2017 Fiscal Year Annual Research Report
Novel Information Processing Architectures for Coarse-Grained Devices
| Project Area | Molecular Architectonics: Orchestration of Single Molecules for Novel Function |
|---|
| Project/Area Number |
25110015
|
|---|
| Research Institution | Hokkaido University |
|---|
Principal Investigator |
浅井 哲也 北海道大学, 情報科学研究科, 教授 (00312380)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
大矢 剛嗣 横浜国立大学, 大学院工学研究院, 准教授 (30432066)
|
|---|
| Project Period (FY) |
2013-06-28 – 2018-03-31
|
| Keywords | 粗粒素子 / ゆらぎ / 分子ネットワーク / リザーバ計算 / コンシステンシ / セルオートマトン |
|---|
| Outline of Annual Research Achievements |
分子ネットワークのゆらぎを利活用する脳型計算アルゴリズムおよび粗粒素子を用いたアルゴリズム実行のためのアーキテクチャの開拓を行ってきた。これまで、個々の粗粒素子のバラツキは大きくても、その集団によりバラツキをキャンセルまたは利用できるようになる仕組みを中心に考えてきたが、最終年度より、粗粒素子の集団のバラツキは制御せず、外側の機構において粗粒素子集団のバラツキの特性を活かした機械学習を行うことで機能を発現させる、という考えを導入した。そのためにまず、神経素子に類似したスパイクを発生する分子ネットワークのセルオートマトンモデルを構築した。このモデルはターゲットとする分子ネットワークの重要な性質(スパイク生成、およびNDR特性)をうまく再現する。このモデルのダイナミクスを用いて「リザーバ計算」と呼ばれる脳型計算アルゴリズムの一つに着目して時系列の学習評価を行ったところ、リザーバ計算の評価において一般的に用いられる時系列データセット（時間依存性のある時系列データ）を高い精度で学習できることが明かになり、リザーバ計算の有効性が確認できた。この計算を現実の系で再現するためには、リザーバ計算の初期値依存性とダイナミクス再現性の問題を解決する必要がある。つまり、リザーバ計算のために高い精度で各試行毎に同じ複雑ダイナミクスを生成する必要があった。この問題に対し、コンシステンシと呼ばれる非線形現象を利用して、各試行毎に外部から同じ雑音を印加することで、リザーバの初期値に依存せずに同じ複雑ダイナミクスを生成できることが明らかになった。以上より、複雑分子ネットワークの構造・ダイナミクスを生かした脳型計算機アーキテクチャのプロトタイプが構築できた。
|
| Research Progress Status |
29年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
29年度が最終年度であるため、記入しない。
|
-
[Journal Article] BRein memory: a single-chip binary/ternary reconfigurable in-memory deep neural network accelerator achieving 1.4TOPS at 0.6W2018
Author(s)
Ando K., Ueyoshi K., Orimo K., Yonekawa H., Sato S., Nakahara H., Takamaeda-Yamazaki S., Ikebe M., Asai T., Kuroda T., and Motomura M.
-
Journal Title
IEEE J. Solid-State Circuits
Volume: 53
Pages: 983-994
DOI
Peer Reviewed
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
