| Project/Area Number |
23K26578
|
|---|
| Project/Area Number (Other) |
23H01885 (2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 30020:Optical engineering and photon science-related
|
|---|
| Research Institution | National Institute of Advanced Industrial Science and Technology |
|---|
Principal Investigator |
Cong Guangwei 国立研究開発法人産業技術総合研究所, エレクトロニクス・製造領域, 上級主任研究員 (20470049)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
山本 宗継 国立研究開発法人産業技術総合研究所, エレクトロニクス・製造領域, 研究主幹 (00358285)
山田 浩治 国立研究開発法人産業技術総合研究所, エレクトロニクス・製造領域, 総括研究主幹 (50574927)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥18,850,000 (Direct Cost: ¥14,500,000、Indirect Cost: ¥4,350,000)
Fiscal Year 2025: ¥3,900,000 (Direct Cost: ¥3,000,000、Indirect Cost: ¥900,000)
Fiscal Year 2024: ¥5,980,000 (Direct Cost: ¥4,600,000、Indirect Cost: ¥1,380,000)
Fiscal Year 2023: ¥8,970,000 (Direct Cost: ¥6,900,000、Indirect Cost: ¥2,070,000)
|
|---|
| Keywords | 光ニューラルネットワーク / フォトニクスプロセッサ / 光演算 / シリコンフォトニクス / 光集積回路 / サポートベクターマシン / フォトニクスニューラルネットワーク / support vector machine / photonic circuits / silicon photonics / optical computing / optical AI |
|---|
| Outline of Research at the Start |
CMOS技術は数十年の微細化を経て，物理限界に迫りつつあり，従来のデジタルプロセッサの持続可能な性能向上が困難であることが指摘されている．その一方で，デジタルプロセッサで構築されたAIシステムの大規模化が続けられ，演算遅延と消費電力が顕著に増加している．既存のデジタルプロセッサ技術による大規模AIシステムの演算遅延と消費電力の問題を解決することは困難である．本研究では、多層写像式光ニューラルネットワークの演算方式を提案し，シリコン光集積回路で実現する。同じ演算タスクに対して従来のデジタルプロセッサにより、高速・低遅延・低消費電力の分類演算を実現することを目指す。
|
| Outline of Annual Research Achievements |
本研究は、サポートベクターマシンの写像原理に基づく写像式フォトニクスニューラルネットワーク（フォトニクスサポートベクターマシン（PSVM）といわれるもの）の多層化を目的とする。この技術はデジタル電子回路や光電・電光変換による活性化関数が不要で、本提案のデバイス内に光を伝搬させるだけで機械学習の演算が完了できるため、究極的に低消費電力・低遅延・リアルタイム性に優れた光演算が可能となる。本年度では、実施した内容と得られた成果を下に示す。
（１）高速RF入力用16本高速変調器と２個ユニタリ演算とするマッハツェンダー干渉計のメッシュ（８ｘ８）を備える２層のPSVMデバイスの設計を完成し、産総研SCRでの相乗り試作に投入してデバイス試作が開始された。最終年度でのPSVMの実証実験に向けた必要な準備のため、シリコンフォトニクスデバイスの加工誤差や使用環境に対する敏感性の対策として、変調器やリング等のデバイスを自動的に機能構成するQ学習手法を開発・実証した。
（２）多層化構造の最適化のため、フォトニクスニューラルネットワーク（PNN）のシミュレーションプログラムを開発し、理論検討を完成した。入力された２つベクトルの乗算による構築したバイリニア非線形写像によって高性能な分類演算を得ることを明らかにした。三つAIベンチマーク（MNIST、Fashion、KMNIST）において、従来の光NNより高い理論正解率（~97.9%, ~87.7%, ~90.3%）が得られることが示されている。
（３）PSVMデバイスでの実証実験に向けて、実装モジュールの設計と製造を行った。そこで、RF配線設計と熱対策を検討するための熱分布のシミュレーションおよびモジュール製造を完成した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初は年度ごとに遂行することを計画していた「デバイス設計と理論検討、高速入力用変調器との集積とデバイス試作、実装と実証実験」という三つの項目を初年度から並行して実施した。本年度では、理論的な側面は当初の計画以上に進展し、デバイス設計を完成し、デバイスの実機学習手法を開発し、産総研SCRでの相乗り試作が開始され、実装用モジュールの設計と製造が完成したので、順調に進展している。
|
| Strategy for Future Research Activity |
これまで本研究を順調に進めることができているため、続けて下に示す項目に取り組む予定である。
（１）試作が開始されたデバイスを完成し、モジュール化のための電気実装とファイバアレイ実装を行う。
（２）高速RF入力を備える多層化フォトニクスニューラルネットワークデバイスは世界初となり、制御手法と学習手法を開発する。
（３）本提案のインパクトを強めるため，開発した学習手法を実装したモジュールで検証し、最終年度での実証実験にて上述のデバイスのAIベンチマーク等の光演算の能力を評価する。
|
