2021 Fiscal Year Annual Research Report
進化学習システムに基づく適応学習型最適化法開発と再構成可能デバイス応用
| Project/Area Number |
19K12152
|
|---|
| Research Institution | Chiba University |
|---|
Principal Investigator |
小圷 成一 千葉大学, 大学院工学研究院, 教授 (70241940)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | ソフトコンピューティング / ニューラルネットワーク / 進化計算 / 最適化 / 再構成可能デバイス |
|---|
| Outline of Annual Research Achievements |
再構成可能デバイスは，AIの基盤技術であるニューラルネットワークにおいて，その応用範囲の拡大や高速処理化の要求に対応するためのハードウェア実装法として，注目されている。本研究は，ニューラルネットワークの再構成可能デバイスへのハードウェア実装問題のように，解の品質と求解の高速性が要求される問題に対応するために，目的関数の景観の曲面構造に基づいて解の探索過程を自律的・適応的に調整する適応学習型最適化法の開発を目的とする。開発する最適化手法は，進化型計算法を元にして，これに解の探索過程そのものを遺伝子情報として付加し，さらに，目的関数の景観の曲面構造の特徴に応じて探索過程を適応的に最適化する機能を付加する。開発する最適化手法により，高品質の解を効率的に求めることが期待できる。
本年度は具体的には次の点に関して検討した。(1) 前年度までに開発してきた目的関数の景観の曲面構造に基づいて解の探索過程を自律的・適応的に調整する適応学習型最適化法を，最適化問題の様々な基礎的なベンチマーク問題に応用し，有効性を検証した。 (2)前年度までに実施した，開発手法である適応学習型最適化法を最適化問題の様々な基礎的なベンチマーク問題に応用した実験結果に基づいて，生物の免疫系にみられるランダム的な遺伝子組み換え交叉法の導入による開発手法の改良を検討した。(3)開発手法である適法学習型最適化法をニューラルネットワークの再構成可能デバイスへのハードウェア実装問題に応用し，有効性を検証した。
|
