「パーセプトロン（Perceptron）」は、現代の人工知能・ディープラーニングの礎となった最も基本的な機械学習モデルのひとつです。
1958年にフランク・ローゼンブラットが提案したこのモデルは、生物の神経細胞（ニューロン）を数学的にモデル化したもので、現在のニューラルネットワークの原型となっています。
本記事では、パーセプトロンの意味・仕組み・数学的原理・学習アルゴリズム・現代のディープラーニングとの関係まで、わかりやすく解説していきます。
パーセプトロンとは？機械学習の基本を理解する
それではまず、パーセプトロンの基本的な概念と歴史的背景について解説していきます。
パーセプトロンは、複数の入力に重みを掛けて合計し、その値がある閾値を超えたかどうかによって0または1を出力するシンプルな二値分類モデルです。
生物学的ニューロンが複数のシナプスから信号を受け取り、一定の閾値を超えたときだけ発火する仕組みを数学的に模倣しています。
パーセプトロンの基本情報
・提案者：フランク・ローゼンブラット（Frank Rosenblatt）
・提案年：1958年
・基本機能：二値分類（線形分離可能な問題を解く）
・構成要素：入力・重み（weight）・バイアス（bias）・活性化関数・出力
・現代への影響：ニューラルネットワーク・ディープラーニングの原型
パーセプトロンの数学的な仕組み
パーセプトロンの動作原理を数式で表すと以下のようになります。
パーセプトロンの数式：
出力 y = f(w₁x₁ + w₂x₂ + … + wₙxₙ + b)
・x₁, x₂, …, xₙ：入力値
・w₁, w₂, …, wₙ：各入力に対応する重み（weight）
・b：バイアス（bias）
・f：活性化関数（ステップ関数：閾値以上なら1、未満なら0）
・y：出力（0または1）
パーセプトロンの学習アルゴリズム
パーセプトロンは「誤り訂正学習」という学習アルゴリズムを使います。
入力データを与えて予測を行い、正解と異なる場合に重みを更新する操作を繰り返すことで、データを正しく分類できるように学習していきます。
この繰り返しによる重みの更新プロセスが「学習」であり、現代のディープラーニングにおける誤差逆伝播法（バックプロパゲーション）の原点といえるでしょう。
単純パーセプトロンの限界とXOR問題
単純パーセプトロンは線形分離可能な問題しか解けないという根本的な限界を持っています。
「XOR（排他的論理和）」のような線形分離不可能な問題を単純パーセプトロンで解くことはできず、この限界がAI研究の第1次冬の時代を招いた一因とされています。
多層パーセプトロンとディープラーニングへの発展
続いては、単純パーセプトロンから多層パーセプトロン・ディープラーニングへの発展を確認していきます。
多層パーセプトロン（MLP）とは
単純パーセプトロンの限界を克服するために考案されたのが「多層パーセプトロン（MLP：Multi-Layer Perceptron）」です。
入力層・隠れ層（中間層）・出力層という複数の層を重ねることで、線形分離不可能な複雑な問題にも対応できるようになりました。
| モデルの種類 | 特徴 | 解ける問題の複雑さ |
|---|---|---|
| 単純パーセプトロン | 1層・線形分類のみ | 線形分離可能な問題のみ |
| 多層パーセプトロン（MLP） | 複数の隠れ層 | 非線形・複雑な問題にも対応 |
| ディープニューラルネットワーク | 多数の隠れ層・大規模データ | 画像・音声・自然言語処理 |
活性化関数の役割と種類
現代のニューラルネットワークでは、パーセプトロンのステップ関数の代わりに、より微分可能な活性化関数が使われます。
主な活性化関数：
・Sigmoid関数：0〜1の連続値を出力・二値分類の出力層
・ReLU（Rectified Linear Unit）：0以下は0・最も広く使われる活性化関数
・tanh（ハイパボリックタンジェント）：-1〜1の値・RNNなどで使用
・Softmax：多クラス分類の出力層・確率分布として出力
パーセプトロンから現代の AI への流れ
パーセプトロン（1958）→多層パーセプトロン→誤差逆伝播法の発見（1986）→ディープラーニングの隆盛（2012〜）という流れで、現代のChatGPT・画像認識AI・自動翻訳などの技術はすべてパーセプトロンの概念を拡張・発展させたものといえるでしょう。
まとめ
本記事では、パーセプトロンの意味・数学的仕組み・学習アルゴリズム・限界・多層パーセプトロンへの発展まで詳しく解説しました。
パーセプトロンは現代のAI・ディープラーニングの起源となった最も基本的な機械学習モデルであり、その仕組みを理解することが人工知能の本質を把握する近道となります。
機械学習・AIに興味のある方は、ぜひパーセプトロンから学習をスタートしてみてください。
