ACT-Rの仕組み: 認知アーキテクチャと宣言的・手続き的記憶

目次

背景

  • ACT-R(Adaptive Control of Thought—Rational)は、カーネギーメロン大学のJohn R. Andersonらが開発してきた認知アーキテクチャ
  • 単一のアルゴリズムではなく、人間の認知を「宣言的記憶」「手続き的記憶」「視覚・運動などの知覚運動モジュール」の組み合わせとして再現しようとする、理論とシミュレーション環境を兼ねた枠組み
  • 心理学実験の反応時間や学習曲線を定量的に再現できることが特徴で、チューター系システムやヒューマンコンピュータインタラクションのモデリングにも使われてきた
  • 元々はLispで実装されているが、Pythonで書かれたpyactrというライブラリもある

全体構造: モジュールとバッファ

  • ACT-Rは、複数の専門モジュールが、それぞれ対応するバッファ(1つのチャンクしか保持できない短期的な窓)を介して情報をやり取りする構造になっている
モジュール役割
宣言的記憶(Declarative Memory)事実や経験を長期的に保持する
手続き記憶(Procedural Memory)「条件を満たしたら何をするか」というプロダクションルールの集合
目標(Goal)現在の課題やその進行状況を保持する
視覚(Visual)外界から視覚情報を取得する
運動(Manual)手や指の動作を実行する
想像(Imaginal)問題解決中の一時的な表現を保持する
  • 図にすると、各モジュールが中枢の手続き記憶(プロダクションシステム)とバッファを介してつながっている構造が分かりやすい
flowchart TB
    subgraph Buffers["バッファ"]
        G[目標<br/>Goal]
        D[宣言的記憶<br/>Declarative Memory<br/>活性化 Ai]
        I[想像<br/>Imaginal]
    end
    P[["手続き記憶<br/>プロダクションシステム<br/>1サイクル ≈ 50ms(逐次)"]]
    V[視覚<br/>Visual]
    M[運動<br/>Manual]
    E((外界<br/>Environment))

    G <--> P
    D <--> P
    I <--> P
    V <--> P
    M <--> P
    V <--> E
    M <--> E
  • 各モジュールは並列に動作できるが、どのモジュールの結果を次にどう使うかを決める中枢の手続き記憶(プロダクションシステム)は、1サイクルにつき1つのプロダクションしか発火できない、逐次的なボトルネックになっている
  • この1サイクルはおよそ50ミリ秒と仮定されていて、この固定時間が、ACT-Rが人間の反応時間データを定量的に再現できる根拠の1つになっている

宣言的記憶: チャンクと活性化

  • 宣言的記憶は、事実に関する記憶を保持する。「合衆国の首都はワシントンD.C.」「フランスはヨーロッパの国家」「2+3=5」のような、何かが何であるかという知識がこれにあたる
  • 宣言的記憶に保持される知識の単位はチャンク(Chunk)と呼ばれる
  • 各チャンクには活性化(Activation)という数値があり、これが高いほど早く・確実に検索される
  • 活性化の中心となるのが基礎レベル活性化(Base-Level Activation)で、そのチャンクが過去に使われた回数と、使われてからの経過時間によって決まる
$$ B_i = \ln\left(\sum_{j=1}^{n} t_j^{-d}\right) $$
  • $t_j$はそのチャンクが$j$回目に使われてからの経過時間、$d$は減衰パラメータで既定値は0.5
  • 直近に何度も使われたチャンクほど$B_i$は大きく、使われていない時間が長いほど小さくなる。これはAnderson & Schooler (1991)の合理分析(rational analysis)に基づいていて、記憶が「将来また必要になりそうな情報ほど思い出しやすくなるように」最適化されている、という考え方に対応する
  • 実際の検索に使う全体の活性化は、この基礎レベル活性化に、現在の文脈(他のバッファの内容)からの拡散活性化を加えたもの
$$ A_i = B_i + \sum_k W_k S_{ki} + \epsilon $$
  • $W_k$は文脈の各要素に割り当てられた注意の重み、$S_{ki}$はその要素とチャンク$i$の連想強度、$\epsilon$は検索のばらつきを表すノイズ項
  • 検索にかかる時間は活性化が高いほど短くなり、活性化が一定の閾値を下回るチャンクは検索に失敗する。これにより、使用頻度や最近性に応じて「思い出しやすさ」が連続的に変化する様子を再現できる

手続き記憶: プロダクションルールと効用

  • 手続き記憶は、行為のやり方に関する記憶を保持する。キーボードで「Q」をタイプする方法、車を運転する方法、足し算をする方法のような「どうやるか」という知識がこれにあたり、プロダクション(Production)と呼ばれる単位から構成される
  • 各プロダクションは「もし各バッファの内容がこの条件を満たしていたら、このバッファにこの操作を行う」という形のルールとして表現される
  • 同じサイクルで複数のプロダクションが条件を満たすこともあり、そのうちどれを実行するかはコンフリクト解消(Conflict Resolution)と呼ばれる仕組みで決まる
  • 各プロダクションには効用(Utility)という数値があり、最も効用の高いプロダクションが選ばれる
$$ U_i = P_i \cdot G - C_i $$
  • $P_i$はそのプロダクションを実行した場合に目標を達成できる見込み(確率)、$G$は目標達成の価値、$C_i$は実行にかかるコスト
  • この効用は、実際に目標を達成できたか・できなかったかという結果をもとに、試行のたびに更新される。何度も目標達成につながったプロダクションは効用が上がり、より選ばれやすくなる
  • つまりACT-Rでは、何を思い出すか(宣言的記憶の活性化)と、何を実行するか(手続き記憶の効用)という、2つの異なる学習則が並行して働いている

Pythonライブラリ: pyactr

  • 元々のACT-RはLisp実装で提供されているが、Pythonで動くpyactrというライブラリもある(jakdot/pyactr)
  • 宣言的記憶・手続き記憶を含む、ACT-Rの基本的な仕組みの大半をPythonのクラスとAPIで構築できる
  • numpy・simpy・pyparsingに依存していて、視覚出力にはオプションでtkinterを使う
  • 心理言語学のモデリングを題材にした解説書(abrsvn/pyactr-book、Brasoveanu & Dotlačilによるオープンアクセスの書籍)がコード付きで公開されていて、文単語の読み時間のような言語処理タスクのモデル例を実際に動かしながら学べる
  • READMEによれば、プロダクションコンパイル(頻繁に連続して発火するプロダクションを1つに融合する最適化機構)などの一部の機能はまだ実装されていない

まとめ

ACT-Rは、宣言的記憶・手続き記憶・知覚運動モジュールをバッファで結びつけた認知アーキテクチャで、各モジュールは並列に動く一方、中枢のプロダクションシステムは1サイクル約50ミリ秒という逐次的なボトルネックを持つ。宣言的記憶ではチャンクの活性化が使用頻度・最近性・文脈からの拡散活性化で決まり、手続き記憶ではプロダクションルールの効用が目標達成の確率とコストから決まるという、2つの異なる学習則が並行して動く。これにより、人間の反応時間や学習曲線を定量的に再現できる点が、他の抽象的な認知モデルとの大きな違いになっている。実装はLispが本家だが、Pythonで動くpyactrを使えば、同じ仕組みをPythonのコードとして構築・実行できる。

参考文献

  • pyactr (GitHub)
  • pyactr-book (GitHub)
  • Anderson, J. R., & Lebiere, C. (1998). “The Atomic Components of Thought”
  • Anderson, J. R., & Schooler, L. J. (1991). “Reflections of the Environment in Memory”(基礎レベル活性化の合理分析)
  • Anderson, J. R., et al. (2004). “An integrated theory of the mind”(Psychological Review)
Built with Hugo
テーマ Stack は Jimmy によって設計されています。