Webエンジニア向けプログラミング解説動画をYouTubeで配信中!
▶ チャンネル登録はこちら

【ITニュース解説】A neural network for a > 4, written by hand

2026年11月04日に「Dev.to」が公開したITニュース「A neural network for a > 4, written by hand」について初心者にもわかりやすく解説しています。

作成日: 更新日:

ITニュース概要

条件分岐のif文を、学習不要なニューラルネットワークで実現する手法を解説。プログラムから直接「重み」や「バイアス」を組み立て、重み付き和とReLUを使って固定された算術ステップ(回路)を構築する。これにより、入力データが全て検証可能な状態で、条件判断を算術計算で表現できる。

出典: A neural network for a > 4, written by hand | Dev.to公開日:

ITニュース解説

この解説では、通常であればシンプルな if 文で表現されるプログラミングロジックを、あえてニューラルネットワークの仕組みを使って実現する試みについて説明する。具体的には、ある整数 a が 4 より大きい場合に 10 を、そうでない場合に 12 を返すプログラム if a > 4 { 10 } else { 12 } を、ニューラルネットワークの計算式で表現する。

このアプローチの目的は、プログラムを学習させる(訓練する)のではなく、プログラムのロジックそのものからニューラルネットワークの数値を直接構築することにある。これは「handwired-rs」というツールを用いて行われる。なぜこのようなことをするのかというと、速度が目的ではない。通常の if 文は直接的で高速だが、ニューラルネットワークとして表現すると、どのような入力に対しても常に同じ一連の算術ステップを実行する「固定された操作リスト」(これをサーキットと呼ぶ)が得られる。このような固定されたリストは、その動作を数学的に推論したり、宣言されたすべての入力に対して検証したりするのに役立つ。

このニューラルネットワークを構築するために、二つの基本的な演算ブロックが使われる。一つは「重み付き和(Weighted Sum)」である。これは、入力値に定数を掛け算し、さらに定数オフセットを足し算する演算だ。例えば 5 - a という式は、a に -1 を掛けて、さらに 5 を足すという重み付き和として表現できる。

もう一つは「ReLU(Rectified Linear Unit)」という関数である。これは max(0, x) と書かれ、入力 x が正の数であればそのままの値を返し、負の数であれば 0 に変換する。なぜこのReLUが必要なのかというと、重み付き和だけでは「決定」を下すことができないためだ。重み付き和をいくら組み合わせても、結局は入力値に対して単一の直線的な関係しか作り出せない。しかし、元の if 文は a が 4 以下では 12、a が 5 以上では 10 というように、異なる範囲で異なる一定の値を返す。これは直線では表現できない。ReLUを用いることで、このような非線形な決定が可能になる。

まず、a > 4 という条件を 1 または 0 に変換する「フラグ」を作成する。具体的には、次の二つのReLUを組み合わせる。

  1. inner = relu(5 - a)
  2. flag = relu(1 - inner)

この式が本当に a > 4 のときに 1、そうでないときに 0 になるか検証する。 a = 4 の場合: inner = relu(5 - 4) = relu(1) = 1 flag = relu(1 - 1) = relu(0) = 0

a = 5 の場合: inner = relu(5 - 5) = relu(0) = 0 flag = relu(1 - 0) = relu(1) = 1

このように、閾値となる 4 と 5 で正しく 0 と 1 になることがわかる。さらに、0 から 4 までの整数 a の場合、5 - a は常に 1 以上となり、inner も 1 以上となる。その結果 1 - inner は 0 以下となり、flag は relu(0以下) で 0 となる。一方、5 から 100 までの整数 a の場合、5 - a は常に 0 以下となり、inner は relu(0以下) で 0 となる。その結果 1 - inner は 1 となり、flag は relu(1) で 1 となる。これにより、宣言されたすべての整数入力に対して、このフラグが正しく 0 または 1 を返すことが代数的に証明される。

次に、この flag の値を使って最終結果 10 または 12 を計算する。 result = 12 - 2 * flag

flag = 0 の場合、result = 12 - 2 * 0 = 12 となる。 flag = 1 の場合、result = 12 - 2 * 1 = 10 となる。 これは元の if 文の結果と一致する。このように、元のプログラムの条件分岐を乗算などの算術演算に変換することで、ニューラルネットワークとして表現できた。

これらの三つのステップは、ニューラルネットワークの用語ではそれぞれ「レイヤー」と呼ばれる。各レイヤーで行われる重み付き和の計算において、入力に掛けられる定数 (-1, -1, -2) は「重み(weights)」であり、足される定数オフセット (5, 1, 12) は「バイアス(biases)」と呼ばれる。結果として、我々は三つのレイヤーからなるニューラルネットワークを構築したことになる。

このニューラルネットワークは、0 から 100 までの整数という「宣言された入力」に対しては正しく動作するが、整数以外の入力が与えられた場合はどうなるだろうか。例えば a = 4.5 の場合を考える。 inner = relu(5 - 4.5) = relu(0.5) = 0.5 flag = relu(1 - 0.5) = relu(0.5) = 0.5 result = 12 - 2 * 0.5 = 12 - 1 = 11 この場合、結果は 10 でも 12 でもなく 11 となる。これは、a が 4 と 5 の間にある浮動小数点数の場合、10 と 12 の中間値が出力されることを示している。このことから、このネットワークの「正しさ」は、我々が「整数である」と宣言した入力に対してのみ保証されることがわかる。

handwired-rs では、入力の特性をコードで宣言することができる。具体的には、a の値が 0.0 から 100.0 の間であること(assume_range)と、値が 1.0 刻みであること(assume_grid)を宣言する。これにより、システムは入力が整数に限られることを認識し、4 と 5 の間に値が落ち込むことはない、という前提で動作を検証できる。実際にプログラムを実行し、0 から 100 までの整数を入力して結果を元の if 文と比較すると、0 of 101 inputs wrong (101個の入力すべてで正しい) という結果が得られる。また、a = 4.5 を試すと、先ほどの計算通り 11 が出力されることも確認できる。

このプログラムは f32 (32ビット浮動小数点数) を使用している。通常、浮動小数点数演算では丸め誤差が生じることがあるが、このケースでは誤差が発生しない。その理由は、入力 a が 0 から 100 までの整数であり、計算の途中で生成される全ての中間値(例えば 5 - a や 1 - inner など)もまた、-100 から 100 の範囲内の整数に収まるためである。f32 はこの範囲の整数を誤差なく正確に表現できるため、丸め誤差は一切発生しない。

このように、シンプルな if 文を、重み付き和とReLUからなる三つの算術演算ステップのシーケンス(サーキット)として再構築できた。このアプローチは、プログラムのロジックを直接ニューラルネットワークの構成要素に変換し、その動作を数学的に検証できるという利点がある。この例では数値の範囲が限られていたが、今後、より大きな数値や複雑なロジックを扱った場合にどうなるかは、次の解説で深掘りされる予定だ。

関連コンテンツ

関連IT用語

関連ITニュース