ホップフィールドネットワークは、1982年にジョン・ホップフィールドによって提案された相互結合型の人工神経回路網です。人間の脳の記憶メカニズムを数理モデル化したものであり、入力されたパターンから最も近い記憶を自ら復元する連想記憶モデルとして機能します。
ホップフィールドネットワークとは
ホップフィールドネットワークとは、ネットワーク全体のエネルギーが最小化されるように状態が変化し、ノイズの混ざった入力から完全な記憶を復元できる再帰型の人工神経回路網です。
詳しく解説
ホップフィールドネットワークは、すべての神経細胞（ニューロン）同士が双方向に結合している再帰型のネットワーク構造を持っています。各ニューロンの状態は二値であり、重み係数があらかじめ設定されます。ネットワークが動作すると、エネルギー関数と呼ばれる数理的な指標が徐々に低下し、最終的に安定した状態（アトラクタ）に収束します。この特性を利用することで、不完全なデータやノイズを含むデータが入力されても、学習された元のパターンを思い出すことが可能です。現代の深層学習におけるオートエンコーダや、画像生成で注目を集める拡散モデルの基礎理論にも大きな影響を与えた歴史的に重要なモデルです。
具体例・使われ方
具体的な利用例としては、手書き文字認識における欠損部分の補正や、ノイズが混ざったドット絵のパターン補完が挙げられます。例えば、一部が汚れて読めなくなった数字の画像を入力すると、ネットワークが自動的にパターンを修正し、最も形状が近い綺麗な数字の記憶として出力するイメージです。また、簡単な組合せ最適化問題の解法に応用されることもあります。
似た用語との違い
一般的なフィードフォワード型のニューラルネットワークが「入力から特徴量を抽出し、分類や予測を行うこと」を主な目的とするのに対し、ホップフィールドネットワークは「情報を記憶し、その一部から全体を想起すること」を目的としています。データの一方通行の流れではなく、双方向の結合による状態の収束を利用する点が大きく異なります。
注意点
主な限界として、記憶できるパターンの容量（記憶容量）がネットワークのニューロン数に対して非常に少ないという問題があります。記憶させすぎると思い出せなくなる現象（偽の記憶の発生）が起きやすく、現在の複雑で大規模なAIモデルの直接的な実用というよりも、理論的な基礎研究としての位置づけが強い点に注意が必要です。