磯村 拓哉, Ph.D.

研究内容

当研究ユニットは、脳の知能の普遍的な特性を数学的に記述する理論の構築を行なっています。生物は、脳内の生成モデル（内部モデル）を最適化することで感覚入力の背後にあるダイナミクスや原因を推論し、自らの行動戦略を周囲の環境に適応させることができると考えられています。我々は、神経回路やシナプス可塑性がこれらの能力をどのように実現しているのかを明らかにするため数理手法を用いた研究を行なっています。特に、既存の人工知能に対して生物の知能が優れている点を数理的に理解することを目指します。

研究主分野

情報学

研究関連分野

総合理工 / 数物系科学 / 総合生物 / 情報学／人間情報学／知能情報学

キーワード

• 学習理論
• ベイズ推論
• ニューラルネットワーク
• 理論神経科学
• 自由エネルギー原理

主要論文

「*」は、理研外のみでの成果です。

1. Isomura, T., Kotani, K., Jimbo, Y. & Friston, K. J.
   "Experimental validation of the free-energy principle with in vitro neural networks"
   Nature Communications 14, 4547 (2023).
2. Isomura, T.
   "Active inference leads to Bayesian neurophysiology"
   Neuroscience Research 175, 38-45 (2022).
3. Isomura, T., Shimazaki, H. & Friston, K. J.
   "Canonical neural networks perform active inference"
   Communications Biology 5, 55 (2022).
4. Isomura, T. & Toyoizumi, T.
   "On the achievability of blind source separation for high-dimensional nonlinear source mixtures"
   Neural Computation 33(6), 1433-1468 (2021).
5. Isomura, T. & Toyoizumi, T.
   "Dimensionality reduction to maximize prediction generalization capability"
   Nature Machine Intelligence 3(5), 434-446 (2021).
6. Isomura, T. & Friston, K. J.
   "Reverse-engineering neural networks to characterize their cost functions"
   Neural Computation 32, 2085-2121 (2020).
7. Isomura, T., Parr, T. & Friston, K. J.
   "Bayesian filtering with multiple internal models – towards a theory of social intelligence"
   Neural Computation 31, 2390-2431 (2019).
8. Isomura, T. & Friston, K. J.
   "In vitro neural networks minimise variational free energy"
   Scientific Reports 8, 16926 (2018).
9. Isomura, T. & Toyoizumi, T.
   "A local learning rule for independent component analysis"
   Scientific Reports 6, 28073 (2016).
10. * Isomura, T., Kotani, K. & Jimbo, Y.
    "Cultured cortical neurons can perform blind source separation according to the free-energy principle"
    PLoS Computational Biology 11(12), e1004643 (2015).