新しいAI技術「HetAESN」が登場！複雑な時系列データをより正確に予測
千葉工業大学、基礎生物学研究所、兵庫県立大学からなる研究チームが、次世代のAI技術「Heterogeneous Assembly Echo State Network（HetAESN）」アーキテクチャを開発したと発表しました。この新しい技術は、多くの情報を含み、かつ様々な速さで変化する「高次元・マルチスケール時系列データ」の予測において、これまでのモデルよりも優れた性能を発揮します。
研究の背景：なぜ新しいAI技術が必要だったのか
AI技術の一つに「リザバーコンピューティング（RC）」というものがあります。これは、脳の神経回路のような構造（ニューラルネットワーク）を使って、データの中からパターンを見つけ出し、未来を予測する技術です。特に、学習にかかる時間が短く、少ない計算資源でも動かせるため、スマートフォンなどの小さな機器でAIを動かす「エッジAI」の分野で注目されています。
しかし、このRCの代表的なモデルである「Echo State Network（ESN）」には、実世界の複雑なデータを扱う際に二つの大きな課題がありました。
一つは「高次元性」です。例えば、たくさんのセンサーから同時に送られてくるデータや、動画のように多くの情報が詰まったデータを扱う場合、ESNでは処理が追いつかなくなり、計算にかかるコストが大きくなってしまう問題がありました。
もう一つは「マルチスケール性」です。天気予報のように、速く変化する要素（急な雨など）とゆっくり変化する要素（気温の季節変動など）が混ざり合っている現象はたくさんあります。従来のESNは、これらを一律に扱おうとするため、複雑な変化をうまく捉えきれないという弱点がありました。
これまでの研究では、高次元性に対応するためにデータを分割して処理する「Assembly ESN（AESN）」や、マルチスケール性に対応するために複数の時間特性を導入する「Diverse-Timescale ESN（DTS-ESN）」などが提案されてきましたが、これら二つの課題を同時に解決できる技術はありませんでした。特に、AESNは分割された部分（サブリザバー）の時間の特性がすべて同じだったため、マルチスケールなデータへの対応にはまだ改善の余地がありました。
そこで研究チームは、AESNの構造に「時間的な不均一性（Heterogeneous）」という考え方を取り入れ、それぞれのサブリザバーがデータの特性に合わせて異なる時間特性を持つ「HetAESN」を開発しました。
HetAESNの仕組み：データの特性に合わせて賢く予測
HetAESNは、高次元の入力データを小さな部分に分割し、それぞれを専門のAI（サブリザバー）に担当させます。そして、HetAESNの最も重要な特徴は、それぞれのサブリザバーが、担当するデータの「速い変化」や「遅い変化」といった固有の特性に合わせて、最適な設定（時定数）を自動で調整する点です。これにより、各サブリザバーは、それぞれの入力信号の時間特性にきめ細かく対応し、より効果的にデータを追跡できるようになりました。
研究内容：予測性能の検証と原理の解明
研究チームは、HetAESNの予測能力を測るため、3種類の複雑な時系列データ（tc-VdP、Hindmarsh-Rose、tc-Lorenz）を使って検証を行いました。その結果、tc-VdPとHindmarsh-Roseという二つのタスクでは、HetAESNが従来のESNやAESNよりも統計的に明らかに高い予測精度を示しました。
特にHindmarsh-Roseモデルでは、速い信号に対応するサブリザバーに高い入力スケール値が割り当てられており、HetAESNがデータの時間的な特性にうまく適応したことが示唆されました。
しかし、tc-Lorenzタスクでは、HetAESNが従来のESNを下回る結果となりました。なぜタスクによって性能が異なるのかを明らかにするため、研究チームはさらに詳細な分析を行いました。
動的解析で予測能力の秘密を探る
研究チームは、「遅延容量（DC）」と「マルチスケールファジィエントロピー（MFE）」という二つの方法でデータを分析しました。
遅延容量（DC）分析からは、AIが過去の情報を記憶する能力は、時間が経つにつれて弱まることが分かりました。つまり、AIが覚えている過去の情報の有効範囲には限界があるということです。
一方、マルチスケールファジィエントロピー（MFE）分析では、AIが有効に記憶できる範囲内でのデータの複雑さがどのように変化するかを評価しました。この分析により、tc-Lorenzタスクは、他のタスクに比べてデータの次元数が多く（6次元）、AIが有効に記憶できる範囲内でデータの複雑性が非常に高いことが明らかになりました。このため、AI全体のサイズが限られている中で入力データを分割すると、個々のサブリザバーの処理能力が相対的に小さくなり、非常に複雑なデータを処理しきれなかったことが、性能低下の主な原因であると結論付けられました。
この分析から、「データを分割することで得られる構造的な利点」と「個々のAIが持つ表現力（複雑なデータを処理する能力）」の間には、バランスが重要であることが分かりました。このバランスが、HetAESNのデータ処理能力を大きく左右するのです。
結論と今後の展望
今回の研究では、高次元でマルチスケールな時系列データを効率的に処理できる新しいAI技術「HetAESN」が提案され、その性能が「入力データの次元数」と「AIが有効に記憶できる範囲内のデータの複雑さ」のバランスに大きく依存することが解明されました。この発見は、現実世界の様々な課題に合わせて、AIモデルの設計を最適化するための重要なヒントとなるでしょう。
今後の研究では、今回の実験で使われた人工的なデータだけでなく、人間の体の信号（生体信号）やIoTセンサーから得られるデータなど、より現実世界に即した高次元かつマルチスケールなデータにHetAESNを適用し、その汎用性を検証していく予定です。また、tc-Lorenzタスクで明らかになった「表現力不足」という課題を克服するため、AIの表現能力を高める新しい仕組みの導入も今後の大きな目標となります。
研究者
-
吉田 聡太（千葉工業大学 大学院情報科学研究科）
-
飯沼 貴大（千葉工業大学 大学院情報科学研究科）
-
信川 創（千葉工業大学 情報科学部 情報工学科 （教授）/同大学 数理工学研究センター（非常勤主席研究員）/国立研究開発法人国立精神・神経医療研究センター 精神保健研究所児童・予防精神医学研究部（客員研究員））
-
渡辺 英治（基礎生物学研究所 （准教授）/総合研究大学院大学 生命科学研究科 （准教授））
-
礒川 悌次郎（兵庫県立大学 大学院 工学研究科 （准教授））
原著論文情報
-
雑誌名: IEEE Access
-
公開日: 2025年12月15日
-
論文題目: Heterogeneous Assembly Echo State Networks for High-Dimensional, Multiscale Time Series: Dynamic Analysis via Delay Capacity and Multiscale Fuzzy Entropy
-
著者: Sota Yoshida, Takahiro Iinuma, Sou Nobukawa, Eiji Watanabe, and Teijiro Isokawa
-
DOI: 10.1109/ACCESS.2025.3639721
研究費情報
本研究は、以下の支援を受けて行われました。
-
新エネルギー・産業技術総合開発機構（NEDO）(Project No. JPNP14004)
-
JSPS科研費 基盤研究(B) (JP25K03198)
-
JSPS科研費 学術変革領域研究(A) (JP25H02626)
