルゴリズムのダイアグラムを示す。この結合された射影ダイアグラムは２つの異なるアルゴリズムからなり、一方のアルゴリズムは、本発明の射影アルゴリズムである。

特定数の個体に対する異なる変数のデータベースは、医療的な種類、アナグラフ（anagraph）的な種類及び社会的な種類の１９の変数を備える。データベースの記録は自己組織化マップ（ＳＯＭ）として知られるアルゴリズムを用いて構築される。このアルゴリズムは記録をセル或いはユニットに集束させる。データベースは実施例４に示すデータベースを拡大したものである。

本発明のアルゴリズムは、ＳＯＭによって計算されたユニットに適用され、最適な方法で集束されたユニット及び記録を２次元マップに分散させる。コードブック・プロトタイプが、グループの一部をなす各ユニットのコードブックの平均として計算される。

射影アルゴリズムによって作り出された２次元マップ上のユニットのグループは、マップ上のクラスタリングにより評価される。本発明の射影アルゴリズムが４つのグループの存在を強調するであろうことは明らかである。

図１４は、ダイアグラムを示し、このダイアグラムは、１９の変数を備えるデータベースから始まり、このデータベースにＳＯＭを適用し、その後射影アルゴリズムがデータベースに適用される。これにより、４つのグループが射影マップ上に作り出される。各グループは、特定のコードブック・プロトタイプを備え、この特定のコードブック・プロトタイプは、右側の表にリストとして示される。

考慮された変数は、アルツハイマ病に関連する変数である。考慮された多くの事項は、１１７人の患者についてのものである。異なるグループが進行中のアルツハイマ病に罹患した患者の異なるパーセンテージにより特徴付けられる。コードブック・プロトタイプは、特定の医学的変数及び／又は特定のアナグラフ的な変数及び／又は特定の社会的な変数の相関に関する見解を与える。これにより、個体ごとのアルツハイマ病が進行するリスクが決定可能である。

興味深いことに、年齢とアルツハイマ病が進行するリスクに対する相関は低く、その一方で、知的レベル或いは学校教育レベル、肉体的運動及び行動に関連する他の変数のような社会的変数は、４つのグループに対して差異を生じせしめている。即ち、アルツハイマ病の進行のリスクに差異を生じせしめるものとなっている。学校教育レベルを上げること及び／又は肉体的運動量を増加させること及び教育的・文化的レベルを上げることは、進行中のアルツハイマ病に罹患した個体のパーセンテージを低減させることとなる。尚、グループ間に差異を生じさせることに関連しないようにみえる特定の病理学的な変数或いは特定の医学的な変数もいくつか存在している。

上述の射影から、異なる仮説が推定される。
・組織学的レベルでのアルツハイマ病は、海馬内のタングル（Tangle）或いは新皮質内のプラークから独立して発生する。そして、異なる移行確率で、新皮質内のタングルに達し、海馬内のプラークに進む。この仮説は、本発明の射影アルゴリズム並びにＳＯＭシステムから得られる証拠により支持される。
・深刻なブラーク段階（Braak Stage）は２つの異なる病状に関連し、この病状間に相関関係はない（このことは、ＳＯＭシステムによって支持される証拠により示される）。
・新皮質内のプラーク及び海馬内のタングルの分布は、ＳＯＭシステム内の２つの異なる種類の事項により結び付けられる。
・MMSE、ADL、BOSTON及びCNPRはこれらの間で強く結び付けられる。同様に、WRCL及びVRBFは互いに結び付けられる。この証拠は、本発明に係る射影アルゴリズムを介して得られるマッピングにより支持される。マッピングにおいて、異なる２つの領域に２つのテストグループが配されている。
・教育年数はアルツハイマ病の病状特徴に強く結び付けられる。（その証拠は、本発明のアルゴリズムによって支持される。）
・異なる非管理型組織を統合して使用すると、特定のコードブック・プロトタイプを備える事項の４つの自然なクラスタが識別可能となる。

（実施例６）
実施例６は、分子構造を決定する方法に関連し、この方法において、少なくとも特定の原子と少なくとも他の原子との間の原子間距離が既知のものとなっている。
この場合において、分子のマップを作り出すために、本発明のアルゴリズムがこの方法に用いられる。このマップは、既知の原子間距離に最も適合するものである。
このようにして、分子構造は得られ、この分子構造は、情報を喪失したり、隠蔽したり、歪めたりすることはない。

データベースが形成され、データベースは、変数として、分子の一の原子と他のもう一つの間の距離を備える。データベースは、図１７に示すようなマトリックスとして表される。
このデータベースは、Ｘ線写真検査を分子に対して実行するというような方法で得られる。このような方法は、結晶の格子構造を決定するために用いられる物性固体物理学の分野では一般的に用いられる技術である。或いは、他の電流測定手段がデータベースを得るために用いられてもよい。

一度、データが測定により得られると、データベースがマトリックス状態で作り出される。各列及び各行は、同様の列及び行のインデックスを備え、原子を識別する。各一対の原子の間の距離それぞれは、列及び行のインデックスにより識別される。そして、この原子間距離はマトリックス状に表として示される。マトリックスの対角線要素それぞれが「０」の値として示され、この対角線に対して対照的な値を備えるマトリックスとして、結果が表示される。２つの原子間の相対的距離に関するデータが存在しない部分については、予め定められた値がマトリックス要素に配される。本実施例においては、「−１」の値が選択されている。

次の段階として、本発明のアルゴリズム及び２次元空間或いは３次元空間いずれかのマップを作り出すための前述の方法がデータベースに適用される。この結果は、図１８及び図１９にそれぞれ示される。図１８は、２次元空間マップを示し、図１９は３次元空間マップを示す。複数回の実験において、測定された距離のデータベース内の実験データに対する作り出されたマップの適合度スコア及び誤差が算出される。適合度スコアは０．９６乃至０．９８の範囲に達する。誤差に関しては、２種類の誤差が算出される。誤差の算出には、以下の式が用いられる。

上記式は、２種類の誤差のうちエラー１を定義するものである。

上記式は、２種類の誤差のうちエラー２を定義するものである。

ここで、エラー１は、算出されたマップDistI_j内のユークリッド距離とデータベースDistR_jの測定された距離の差異の絶対値の合計である。エラー２は、データベースDistR_jの測定された距離に対する算出されたマップDistI_j内のユークリッド距離の割合誤差の差異の絶対値の合計である。

上述のアルゴリズムと他の実施形態を組み合わせたアルゴリズムの変更形態を本実施例にも適用可能である。本実施例において、２次元或いは３次元の分子マップの図は、２次元或いは３次元空間内の射影に従った分子の原子の相対的位置を表し、この相対的位置の問題は、前述した実施例の地理学的マップを描くときの問題点と類似するものである。

この理由について説明すると、分子構造を決定するための方法の更なる改良として、１若しくはそれ以上の仮想の或いは仮定の原子を定義する段階を設けることが挙げられる。この仮想の或いは仮定の原子は、後述するように、隠蔽された原子として示される。隠蔽された原子は、分子構造内に存在するかもしれないし、或いは、実験的に決定されないかもしれない。この更なる段階或いは改良は、マッピングの例における隠蔽された都市のうち１つに似ている。上述の例においては、都市「アレッツォ」が、他の都市からの距離値を与えられることなしに、データベース内に導入された。このように、本実施例の方法を実行することで、アルゴリズムは、１若しくはそれ以上の原子を考慮することとなり、マップ内でそれらを示すこととなる。隠蔽された分子は、本発明の方法により決定された分子の構造マップ内で強調して示されてもよい。この結果、本発明の方法は、この１若しくはそれ以上の原子に対して、分子構造内での他の原子からの座標及び／又は距離に関する予測を与えることとなる。この結果は、より詳細且つより明確な実験的調査として使用可能であり、分子の構造解析として使用可能である。この構造解析において、この１若しくはそれ以上の予測された隠蔽された原子の実際の存在が確認されうる。

この点から、本発明の方法は、分子の構造解析に係る方法と分子内に更なる原子が存在するか否かを予測するための方法の一方を実行してもよい。ここで、本実施例の仮想の分子が２５個の原子のみを有するものとする。この原子数は、有機化学或いは生化学を考えるならば小さな原子個数である。このような化学分野においては、より多数の原子を備える巨大分子が研究対象となっている。

一般的な観点から、分子構造を決定するための方法或いは分子構造や地理学的マップを調査し、更なる「隠蔽された」要素を調査し、分子或いはマップの構造の他の既知の要素に対する当該隠蔽された要素を予測する方法は、マップを生成する一般的な方法として考えられる。マップ中の仮想的要素の存在が明らかでなく、他の要素に対する仮想的要素の一が未知である場合において、マップ中の仮想的要素の存在を予想する一般的な方法として考えられる。

一般的な原理を支持するこの方法の更なる実施例として、天体マップ或いは星のマップを作り出すことや、星或いは他の天文学的物体の存在を予想することや、特定数の星や他の天文学的物体の相対的距離に対するデータに基づいて、他の天文学的物体に対する星或いは他の天文学的物体の一を予想することに適用可能である。この種の調査は、物体の軌道摂動の観察、測定或いは評価に基づく複雑な演算を避けることを可能とする。そして、未だ観察されていない或いは隠蔽されている天文学的物体が存在する確率に関する第１の指標を与えることを可能とする。

本発明は、人工知能を備える装置にも関連する。この人工知能は、関連性或いは相関を有しているとは考えられないデータを評価する能力を備える。この人工知能を備える装置は、人間の直感的過程に類似する環境的刺激に対する反応行動を与えるものである。

上述した如く、環境的データは、直接的或いは明白な相関又は関連性を示さないかもしれない。人工知能を備える装置が、非活動状態或いは装置の動作が妨げられた状態となって、これらデータ及び人工知能を備える装置のこれらデータに対応する反応が計算可能なものでなくなるかもしれないし、評価可能なものでなくなるかもしれない。それにもかかわらず、人間は、データに対する反応が受動的なものであるか、能動的なものであるかを決定することにより、データが明らかに相関的な刺激因子であるか否かを評価することが可能である。ここで、ロボット或いはこれに類するような人工知能を備える装置を考える。この装置は、環境に対して相互作用する必要があるが、ここではこの装置はそのように作られ或いは適応していない。（例えば、タスクに対して不必要な刺激因子は除去され、この装置はタスクを実行する）。秩序立てられておらず、刺激因子間で明らかに関連性がない場合や刺激因子間で直接的に認識可能な関連性がない場合において、収集された刺激因子に対してどのような反応をする必要があるかを決定する際の評価をなすには、ロボット技術は大きな進歩を遂げる必要がある。
このような、人間の「直感的」動作の類をシミュレートする装置やロボットの能力は、非常に重要な技術であるといえる。

本発明に係る装置は、図１５に示されている。本発明の装置は、処理ユニット（１）を備える。処理ユニット（１）は、従来のコンピュータの電子部品と類似している。この場合、装置のケース或いは本体の少なくとも一部としてハウジングが形成される。
処理ユニット（１）は、メモリ（２）に接続する。メモリ（２）は、装置を動作させるプログラムに対して設けられ、このプログラムは、処理ユニット（１）によって動作される。更なるメモリ（３）はデータ用に設けられる。このデータは、デバイスへの入力或いはデバイスからの出力に関連する装置のコンフィギュレーション・データであってもよく、アクチュエータ、機能的操作ユニットやツールに関連する装置のコンフィギュレーション・データであってもよい。これらアクチュエータ、機能的操作ユニットやツールは、装置に備えられ、全てが処理ユニット（１）によって動作可能とされる。

複数の入力デバイスが用いられてもよい。入力デバイスは異なる種類のものであってもよく、これらは図１５に示す例において、ボックス（４）内にまとめられている。入力デバイスは、設計において装置に定められたタスクに対応して異なったものが用意されている。したがって、人間型ロボットのような非常に改良されたロボット化された装置において、入力装置はセンサであってもよい。このセンサが、機械的、電気的、音響学的、電磁的或いは化学的刺激といったような物理的及び化学的刺激因子に相互作用する。このようなセンサの数及び種類は、装置が動作される状況によって適宜定められる。
キーボード或いはリーダといった入力インターフェースなどの他の入力デバイスは、携帯型メモリデバイスに設けられる。携帯型メモリデバイス上で、データは保存される。携帯型メモリデバイス上に保存されるデータは、センサ手段によっては装置に直接的に検知されないデータである。

プログラム・メモリ（２）に保存されるプログラムは、複数のルーティン或いはセクションを備える。複数のルーティン或いはセクションそれぞれは、特定のタスクを実行するために専用的に設けられる。複数のルーティンは、アクチュエータを動作させ、デバイス或いはユニットを動作させる。また、複数のルーティンは、センサによって得られたデータを収集し、このデータを評価ルーティンへ供給する。

通常の通行状態の道路を通過する装置に対する単純な刺激因子ではなく、人間を模擬する基本的機能を実行する能力を備えるロボットのような、高度に改良された人工知能を備える装置を考えるならば、装置にもたらされる刺激因子の数は非常に多く、同一の刺激源から派生する異なる種類の２つの刺激因子が装置のセンサに到達し、同一の刺激源であることの関連性が直接的に或いは明らかに認識できないという状況も発生しうる。

図１６は、このような状況を図形的に示している。
２つの自動車Ａ及びＢが平行な経路を移動していることを考える（図１６中、矢印（１０、１１）で示されている）。そして、経路の一方の側に配された反射バリア（建造物（１２，１３）或いはそれに類するようなもの）を考える。そして、この反射バリアに対向するように、自動車の反対側にロボット化された装置（１５）を配した場合を考える。
装置は２つの視覚センサ（１１５）（例えば、カメラ）並びに２つの音響センサ（例えば、マイクロフォン）を備える。これにより、３次元のイメージ情報及び３次元の音響的情報を収集可能となる。

複数の円によって作り出され、表示される音響波は、音響的刺激として直接的に装置に到達する。図１６において、この音響学的刺激は矢印（１６，１７）で示されている。これらの音響的刺激は、矢印（１８）で示されるような反響した音波の形態としても到達する。したがって、２つの自動車の直接的な音響波と反射した音響波は、重なり合い、混合されることとなる。
このような状況下で、ロボット化された装置（１５）によって入力データが収集されると、この入力データは特定数の変数をもたらすこととなり、これら変数間の関連性は、すぐに或いは直接的に明らかになることはない。

収集された入力データを備える記録を有するデータベースを形成し、上述した本発明のマッピング・アルゴリズムを実行する。これによりマップが作り出される。このマップ内で記されたデータの近似データは、装置に対して、一のデータの他のデータに対する相関に関する尺度を与えることとなる。これにより、装置は正確に音響的刺激と視覚的刺激を関連付けることが可能となる。即ち、いずれの音が自動車Ａによりもたらされ、いずれの音が自動車Ｂによりもたらされるかを認識可能となる。
これは、本発明のアルゴリズムによる評価段階であり、実施例３、４及び５により説明された工程と類似するものである。

更に、反射された音響波を音響波の源として捉えることも可能である。データベース中に隠蔽された音響波発生器を提供し、本発明のアルゴリズムを用いて、装置は、マップ内において反射源を見極めるとともに、その位置並びに移動も見極めることも可能である。そして、これらに対して、反射された音響波に関連する音響的刺激に関連付けることができる。相関の尺度を備えるマッピングを結合させることにより、装置が、自動車ＡとＢいずれが反射波の主要要素として参照されるべきか見極めることを可能とする。

プログラム内で符号化（コード化）アルゴリズムの形態で本発明の方法を適用することも可能である。
これにより、人工知能を備える装置の処理ユニットによって、アルゴリズムが実行可能となる。そして、このことによって、上述の実施例に示す如く、視覚的或いはイメージ的刺激因子と音響的刺激因子との間の相関を見極めることが可能となる。この相関は、装置によって検知された刺激因子からは直接的に認識できなかったものである。

適切なモデルを構築し、物理的法則に基づくプロセスを現わす数式によって、上述の例に対する解を得ることも可能である。しかしながら、このような問題を解くための方法において、予め環境の状態の知識が必要となる。したがって、構築されるべきモデルに対して、克服しがたい限界がある。更に、刺激因子の数を増加させることは、もはや正確な物理的関数により問題を取扱うことが不可能となることを意味する。なぜなら、多数の変数を伴う場合、正確な解を正確な計算によって得ることができないためである。本発明の装置は、少なくとも１つの処理ユニット（１）とプログラム・メモリ（２）を備えるものである。プログラム・メモリ（２）内に本発明のアルゴリズムを備えるプログラムが格納され、このプログラムが処理ユニット（１）により実行される。そして、本発明のデータ処理方法が実行され、環境状態の予めの知識を用いることなく解を得ることが可能となる。即ち、装置が配される環境についての知識を要することがない。このことは、装置に対してもたらされる状況を表現する正確な数学的モデルの作成の必要性を未然に除去するものである。更に、多数の刺激因子が装置にもたらされたときであっても、装置は機能し、動作可能である。

処理ユニットは、本発明のアルゴリズムを実行する。本発明のアルゴリズムは、実行可能なプログラムの形態であり、出力としてマップを作成する。更に、アルゴリズムは、上記実施例の説明で定義されたような「共有情報」に関連するパラメータとして近似値を作り出す。この出力は評価され、決定プログラムに対する入力として用いられる。決定プログラムは、装置のアクチュエータの機能を動作させる。更には、学習プログラムを備えさせ、装置に生じたイベントを保存するようにしてもよい。これにより、更なる演算タスクを改善することが可能となる。

本発明に係る射影アルゴリズムの構造を表す線図である。 本発明に係るアルゴリズムと自己組織化マップ・アルゴリズムを組み合わせて示した線図である。 実施例１にしたがってイタリアの都市間の高速道路の距離を示すデータベースを示す図である。 図３のデータベースに基づく該データベースの都市の２次元射影マップを示す図である。 実施例２にしたがった米国都市間の飛行距離のデータベースを示す図である。 図５のデータベースに基づく該データベースの都市の２次元射影マップを示す図である。 実施例３にしたがった１９９４年のヨーロッパの国の食糧消費量のデータベースを示す図である。 図７のデータベースの射影を示す２次元線図であり、該射影は本発明に係るアルゴリズムにより合成された変数空間に表されている。 図７のデータベースの射影を示す２次元線図であり、該射影は本発明に係るアルゴリズムにより合成された観察空間に表されている。 １３の変数と該変数の第４の例における補完的変数を示す図である。 図１０の変数の射影の結果を表す図であり、該射影は本発明に係るアルゴリズムによる２次元平面への射影である。 図１のマップ上での図１０の変数と補完的変数との関係を示す図である。 本発明に係る第５の方法を示す図であり、射影アルゴリズムは、いわゆる自己組織化マップと組み合わせて用いられている。 図１４の方法と、変数の集合のコードブック・プロトタイプの表を示す別の線図であり、該変数の集合は、データベースの２次元マップへの射影により定義される。 本発明に係る人工知能を備える装置を示すブロック線図である。 人工知能を備える装置（例えばロボット）の非常に単純化した例を示す図であり、該装置は本発明にしたがって正しい反応をすることが可能である。 本発明に係る分子構造の２若しくは３次元イメージを、該分子を形成する原子の間の距離についての不完全なデータから生成するための方法の一例を示す図である。 本発明に係る分子構造の２若しくは３次元イメージを、該分子を形成する原子の間の距離についての不完全なデータから生成するための方法の一例を示す図である。 本発明に係る分子構造の２若しくは３次元イメージを、該分子を形成する原子の間の距離についての不完全なデータから生成するための方法の一例を示す図である。

Claims (24)

1. 進化的アルゴリズム処理を行なう人工知能を備える装置であって、
   該装置は、データ・メモリ（３）及びプログラム・メモリ（２）に接続する処理ユニット（１）を備え、
   前記処理ユニットは、１若しくはそれ以上の異なるセンサに接続し、該センサは、異なる物理的及び／又は化学的状態、或いは、環境に特徴付けられる若しくは環境内で発生する物理的及び／又は化学的効果若しくは工程を検知或いは測定し、
   前記処理ユニットは更に、職務従事者によるデータ入力手段若しくは他のデータ収集装置からのデータ入力ラインに接続し、
   前記処理ユニットは更に、アクチュエータ或いはそれに類する手段と接続し、該手段は機械的、物理的或いは化学的動作を担い、
   前記プログラム・メモリ内で、前記処理ユニットにより実行可能なプログラムがロードされ、該プログラムは一義的に認識可能な方法で、前記センサにより収集されたデータ、或いは、前記プログラムが職務従事者或いは他の装置により入力されたデータを処理して前記機械的、物理的或いは化学的動作を担うアクチュエータ或いはそれに類する手段を起動或いは停止させ、
   前記プログラム・メモリ内に格納された前記プログラムが、前記処理ユニットにおいて、前記センサにより収集されたデータ及び／又は職務従事者或いは他の装置により入力されたデータを評価する手段を実現し、
   前記プログラムは、サブルーティンを備え、該サブルーティンは、多次元データの認知的分析として３次元空間に属する情報データをより少ない２次元空間に射影することにより行われ、
   前記プログラムは、前記処理ユニットにおいて、
   前記センサにより収集された３次元のデータ及び／又は職務従事者或いは他の装置により入力された前記データのデータベースを提供し、
   前記データベースは、特定数の変数を備える記録形態であって、
   前記プログラムはさらに、前記処理ユニットにおいて、
   前記データベースの各記録間の距離を計算するメトリック関数を定義し、
   前記段階で定義された前記メトリック関数を用いて、前記データベースの各記録間の距離のマトリックスを計算し、
   ２次元座標により定義される各記録を備える２次元空間を定義し、
   進化的アルゴリズムによって、２次元空間内の各記録の２次元座標を計算し、
   ２次元空間内の記録の距離マトリックスが、３次元空間内で計算された記録の距離マトリックスに最も適合する射影、或いは３次元空間内で計算された記録の距離マトリックスに対する差異が最小限化する射影、を２次元空間上への最適な記録の射影として行なうものであり、
   収集されたデータの収集データ記録間の関係は、前記３次元空間内で計算された記録の前記距離マトリックスにおける他の記録から各記録の距離により決定され、
   前記機械的、物理的或いは化学的動作を実行する１若しくはそれ以上の手段の起動或いは停止を決定する際に、前記距離を各データ記録の相関度として用いることを特徴とする人工知能を備える装置。
2. 各データ記録と他のデータ記録との最大距離を定めるとともに、機械的、物理的及び／又は化学的動作を実行する１若しくはそれ以上の手段の起動或いは停止を決定する際に用いられるデータ記録を識別する手段が提供されることを特徴とする、請求項１記載の装置。
3. 前記データベースが射影されるマップ上のデータ記録のクラスタリング或いは距離が、データ記録の類似性或いは前記データ記録に関連する変数の尺度として用いられることを特徴とする請求項１又は２記載の装置。
4. 前記記録間の距離を既に備えるデータベースが用意されることを特徴とする請求項１記載の装置。
5. 進化的アルゴリズムとして遺伝的アルゴリズムが用いられることを特徴とする請求項１記載の装置。
6. 前記処理ユニットに対して提供される前記サブルーティンは、
   Ｘ及びＹ座標を備える点によって表される個々の記録或いは変数それぞれを符号化する段階と、
   一般的に２若しくは３次元空間であるより少ない次元空間上への射影解の第１集団を形成する各点に対する互いに異なるＸ及びＹ座標の組を定義する段階と、
   最初の３次元空間内での単一の点の距離のマトリックスをフィットネス関数として使用し、前記第１集団の射影それぞれに対して適合度スコアを算出する段階と、
   特定の結合則に従って射影の集団を結合する段階と、
   前記結合段階により、前記点に対するＸ及びＹ座標を備える射影の第１世代集団を生成する段階と、
   前記点は、親世代の２つの射影に提供される座標の結合であり、
   前記サブルーティンは、さらに、
   前記第１世代の射影の適合度スコアを算出する段階と、
   前記第１世代の射影に基づいて再度新たな世代を作り出すことを特徴とする請求項５に記載の装置。
7. 前記遺伝的アルゴリズムが、Gen Dアルゴリズムであることを特徴とする請求項５もしくは請求項６いずれかに記載の装置。
8. 隠蔽された点が定義され、該隠蔽された点は、隠蔽された記録或いは隠蔽された変数に対応し、
   前記隠蔽された点の存在に対して推測のみが行われ、
   前記隠蔽された点が親世代の集団に付加され、該付加が、射影内で、Ｘ_ｈｉ及びＹ_ｈｉ座標を与えることにより行われることを特徴とする請求項１乃至７いずれかに記載の装置。
9. 前記進化的アルゴリズムの計算が、隠蔽された点を伴う場合と伴わない場合とで平行して実行され、この平行して行われる２つの計算により得られる最適な適合射影が比較されることを特徴とする請求項８に記載の装置。
10. 特定数の記録を備えるデータベースを用意する段階を更に備え、各記録が特定数の変数により特徴付けられ、
    前記データベースは２つの方法のうち一方を実行し或いは２つの方法両方を平行して実行することにより構築され、
    該２つの方法のうち第１の方法は、記録を点として、変数を該点の座標としてみなす方法であり、第２の方法は、変数を点として、記録を座標としてみなす方法であることを特徴とする請求項１乃至９いずれかに記載の装置。
11. 前処理或いは後処理段階として、更に異なるデータ処理が実行されることを特徴とする請求項１乃至１０いずれかに記載の装置。
12. 自己組織化マップ・アルゴリズムを用いて前記データが前処理段階内で処理され、
    このアルゴリズムにより作り出されるとともに異なるユニットを備えるクラスタが前記請求項１乃至請求項１１に示す段階に従って処理されることを特徴とする請求項１１記載の装置。
13. 直感的行動のシミュレーションを用い、進化的アルゴリズム処理を行なう人工知能を備える装置であって、
    前記装置は、データ・メモリ（３）及びプログラム・メモリ（２）に接続する処理ユニット（１）を備え、
    前記処理ユニットは、１若しくはそれ以上の異なるセンサに接続し、該センサは、異なる物理的及び／又は化学的状態、或いは、環境に特徴付けられる若しくは環境内で発生する物理的及び／又は化学的効果若しくは工程を検知或いは測定し、
    前記処理ユニットは更に、職務従事者によるデータ入力手段若しくは他のデータ収集装置からのデータ入力ラインに接続し、
    前記処理ユニットは更に、アクチュエータ或いはそれに類する手段と接続し、該手段は機械的、物理的或いは化学的動作を担い、
    前記プログラム・メモリ内で、前記処理ユニットにより実行可能なプログラムがロードされ、該プログラムは一義的に認識可能な方法で、前記センサにより収集されたデータ、或いは、前記プログラムが職務従事者或いは他の装置により入力されたデータを処理して、前記機械的、物理的或いは化学的動作を担うアクチュエータ或いはそれに類する手段を起動或いは停止させ、
    前記プログラム・メモリ内に格納された前記プログラムが、前記処理ユニットにおいて、前記センサにより収集されたデータ及び／又は職務従事者或いは他の装置により入力されたデータを評価する手段を実現し、
    前記処理ユニットは、
    特定数の記録を備えるとともに各記録が、３次元空間に関連する特定数の変数を備えるデータベースを、前記収集及び／又は入力されたデータから生成し、
    記録を点として変数を座標としてみなしてデータベースを３次元空間に関連する低減された次元数を備える空間へ射影する若しくは変数を点として記録を座標としてみなしてデータベースを３次元空間に関連する低減された次元数を備える空間へ射影し、
    ３次元空間に属する情報データをより少ない２次元を備える空間に射影するアルゴリズムによって、射影を実行し
    該射影は、
    メトリック関数により、データベースの記録或いは変数によって定義された各点間の距離のマトリックスを計算し、
    ２次元空間を定義し、該２次元空間内で、記録或いは変数によって表される各点を２次元座標により定義し、
    進化的アルゴリズムによって、２次元空間内の各点の２次元座標を計算し、
    ２次元空間内の点の距離マトリックスが、２次元空間内で計算された点の距離マトリックスに対して最も適合する射影、若しくは２次元空間内の点の距離マトリックスが、３次元空間内で計算された点の距離マトリックスに対して最も差異が最小となる射影、を２次元空間への点の最適射影として行なうものであり、
    収集されたデータの収集データ記録間の関係は、前記３次元空間内で計算された記録の前記距離マトリックスにおける他の記録から各記録の距離により決定され、
    前記機械的、物理的或いは化学的動作を実行する１若しくはそれ以上の手段の起動或いは停止を決定する際に、前記距離を各データ記録の相関度として用いることを特徴とする装置。
14. データベースが用意され、
    該データベース内に既に記録間の距離が備えられていることを特徴とする請求項１３記載の装置。
15. 進化的アルゴリズムとして、遺伝的アルゴリズムが用いられることを特徴とする請求項１３記載の装置。
16. Ｘ及びＹ座標を備える点によって表される個々の記録或いは変数それぞれを符号化する段階と、
    一般的に２若しくは３次元空間であるより少ない次元空間上への射影解の第１集団を形成する各点に対する互いに異なるＸ及びＹ座標の組を定義する段階と、
    最初の３次元空間内での単一の点の距離のマトリックスをフィットネス関数として使用し、前記第１集団の射影それぞれに対して適合度スコアを算出する段階と、
    特定の結合則に従って射影の集団を結合する段階と、
    前記結合段階により、前記点に対するＸ及びＹ座標を備える射影の第１世代集団を生成する段階と、
    前記点は、親世代の２つの射影に提供される座標の結合であり、さらに
    前記第１世代の射影の適合度スコアを算出する段階と、
    前記第１世代の射影に基づいて再度新たな世代を作り出すことを特徴とする請求項１乃至１３いずれかに記載の装置。
17. 前記進化的アルゴリズムが、Gen Dアルゴリズムであることを特徴とする請求項１５もしくは１６記載の装置。
18. 隠蔽された記録或いは隠蔽された変数により表される隠蔽された点が定義され、
    該隠蔽された点が、マップ上の隠蔽された点に対応し、隠蔽された点の存在が推測のみされ、
    前記射影において、隠蔽された点に位置座標Ｘ_ｈｉ及びＹ_ｈｉを与えることによって、親世代の集団に前記隠蔽された点が追加されることを特徴とする請求項１３記載の装置。
19. 前記隠蔽された点を備える場合と備えない場合とを平行して、前記進化的アルゴリズムの計算が実行され、
    平行して実行された２つの計算により得られた最適射影が比較されることを特徴とする請求項１８記載の装置。
20. 特定数の記録を備えるとともに各記録が特定数の変数により特徴付けられるデータベースを用意する段階と、
    ２つの方法のうち一方を或いは両方を平行して実行し、データベースを構築する段階を更に備え、
    ２つの方法のうち第１の方法により、記録が点として、変数が該点の座標としてみなされ、
    第２の方法により変数が点として、記録が座標としてみなされることを特徴とする請求項１９記載の装置。
21. 前処理或いは後処理段階として、異なるアルゴリズムが前記データベースを処理することを特徴とする請求項１３記載の装置。
22. 自己組織化マップ・アルゴリズムによって前処理段階で、前記データベースが処理され、
    このアルゴリズムにより形成される異なるユニットを備えるクラスタが、前記処理ユニットにより射影されることを特徴とする請求項２１記載の装置。
23. データベースが射影されたマップ上の点のクラスタリング或いは距離が、前記点に関連する記録或いは変数の類似性の尺度として用いられることを特徴とする請求項１記載の装置。
24. 特定数の記録を備えるとともに各記録が特定数の変数に関連するデータベースが用意され、
    該データベースに最初に用意された変数に対する補完的変数が更に付加され、
    この統合されたデータベースが、特定の場合には２次元若しくは３次元空間であるより少ない次元の空間に向けて射影され、
    各変数とその補完的変数間のマップ内での距離がデータベース内の前記変数の相関に対する尺度として用いられることを特徴とする請求項１３に記載の装置。

Images