論文

最適化計算用ニューラルネットワークをモジュールとして複数結合させたとき，その平衡状態が安定ならば，最適化問題が相互干渉したゲーム問題のNash均衡解を探索する機能を有することを示し，平衡状態が不安定ならばヘテロクリニックサイクルが生じることを発見している．

複数の勾配系が拡散結合した最小化モデルをニューラルネットワークで実現し、シュミレーションによりその探索性能とギンヅブルグ-ランダウ方程式の近似特性についても言及し、空間的パターンが生成されることを示して多体ニューラルネットワークの基礎原理の一つを確立している。

既発表論文で提案した連動式ニューラルネットワークがラインバランシング問題も適用できることを示し、Hopfield型ニューラルネットワークを用いた場合よりも大域的最適解を高い割合で求められることを示している。

遺伝アルゴリズムにおける個体間の交叉型演算機能を、複数のニューラルネットワーク間の結合構造における交信機能の状態遷移則によって実現し、この複数個体間の情報交換により、組合せ最適化問題の大域的探索性能を高めることができることを確認している。

サッケード眼球モデルとして既発表の上丘モデルに脳幹モデルを付加した分散型フィードバック機構を提案し、完全に外部から観測可能な入出力データを教師信号として学習できるモデルを提案し、シミュレーションによる学習結果において、外乱に対する頑健性があることを確認している。

過去の勾配情報をメモリー機能に畳み込みながら関数を最小化するブレーキ付き勾配法のダイナミクスをニューラルネットワークで実現すると、ニューロンの内部状態は２階微分方程式で動作することを明らかにし、従来のニューラルネットワークと比べて、局所的最適解への停留をより回避できることを示している。