構造写像理論｜異なる対象の関係構造を対応づけ、新しい推論を生み出す

構造写像理論（Structure-Mapping Theory）は、認知科学者ディードル・ジェントナー（Dedre Gentner）が1983年に提唱した、アナロジー（類推）の仕組みを説明する理論です。異なる対象の間で類推が成立するとき、個々の対象が持つ外観や属性の類似性だけでなく、対象間の関係や、その関係同士の体系的なつながりが重要であることを説明します。

例えば、人体の血液循環と工場の物資供給ネットワークは、構成する物質や目的が異なります。しかし、供給源から複数の需要先へ物質を輸送すること、輸送経路が分岐していること、必要に応じて供給量を調節することなど、共通する関係を考えられます。

ここで重要なのは、「血管と配管は形が似ている」という表面的な類似性ではありません。「供給源が輸送経路を通じて需要先へ物質を届ける」という関係が、異なる対象の間で対応することです。

さらに、類推元で知られている仕組みの一部が類推先ではまだ確認されていない場合、その対応関係を手がかりにして、新しい仮説を考えることもできます。

構造写像理論は、このような類推を単なる直感やひらめきとして扱うのではなく、異なる知識表現の間で関係を対応づける過程として説明しようとするものです。

ただし、構造写像が成立することは、その類推から導かれる新しい仮説が現実に正しいことを意味しません。

構造写像理論の中心にあるのは、異なる対象間で何が似ているかだけでなく、どの関係がどの関係に対応し、その対応からどのような推論が可能になるかという問題です。

構造写像理論の成立と研究の背景

人間は、未知の問題を理解するとき、すでに知っている事例を参考にすることがあります。科学者が異なる自然現象を比較したり、技術者が別分野の技術を応用したりする場合にも、アナロジーが利用されます。

しかし、二つの対象が似ていると判断するとき、人間は何を比較しているのでしょうか。

形や色などの属性が似ていることと、対象が持つ機能や関係が似ていることは、同じではありません。

例えば、原子を太陽系にたとえる歴史的な説明では、原子核と太陽、電子と惑星が対応づけられます。しかし、原子核が太陽と同じ色や大きさを持つという意味ではありません。中心となる対象と、その周囲に存在する対象との関係を対応づけています。

なお、この古典的なアナロジーは、現代の量子力学による原子の記述を正確に表すものではありません。あくまで関係構造の対応を説明する歴史的な例です。

ジェントナーは1983年の論文「Structure-Mapping: A Theoretical Framework for Analogy」で、アナロジーを、類推元の知識構造を類推先へ対応づける過程として説明しました。

その特徴は、類推の規則を、対象が持つ具体的な意味内容だけでなく、知識がどのような関係構造として表現されているかという観点から定式化したことです。

その後、ジェントナー、ケネス・フォーバス（Kenneth D. Forbus）、ブライアン・ファルケンハイナー（Brian Falkenhainer）らによって、構造写像理論をコンピュータ上で実装する研究が進められました。

代表的な成果が、SME（Structure-Mapping Engine）とMAC/FAC（Many Are Called, Few Are Chosen）です。

年	主な研究	内容
1983年	Gentner：構造写像理論	類推を関係構造の対応づけとして説明
1989年	Falkenhainer, Forbus & Gentner：SME	構造写像を計算機で実行する仕組み
1995年	Forbus, Gentner & Law：MAC/FAC	多数の知識から類推元の候補を効率的に検索するモデル
1997年	Gentner & Markman：構造的アラインメント	類推と類似性判断における構造的対応の役割を整理

これらの研究は、アナロジーを創造的な思考の働きとして理解するだけでなく、コンピュータによる処理の対象として考えるための重要な基盤になりました。

構造写像理論の基本概念

構造写像理論では、比較する二つの領域を区別します。

**類推元（Base Domain / Source Domain）**は、すでにある程度理解されている対象や知識の領域です。

**類推先（Target Domain）**は、その知識を利用して理解したい対象、説明したい問題、または新しい可能性を検討したい領域です。

例えば、血液循環を参考にして工場の供給ネットワークを考える場合、血液循環が類推元、工場の供給ネットワークが類推先になります。

構造写像では、類推元と類推先の要素を単純に比較するのではなく、要素間に存在する関係を対応づけます。

類推元	類推先	対応する役割
心臓・循環駆動系	ポンプ・供給装置	輸送を駆動する
血管	配管・搬送経路	物質を輸送する
血液	供給物質	輸送される物質
臓器・組織	生産設備・作業場所	供給を受ける
血流調節	流量制御	供給を調整する

しかし、このような対応表を作るだけでは、構造写像の特徴を十分に理解できません。

重要なのは、これらの要素がどのような関係によって結びついているかです。

例えば、単に「心臓とポンプが似ている」「血管と配管が似ている」と判断するのではなく、「駆動機構が流れを生み、その流れによって物質が需要先へ運ばれる」という関係を対応づけます。

さらに、供給量の変化が需要や制御条件によって決まるという関係まで対応するなら、より複雑な構造的類似性を考えられます。

属性と関係の違い

構造写像理論を理解するためには、属性（Attribute）と関係（Relation）を区別する必要があります。

属性とは、ある対象自体が持つ特徴です。

例えば、装置が大型である、材料が赤色である、容器が円筒形である、といった性質です。

一方、関係とは、二つ以上の対象や状態がどのように結びついているかを表します。

例えば、装置Aが物質Bを供給する、圧力差が流量に影響する、部品Cが部品Dを支持するといったものです。

種類	例	表していること
属性	装置Aは大型である	装置Aの特徴
属性	容器Bは円筒形である	容器Bの形状
関係	装置Aは容器Bへ物質を供給する	二つの対象間の作用
関係	圧力差が流量を変化させる	物理量間の関係
関係	制御装置Cが流量を調整する	制御対象との関係

構造写像理論の初期の定式化では、アナロジーにおいて対象の個別属性よりも関係の対応を重視します。

例えば、血管と配管の色が同じである必要はありません。

同じ形である必要もありません。

重要なのは、いずれも物質を輸送する経路という役割を担っていることです。

ただし、属性が常に無関係というわけではありません。

属性の違いが実際の機能や適用可能性を左右する場合には、それも検討する必要があります。

構造写像理論が関係を重視するということは、類推を構成する際に、外観の一致だけに依存しないという意味です。

関係の表現 ― 述語による知識表現

構造写像を計算機で実行する場合には、対象や関係を明示的に表現する必要があります。

古典的なSMEなどでは、述語（Predicate）を用いた構造化表現が利用されます。

例えば、次のように記述できます。

SUPPLY(ポンプ, 物質)

これは「ポンプが物質を供給する」という関係を表しています。

同様に、

FLOWS_THROUGH(物質, 配管)

DELIVERS_TO(配管, 生産設備)

という記述もできます。

ここで、SUPPLY、FLOWS_THROUGH、DELIVERS_TOは関係の種類を示す述語です。

括弧内の要素は、その関係に参加する対象を表します。

これらは自然言語の文章と異なり、関係の種類と、それに関係する要素を明示しています。

類推元と類推先について、このような関係を記述すると、対応づけを考えやすくなります。

類推元：血液循環	類推先：工場の供給系
SUPPLY(循環駆動系, 血液)	SUPPLY(ポンプ, 供給物質)
FLOWS_THROUGH(血液, 血管)	FLOWS_THROUGH(供給物質, 配管)
DELIVERS_TO(血管, 組織)	DELIVERS_TO(配管, 生産設備)

この例では、述語が対応しており、その引数となる対象も一貫して対応しています。

ただし、二つの文章を同じ述語で表現したことが、その対応関係の正しさを保証するわけではありません。

述語の選択自体が、分析者の解釈や知識表現の方法に依存しているからです。

構造写像における三つの重要な原則

構造写像理論とその計算モデルでは、関係の対応づけを評価するための原則が重視されています。

代表的なものとして、関係への着目、構造的一貫性、体系性があります。

原則	英語	内容
関係への着目	Relational Focus	個別属性よりも、要素間の関係を重視する
構造的一貫性	Structural Consistency	対応づけの中で矛盾を起こさない
体系性	Systematicity	孤立した関係よりも、相互に結びついた関係の体系を重視する

このうち構造的一貫性には、一対一対応と並列結合性という重要な制約があります。

一対一対応（One-to-One Correspondence）

一つの対応づけの中では、類推元のある要素が、類推先の複数の要素へ無制限に対応することを認めません。

例えば、心臓を工場のポンプへ対応させた場合、同じ一つの対応づけの中で、心臓をポンプにも倉庫にも同時に対応させると、関係の解釈が曖昧になる可能性があります。

この制約によって、対応関係の整合性を保ちます。

ただし、現実のシステムに一対多の関係が存在しないという意味ではありません。

また、同じ対象について、異なる観点から複数の対応案を作ることもできます。

一対一対応は、あくまで一つの構造写像を構成する際の整合性に関する制約です。

並列結合性（Parallel Connectivity）

二つの関係を対応づける場合には、その関係を構成する要素も適切に対応していなければなりません。

例えば、類推元の

SUPPLY(心臓, 血液)

と、類推先の

SUPPLY(ポンプ, 供給物質)

を対応づける場合、心臓とポンプ、血液と供給物質がそれぞれ対応することになります。

関係の名称が一致しているだけで、その関係に参加する要素の対応が矛盾している場合には、適切な構造写像とはなりません。

この原則は、対応づけを単なるキーワードの一致から区別するうえで重要です。

体系性原理（Systematicity Principle）

構造写像理論の中心的な考え方が、体系性原理です。

体系性原理は、孤立した関係の集合よりも、複数の関係が相互に結びついた体系的な構造を優先するという考え方です。

例えば、二つのシステムについて、次の三つの共通点が見つかったとします。

「どちらにも容器がある」

「どちらにも流路がある」

「どちらにも制御装置がある」

これらは共通点ですが、それぞれが独立している可能性があります。

一方、次のような関係が存在するとします。

「駆動機構が圧力差を生み出す」

「圧力差が物質の流れを生み出す」

「流れによって物質が需要先へ運ばれる」

この場合、それぞれの関係が、共通する仕組みの中で結びついています。

構造写像理論では、このような関係の体系を重要視します。

特に、ある関係が別の関係の成立条件や原因となっているような、高次の関係（Higher-Order Relations）が重要です。

高次の関係とは何か

通常の関係は、対象や値の間の関係を表します。

例えば、

PRESSURE_DIFFERENCE(供給源, 需要先)

FLOW(物質, 供給源, 需要先)

という関係を考えられます。

さらに、圧力差が流れを生み出すという仕組みを表す場合には、

CAUSE(圧力差, 流れ)

という高次の関係を考えられます。

ここでは、圧力差と流れという状態・事象の間の因果関係を表しています。

なお、この記述は仕組みを説明するための簡略化です。実際の流れは圧力差だけでなく、流路抵抗、流体の性質、境界条件などにも左右されます。

重要なのは、単に二つの対象が存在するという共通点ではなく、それらの間の関係がさらに別の関係によって結びついていることです。

このような高次の関係を含む体系的な対応が、より豊かな類推を支える可能性があります。

構造写像による候補推論

構造写像は、すでにわかっている共通点を発見するだけではありません。

類推元で知られている関係が、類推先ではまだ確認されていない場合、その関係を類推先へ適用する仮説を考えられます。

これを候補推論（Candidate Inference）と呼びます。

例えば、血液循環と工場の供給ネットワークについて、物質輸送の基本的な関係が対応しているとします。

類推元である生体の循環系には、局所的な需要に応じて血流が調節される仕組みがあります。

一方、類推先である工場の供給ネットワークでは、需要先ごとの供給調節が十分に行われていないとします。

この場合、構造的な対応から次のような仮説を考えられます。

「需要先の状態に応じて供給量を調節する仕組みを設ければ、供給の効率や安定性を改善できる可能性がある」

これは、類推元から類推先へ新しい関係を投射した候補推論です。

しかし、この仮説が現実に正しいとは限りません。

例えば、局所的な調節によって全体の圧力が不安定になる可能性があります。

また、制御装置やセンサーを追加する費用が、改善による利益を上回る可能性もあります。

候補推論は、あくまで新たに検討する価値のある仮説です。

構造写像によって生成される候補推論は、類推から導かれた予測や推測であって、事実として検証された知識ではありません。

この区別は、構造写像を研究開発に利用する際に特に重要です。

構造写像の具体例 ― 供給ネットワークの比較

構造写像の働きを、もう少し具体的に整理してみましょう。

類推元を生体の循環系、類推先を工業的な供給ネットワークとします。

まず、それぞれのシステムについて、対応する要素と関係を整理します。

比較する関係	生体の循環系	工業的な供給ネットワーク
輸送の駆動	循環駆動系が流れを生む	ポンプが流れを生む
輸送経路	血管を通じて輸送する	配管を通じて輸送する
需要先	組織へ物質を供給する	生産設備へ物質を供給する
需要変化への対応	局所的な血流調節などが働く	制御機構が存在する場合としない場合がある
継続的な供給	循環が維持される	供給源からの補充・輸送を行う

これらのうち、すでに類推先に存在する関係が、構造写像の対応関係を形成します。

一方、類推先では実現されていないものの、類推元の共通する関係構造に結びついている仕組みは、候補推論の対象となる可能性があります。

例えば、需要先に応じた供給制御が存在しない場合には、それを追加するという仮説を考えられます。

ただし、この段階では、制御方式の具体的な設計や、有効性の証明までは行われていません。

構造写像は、どのような関係が対応し、そこから何を推測できるかを整理するものです。

実現可能性の評価には、制御工学、流体力学、設備設計、費用分析などの知識が必要になります。

単なる類似性・アナロジー・抽象化の違い

ジェントナーの初期の理論では、比較する対象間でどのような情報が共有されるかによって、異なる比較の種類を区別しています。

比較の種類	特徴
表面的な類似性	色、形、材料などの属性が似ている
全体的な類似性（Literal Similarity）	属性と関係の両方に多くの共通点がある
アナロジー（Analogy）	属性よりも関係の対応が中心になる
抽象化との対応	個別の事例を一般的な関係構造へ対応づける

例えば、二つのよく似た種類のポンプを比較する場合、形状、材料、機能、動作原理など、多数の属性と関係が一致する可能性があります。

一方、ポンプと生体の循環駆動系を比較する場合には、外観や材料よりも、流れを駆動するという関係が重要になります。

さらに、具体的なポンプや循環系から離れ、「供給源が輸送経路を通じて需要先へ資源を届ける」という一般的な構造を考えることもできます。

これは抽象的な関係表現です。

ただし、抽象化によって多くの具体的な条件が捨てられることにも注意が必要です。

異なる対象に共通する抽象構造を発見したとしても、その構造を具体的な技術として利用できるとは限りません。

SME ― 構造写像を実行する計算機モデル

構造写像理論を計算機上で実装した代表的なシステムが、SME（Structure-Mapping Engine）です。

SMEは、ファルケンハイナー、フォーバス、ジェントナーらによって開発され、1989年にそのアルゴリズムと応用例が詳しく発表されました。

SMEは、類推元と類推先の知識を構造化された表現として受け取り、それらの間で成立する対応づけを探索します。

主な出力には、次のものがあります。

出力	内容
対応関係（Correspondences）	類推元と類推先のどの要素・関係が対応しているか
候補推論（Candidate Inferences）	類推元から類推先へ投射できる可能性のある関係
構造的評価値（Structural Evaluation Score）	対応づけの構造的な整合性や体系性に基づく評価

SMEの重要な特徴は、単に似た対象を探すのではなく、複数の関係が矛盾なく対応する組み合わせを探すことです。

SMEの処理の概要

SMEの処理は、概念的には次のように説明できます。

段階	主な処理
1. 入力	類推元と類推先の構造化された知識を受け取る
2. 局所的な対応候補の生成	対応する可能性のある関係や要素を見つける
3. 対応候補の結合	構造的一貫性を満たす対応関係を組み合わせる
4. 全体的な対応案の評価	体系性などを考慮して対応案を評価する
5. 候補推論の生成	対応づけから類推先についての推測を導く

これらは処理を理解するための概略であり、SMEのすべての内部処理を示したものではありません。

SMEでは、局所的な対応候補を組み合わせて、全体として一貫した対応づけを作ります。

この全体的な対応づけは、Global Mappingなどと呼ばれます。

さらに、構造的評価値を利用することで、複数の対応案を比較できます。

構造的評価値が意味すること

SMEが計算する構造的評価値は、対応づけの構造的な良さを評価するためのものです。

一般に、関係の対応が整合しており、体系的な構造が保持されている場合に高く評価されます。

ただし、この評価値は、類推から考えられた技術が現実に成立する確率を意味しません。

例えば、生物の輸送機構と工業的な供給機構の間に強い構造的対応が見つかったとしても、その応用によって実際に性能が改善されるとは限りません。

構造的評価と、科学的・技術的な成立可能性の評価は別の問題です。

MAC/FAC ― 多数の知識から類推元を見つける仕組み

SMEは、比較する二つの知識表現が与えられた場合に、それらの対応づけを計算するための仕組みです。

しかし、現実の類推では、その前に重要な問題があります。

それは、大量の記憶や知識の中から、比較するべき類推元をどのように見つけるかという問題です。

この問題を扱う代表的な研究が、フォーバス、ジェントナー、ロウ（Keith Law）らによって1995年に発表されたMAC/FACです。

MAC/FACは、多数の候補から少数の有望な候補を選ぶという考え方に基づく二段階の検索モデルです。

名称は、Many Are Called, Few Are Chosen に由来します。

第一段階 ― MAC

MACの段階では、計算負荷の比較的小さい方法を用いて、大量の知識から候補を絞り込みます。

原論文では、構造化された知識表現から作成したContent Vectorを利用しています。

このベクトルは、知識表現に含まれる述語の出現などを特徴として表現するものです。

そのため、すべての候補について詳細な構造写像を実行せずに、候補を絞り込めます。

第二段階 ― FAC

FACの段階では、第一段階で選ばれた少数の候補に対して、SMEによる詳細な構造的対応の評価を行います。

これによって、表面的な特徴だけでなく、関係構造の対応を評価できます。

段階	目的	主な処理
MAC	大量の候補を効率的に絞る	計算負荷の小さい特徴表現による検索
FAC	有望な候補を詳しく比較する	SMEによる構造的対応の評価

MAC/FACは、人間の記憶から有用な類推元を想起する過程を説明する計算モデルとして研究されました。

そのため、単なる検索エンジンとして開発されたものではありません。

しかし、多数の候補を粗く絞り込み、その後で詳細な関係構造を比較するという考え方は、現代の大規模な知識探索システムを考えるうえでも参考になります。

現代の埋め込み検索との関係

現在のAIでは、文章などを埋め込みベクトルへ変換し、ベクトル間の距離や類似度に基づいて情報を検索する方法が広く利用されています。

この方法は、大量の文章から関連する情報を効率的に探すうえで有用です。

MAC/FACの第一段階もベクトルを利用しますが、現代のニューラル埋め込み検索と同じものではありません。

MAC/FACのContent Vectorは、構造化された知識表現から導かれる特徴量です。

一方、現在の埋め込みモデルは、主に学習によって獲得された表現空間を利用します。

両者は、詳細な比較を行う前に候補を絞り込むという点で似ていますが、表現の性質と学習・計算の仕組みが異なります。

また、埋め込み空間で近い文書が、必ずしも類推に適した関係構造を持っているとは限りません。

例えば、同じ技術用語を含む論文同士が近くに配置されても、その作用機構が異なる場合があります。

逆に、異なる専門用語で説明された技術が、共通する関係構造を持つ場合もあります。

そのため、構造写像の観点からは、埋め込み検索を類推元の候補検索に利用し、その後で機能や関係を抽出して比較する構成が考えられます。

構造写像と概念マップ・知識グラフ

構造写像を実行するには、比較する対象の関係を表現する必要があります。

概念マップや知識グラフは、そのための候補となる表現方法です。

例えば、次のような関係を整理できます。

「ポンプは流れを発生させる」

「流れは物質を輸送する」

「輸送された物質は生産設備へ供給される」

これらを概念間の関係として表現すれば、一つのシステムについての知識構造になります。

別のシステムについても同じように関係を整理すれば、対応する構造を比較できる可能性があります。

しかし、概念マップや知識グラフが存在すれば、直ちに構造写像を実行できるわけではありません。

関係の種類や意味が不統一であれば、対応づけは難しくなります。

例えば、次の三つの表現を考えます。

「AがBを運ぶ」

「AはBを輸送する」

「BはAによって移送される」

これらは似た意味を持ちますが、記述形式は異なります。

構造写像を行うには、必要に応じて関係の意味を正規化し、要素の役割や関係の方向をそろえることが重要になります。

また、因果関係、単なる相関、構成関係、目的・機能関係などを区別しなければ、誤った対応を作る可能性があります。

構造写像をコンピュータで実装する際の難しさ

構造写像理論は、原理としては明確ですが、現実の大規模な情報へ適用するには複数の問題があります。

最も大きな問題の一つは、入力する知識表現をどのように作るかということです。

SMEは、構造化された知識表現を入力として受け取ります。

しかし、企業の技術情報や学術論文は、通常、自然言語によって記述されています。

そこから、構造写像に必要な対象、属性、関係、高次の関係を正確に抽出することは容易ではありません。

課題	内容
関係の抽出	自然言語から対象間の関係を識別する
意味の正規化	異なる表現で記述された類似の関係をそろえる
役割の識別	要素がシステム内で担っている役割を明確にする
高次の関係の抽出	因果、制御、依存関係などを表現する
文脈の保持	成立条件や例外を失わないようにする
規模への対応	多数の候補を効率的に比較する
推論の検証	類推から生まれた仮説の成立可能性を調べる

特に、ある技術の作用機構を正確に把握するには、その分野の専門知識が必要になる場合があります。

例えば、学術論文に記述されている材料の特性と作用機構について、表面的な言葉だけを抽出すると、重要な成立条件を見落とす可能性があります。

また、同じ文書について、どの目的から分析するかによって、必要な関係構造が変わる場合もあります。

材料の探索では材料と機能の関係が重要ですが、製造工程の改善では工程条件と品質の関係が重要になるかもしれません。

したがって、あらゆる情報を一つの完全な知識グラフへ変換することが、必ずしも最良の方法とは限りません。

分析目的に応じて必要な関係だけを抽出する方法も考えられます。

GNGによる概念構造化と構造写像の違い

GNG（Growing Neural Gas）などの教師なし学習は、データの特徴に基づいて類似する対象をまとめたり、データ分布の構造を表現したりするために利用できます。

例えば、多数の技術文書を埋め込みベクトルへ変換し、GNGによって概念的なまとまりを形成することが考えられます。

しかし、この処理によって得られる構造と、構造写像理論で扱う関係構造は異なります。

GNGによる近傍関係は、特徴空間での類似性を表しています。

一方、構造写像理論では、対象間の意味を持った関係がどのように対応するかを扱います。

観点	GNGによる構造化	構造写像
入力	数値ベクトルなど	対象と関係の構造化表現
主な基準	特徴空間上の類似性	関係構造の対応
得られるもの	分布、クラスタ、近傍関係	対応づけ、構造的評価、候補推論
主な役割	大量情報の整理や探索	異なる知識構造の比較
主な限界	類似性が意味的な関係を保証しない	入力となる関係表現の作成が難しい

このため、GNGで作られたノード間の接続を、そのまま知識グラフの意味的な関係として扱うことは適切ではありません。

しかし、両者を組み合わせる余地はあります。

例えば、GNGによって技術文書を整理し、注目する概念群を選択したうえで、必要な文書から機能、作用機構、制約条件などの関係を抽出し、構造写像を試みるという方法です。

これによって、大量の情報の整理と、意味的な関係の比較を別々の処理として組み合わせられます。

ただし、その方法が有効かどうかは、実際の探索課題やデータに基づく評価が必要です。

LLMと構造写像の組み合わせ

LLMは自然言語から対象や関係を抽出したり、異なる領域の事例を比較したりすることができます。

そのため、構造写像をコンピュータで実行するための知識表現を作成する手段として利用できる可能性があります。

例えば、技術文書から次の項目を抽出することが考えられます。

技術が実現する機能
利用されている材料や装置
機能を実現する作用機構
入力と出力
要素間の因果・制御・依存関係
成立条件や制約

このような情報を構造化できれば、異なる分野の文書間で関係構造を比較できる可能性があります。

ただし、LLMによる関係の抽出が常に正確とは限りません。

また、LLMが自由に関係を記述すると、同じ意味の関係を異なる述語で表現する可能性があります。

逆に、抽象化を強くしすぎると、異なる技術の間に、本来は成立しない共通性を作ってしまう可能性があります。

例えば、ほとんどの技術は「入力を受け取り、何らかの処理を行い、出力を生み出す」という抽象構造で表現できます。

しかし、そのような一般的な構造だけでは、有用な技術的類推を判断できません。

したがって、LLMによって関係を抽出する場合には、関係の抽象度、根拠、成立条件などを適切に扱う必要があります。

さらに、LLM自体が構造写像の判断を行う方式と、抽出した構造をSMEのような別のアルゴリズムで比較する方式は、区別して考えられます。

前者は柔軟ですが、対応づけの一貫性や再現性を評価しにくい場合があります。

後者は対応づけの規則を明確にできますが、その前段階で、比較可能な知識表現を正確に作る必要があります。

どちらが適切かは、処理する情報の性質、必要な精度、計算資源、検証方法などによって変わります。

異分野R&D探索への応用

研究開発において新しいテーマを探索する場合には、すでに知られている技術や用途の延長線上だけでなく、異なる分野に存在する機能や仕組みを参考にすることがあります。

しかし、従来の専門用語や産業分類だけに依存した検索では、関連する事例を十分に発見できない場合があります。

構造写像理論は、この問題を考えるための一つの理論的な手がかりになります。

例えば、ある研究開発課題が「必要な場所へ物質を繰り返し供給する」という機能を必要としているとします。

この問題を特定の材料名や装置名によって検索するだけでなく、供給、輸送、需要変動、制御、補充などの関係として表現することが考えられます。

そのうえで、異なる産業分野や生物学的なシステムから、共通する関係を持つ候補を探します。

候補が見つかった場合には、その関係構造を対応づけ、どのような仕組みを転用できる可能性があるかを検討します。

ただし、構造写像理論自体が、新しい研究開発テーマを自動的に発見するための完成された方法を提供するわけではありません。

どのような問題を設定するか、どの情報を探索するか、何を重要な関係として抽出するか、どの条件を検証するかといった判断が必要です。

また、新しいテーマの評価には、技術的な成立可能性だけでなく、用途、需要、既存技術との差異、知的財産、費用なども関係します。

構造写像は、異なる知識を結びつけて仮説を形成するための一つの仕組みとして位置づけるのが適切です。

構造写像理論の限界

構造写像理論はアナロジーを理解するうえで重要ですが、いくつかの限界があります。

第一に、対応づけは入力された知識表現に依存します。同じ対象でも、どの属性や関係を抽出するかによって、得られる写像が変化する可能性があります。

第二に、構造的な対応が見つかっても、類推元の仕組みが類推先で成立するとは限りません。材料、環境、規模、時間、費用などの条件が異なる場合には、実際の適用が難しくなります。

第三に、構造的な評価値が高いことは、その類推が技術的に有用であることを保証しません。対応関係が整っていても、研究開発上の価値が低い場合があります。

第四に、SMEのような構造写像モデルには、比較するための知識構造が必要です。自然言語からその構造を作成する問題は、構造写像そのものとは別に解決しなければなりません。

第五に、類推元を検索する段階で有望な候補が見落とされれば、その後でどれほど精密な構造写像を行っても、その候補には到達できません。

第六に、現実の複雑な対象については、分析する目的や観点によって、重要な関係構造が変わります。一つの固定された構造表現が、あらゆる類推の目的に適しているとは限りません。

さらに、構造写像理論は、人間の類推についての認知科学的な説明と計算モデルを提供するものですが、人間のすべての発想や創造活動を説明する唯一の理論ではありません。

構造写像理論が示すのは、類推の成立を支える重要な構造的条件であり、類推による発見や創造の成功を保証する法則ではありません。

ThinkNaviでの位置づけ

ThinkNaviでは、構造写像理論を、アナロジーによる思考を理解するための認知科学的な基盤として位置づけます。

「アナロジー」のページでは、類推を利用した理解、発想、問題解決、異分野探索などの実践的な側面を紹介します。

本ページでは、それらの活動を支える関係構造の対応づけについて、理論と計算機による実装の両面から説明します。

ThinkNavi Freeでは、比較する二つの対象について、要素と関係を手作業で記述し、対応づけを整理するワークシートなどが考えられます。

例えば、類推元と類推先について、それぞれの要素、機能、関係、成立条件などを入力し、どの関係が対応しているか、どこに相違点があるか、どのような新しい仮説を考えられるかを記録する構成です。

このような簡単な方法でも、アナロジーを単なる連想や比喩として扱うのではなく、検討可能な関係の比較へと発展させられます。

LLMを利用する場合には、技術文書から関係を抽出し、対応候補を生成し、構造的な整合性や成立条件を比較する支援機能が考えられます。

また、より専門的な機能として、構造写像に基づく対応づけアルゴリズムの利用も検討できます。

ただし、それらを実装する場合には、入力する知識表現の品質や処理の計算負荷を評価する必要があります。

ConceptMiner R&Dへの応用では、大量の技術情報を整理する機械学習と、意味を持つ関係構造を比較する仕組みを組み合わせる方向が考えられます。

例えば、GNGなどによって多数の技術文書を概念的に整理し、注目する技術や問題に対して、必要な範囲の関係を抽出して比較する方法です。

この場合、全体の知識を一つの巨大な知識グラフとして保持するのではなく、探索の目的に応じて局所的な関係構造を生成する方法も考えられます。

さらに、関係の対応づけによって生成された候補推論を、元の技術文書や実在事例と区別して保存し、後から検証できるようにすることが重要になります。

このような組み合わせは、異分野の類推元を探し、候補となる仮説を整理するための一つの技術的な方向です。

ただし、GNGによる類似性の発見、構造写像による関係の対応づけ、LLMによる仮説生成は、互いに異なる処理です。

それらを組み合わせることによって、有効な異分野探索システムが実現できるかどうかは、具体的な課題とデータに基づく検証が必要です。

これらは将来の開発可能性を示すものであり、現在すべての機能が提供されていることを意味しません。

構造写像理論の意義は、異なる領域の知識を比較する際に、表面的な属性の一致だけでなく、要素間の関係とその体系的な構造に注目するという明確な考え方を示したことにあります。

また、その考え方がSMEやMAC/FACのような計算モデルへ発展したことは、類推をコンピュータで支援する可能性を考えるうえでも重要です。

しかし、構造が似ていることと、同じ原理が実際に成立することは別です。類推によって得られた候補推論については、根拠と成立条件を確認する必要があります。

構造写像理論は、異なる知識の間にどのような対応関係が存在するかを説明し、その対応から新しい仮説を考えるための理論です。未知の領域へ知識を広げる手がかりになる一方、その仮説が現実に成立するかどうかは、別の調査や検証によって判断しなければなりません。

Dedre Gentner, “Structure-Mapping: A Theoretical Framework for Analogy,” Cognitive Science, 7(2), 1983, pp. 155–170.

Brian Falkenhainer, Kenneth D. Forbus, and Dedre Gentner, “The Structure-Mapping Engine: Algorithm and Examples,” Artificial Intelligence, 41(1), 1989, pp. 1–63.

Kenneth D. Forbus, Dedre Gentner, and Keith Law, “MAC/FAC: A Model of Similarity-Based Retrieval,” Cognitive Science, 19(2), 1995, pp. 141–205.

Dedre Gentner and Arthur B. Markman, “Structure Mapping in Analogy and Similarity,” American Psychologist, 52(1), 1997, pp. 45–56.

Arthur B. Markman and Dedre Gentner, “The Effects of Alignability on Memory,” Psychological Science, 8(5), 1997, pp. 363–367.

Arthur B. Markman and Dedre Gentner, “Structure Mapping in the Comparison Process,” The American Journal of Psychology, 113(4), 2000, pp. 501–538.

Dedre Gentner and José Medina, “Comparison and the Development of Cognition and Language,” 『認知科学』4(1), 1997, pp. 112–149.

Arthur B. Markman, “Structural Alignment in Similarity and its Influence on Category Structure,” 『認知科学』4(4), 1997, pp. 19–37.

Mary L. Gick and Keith J. Holyoak, “Analogical Problem Solving,” Cognitive Psychology, 12(3), 1980, pp. 306–355.

Mary B. Hesse, Models and Analogies in Science, University of Notre Dame Press, 1966.

Keith J. Holyoak and Paul Thagard, Mental Leaps: Analogy in Creative Thought, MIT Press, 1995.

Douglas Hofstadter and Emmanuel Sander, Surfaces and Essences: Analogy as the Fuel and Fire of Thinking, Basic Books, 2013.

Qualitative Reasoning Group, Northwestern University — Structure-Mapping Research