1996 Fiscal Year Annual Research Report
完全線形化SDAMを用いたダイナミックメモリ集積化の試作研究
| Project/Area Number |
07555122
|
|---|
| Research Institution | Tohoku University |
|---|
Principal Investigator |
澤田 康次 東北大学, 電気通信研究所, 教授 (80028133)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
早川 吉弘 東北大学, 電気通信研究所, 助手 (20250847)
中島 康治 東北大学, 電気通信研究所, 教授 (60125622)
|
|---|
| Keywords | CRANN / アナログメモリ / SDAM / ニューラルネットワーク / リミットサイクル / フィードバック / CMOS / 非対称 |
|---|
| Research Abstract |
本研究では、非対称符号結合荷重値を持つ神経回路網で実現される非常に多くのダイナミックな状態遷移の繰り返しの集合と入力ベクトルとの相互作用、さらには状態遷移のカオス的側面との相互作用を利用した記憶であるダイナミックメモリの開発を目的とした。この目的に対して、前年度までに数値的な理論解析おいて十分な成果を得た。そこで今年度は、ダイナミックメモリシステムとして、CMOSテクノロジーを用いニューラルネットワークの記憶要素であるシナプス部にSRAMを使用することによるプロトタイプのICニューロチップの設計を行いその動作をSPICEによって確認することが出来た。この設計については実際のシリコン基板上への集積化試作も完了しており、十分実用的な素子数の集積化が可能であると考えられる。また、更なる集積化に向けてキ-ポイントとなるシナプス回路において、前年度において結果を得た「完全な線形動作をするアナログメモリ」を実際のシステムへの導入が容易である事が示され、十分な小スペース化が実現可能であることを確認することができた。また、このようなメモリーシステムは時事刻々と変化する外界に自己組織的に適応していく必要が有り、この部分については実際の脳の中で行われているHebb側に基づくシナプス荷重値の更新回路(学習回路)が必要である。しかし、従来の学習回路はメモリデバイスとこの回路が独立した形で実装されるために集積化する時の妨げとなっていた。この問題に対して、我々は、既に提案してあるアナログメモリ(SDAM)に対してその構造の一部と動作シーケンスを変更することによって、アナログメモリ自身にHebb則動作を持たせることに成功した。この結果によって学習機能を持たせたシステムの高集積化に対して十分な効果をもたらすものと考える。
|
-
[Publications] H. Won: "Switched Diffusion Analog Memory for Neural Networks with Hebbian Learning Function and its Linear Operation" IEICE Trans. Fundaentals. E79-A. 746-751 (1996)
-
[Publications] C. -Y. Park: "Limit Cycles of One-Dimensional Neural Networks with the Cyclic Connection Matrix" IEICE Trans. Fundamentals. E79-A. 752-757 (1996)
-
[Publications] Y. Mizugaki: "Experimental Operation of an RS Flip-Flop Composed of Nonlatching Josephson Gates" IEEE Tran. Applied Superconductivity. 6. 90-93 (1996)
-
[Publications] T. Hondou: "Effect of time correlation of input patterns on the convergence of on-line learning" Physical Revie E. 53. 4217-4220 (1996)
-
[Publications] T. Hondou: "Effect of chaotic noise on multistable systems" Physical Revie E. 54. 3149-4152 (1996)
-
[Publications] B. Chakraborty: "Fractal Connection Structure : A Simple Way to Improve Generalization in Nonlinear Learning Systems" IEICE Trans. Electron. E79-C. 1618-1623 (1996)
