単純パーセプトロン (G検定)

1. 定義と概要

単純パーセプトロンとは、1958年に心理学者フランク・ローゼンブラットが提唱した、入力層と出力層のみから構成される最も基本的なニューラルネットワークモデルです。

各入力には重み（各入力の影響度合いを表す数値）が掛けられ、その総和にバイアス（出力の基準値を調整する定数）を加えた値が算出されます。この総和はステップ関数（入力がある基準値を超えたら1、超えなければ0を出す関数）と呼ばれる活性化関数（ニューロンの出力を決めるための計算ルール）に通されます。その結果として0か1の二値に変換され、二値分類（データを2つのグループのどちらかに振り分ける処理）が行われる仕組みです。

解ける問題は線形分離可能（1本の直線や平面でデータを2つのグループにきれいに分けられる性質）な問題に限られ、代表例としてAND回路・OR回路（複数の入力の組み合わせに応じて0か1を出す論理演算）が挙げられます。

1950年代のAI研究は記号処理的なアプローチ（記号やルールを使って論理的に答えを導く手法）が中心でしたが、ローゼンブラットは人間の脳神経回路を模したパーセプトロンを考案しました。「学習する機械」として大きな期待を集め、第1次AIブーム（AI研究への期待と資金が最初に大きく高まった時期）の一翼を担う存在になります。

しかし1969年、マービン・ミンスキーとシーモア・パパートが著書『パーセプトロンズ』の中で、単純パーセプトロンが線形分離不可能なXOR（排他的論理和）問題を解けないことを数学的に指摘しました。この指摘によって期待は急速にしぼみ、ニューラルネットワーク研究への資金や関心が失われていきます。単純パーセプトロンの限界の露見は、第1次AIブーム終焉の一因となりました。

2. 試験対策ポイント

まず整理しておきたいのが、単純パーセプトロンの構造です。入力層と出力層のみで構成され、隠れ層（入力層と出力層の間にある中間の層）は持たないという点が、まず押さえておきたい構造上の特徴です。重みとバイアスによる線形結合（重みを掛けた値を単純に足し合わせる計算）をステップ関数に通し、二値分類を行う仕組みについても、あわせて触れておきます。

単純パーセプトロンには「線形分離可能な問題しか解けない」という制約があります。この制約の具体例として、XOR問題を解けないことが1969年にミンスキーとパパートによって指摘された経緯が、問題文の中でセットになって出されます。線形分離可能かどうかという判定軸そのものが、単純パーセプトロンの限界を理解する鍵になります。

単純パーセプトロンの限界を克服したのが、隠れ層を持つ多層パーセプトロン（MLP）です。多層パーセプトロン（MLP）とは、入力層と出力層の間に隠れ層を持つ、複数層で構成されたニューラルネットワークを指します。1986年に誤差逆伝播法（バックプロパゲーション。出力の誤差を使ってネットワーク全体の重みを効率よく更新する学習手法）が確立されたことで、多層構造の学習が可能になりました。

年代と出来事の結びつきは取り違えやすいところなので、時系列で並べて確認しておきます。

年	出来事	AIブームとの関係
1958年	ローゼンブラットが単純パーセプトロンを提唱	第1次AIブームの契機の一つ
1969年	ミンスキーとパパートがXOR問題を解けないと指摘	第1次AIブーム終焉の一因
1986年	誤差逆伝播法が確立	多層パーセプトロンの学習が可能に

単純パーセプトロンから多層パーセプトロンへ、限界の指摘から克服へという流れを時系列で押さえておくことが、この分野を理解する軸になります。

3. 関連概念との比較・相違点

多層パーセプトロン（MLP）との最大の違いは、構造と解ける問題の範囲にあります。単純パーセプトロンは入力層と出力層のみで構成されるのに対し、MLPは両者の間に隠れ層を持つ3層以上の構造です。この構造の違いにより、単純パーセプトロンが線形分離可能な問題しか解けないのに対し、MLPはXOR問題のような非線形分離可能な問題も学習できるという関係にあります。

層を重ねて非線形な変換を組み合わせられるかどうかが、両者を分ける本質的な差です。構造と解ける問題の範囲を並べると、次のように対応します。

観点	単純パーセプトロン	多層パーセプトロン（MLP）
構造	入力層と出力層のみ・隠れ層を持たない	入力層と出力層の間に隠れ層を持つ3層以上
解ける問題	線形分離可能な問題のみ	非線形分離可能な問題も学習できる
代表的な例	AND回路・OR回路	XOR問題

論理回路との対比で見ると、単純パーセプトロンで表現できる回路と表現できない回路がはっきり分かれます。AND回路・OR回路は、入力の組み合わせを1本の直線で2つのグループにきれいに分けられるため、単純パーセプトロンで表現できます。

一方でXOR回路は、真となる入力の組み合わせと偽となる入力の組み合わせが直線1本では分離できない配置になっており、単純パーセプトロンでは表現できません。この「AND・ORは解けるがXORは解けない」という対比が、線形分離可能かどうかを見極める最も分かりやすい具体例です。

4. ビジネス・実務での活用シナリオ

AI教育・研修の現場では、重みとバイアスの更新原理を体験的に学ぶ最初の教材として単純パーセプトロンの実装が使われます。仕組みが単純であるぶん、入力から出力までの計算過程を一つひとつ追いやすく、ニューラルネットワークの基礎原理を理解する土台になっています。

製造業の初期検証では、良品・不良品のようなシンプルな二値判定のプロトタイプとして、単純パーセプトロンによる線形分離がまず試みられます。この段階で精度不足が判明すれば、判定の境界が直線では引けない複雑な問題だと分かり、多層モデルへ移行するという検討順序の起点になります。

企業のAI人材育成においては、XOR問題という単純パーセプトロンの限界そのものが教材になります。なぜ深層学習（多層に重ねたニューラルネットワークによる学習）が必要になったのかという技術史的な必然性を、学習者が体感を伴って理解する材料としての役割を担っています。

5. 要点まとめ

• 単純パーセプトロンは1958年にローゼンブラットが提唱した入力層と出力層のみのニューラルネットワークで、重みとバイアスによる線形結合をステップ関数で二値に変換し、線形分離可能な問題のみ解くことができます。
• 1969年にミンスキーとパパートがXOR問題（線形分離不可能）を解けないことを指摘し、この限界が第1次AIブーム終焉の一因となりました。
• この限界を克服したのが隠れ層を持つ多層パーセプトロン（MLP）であり、1986年に誤差逆伝播法が確立されたことで非線形分離可能な問題も学習できるようになりました。

6. 確認問題