2020 Fiscal Year Annual Research Report
| Project/Area Number |
20H04255
|
|---|
| Research Institution | Kanazawa University |
|---|
Principal Investigator |
砂田 哲 金沢大学, 機械工学系, 准教授 (10463704)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
原山 卓久 早稲田大学, 理工学術院, 教授 (70247229)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | 光ニューラルネットワーク / リザバーコンピューティング / 深層学習 / ダイナミカルシステム / 波動カオス |
|---|
| Outline of Annual Research Achievements |
本研究の目的は，脳のように柔軟で高度な並列分散処理機能を光の物理現象に担わせることで認識・予測処理を高効率かつ高速に実行する光情報処理系を提案・実証することである。今年度の大きな成果の一つは，光で仮想的なニューロンの場を創出する光シリコンチップを作製したことである。この光チップはスパイラル状に曲げられたマルチモード導波路構造となっており，処理すべき情報で位相変調された光が入射すると，その入力情報を出力場の空間プロファイルとしてエンコードする構成となっている。また，時間依存情報の処理に不可欠な短期記憶機能は，導波路のモード分散による群遅延や導波路間結合により与えることができる。これらは通常のコンピューターでは計算コストが高い処理であるが，本提案の光チップでは，光の伝搬を行うだけで自然に，遅延と空間マッピング（高次元特徴空間へのマッピング）が可能となる。また，その処理速度を積和演算の指標にて評価すると，一波長あたり1 P MAC/s以上と算出された。なお，この計算処理は特定のランダム行列に対してのみ実行可能であるが，他の光ニューラルネットチップを圧倒する速度であるといえる。本提案の光チップでの情報処理の実証実験は来年度の課題である。２つ目の成果は，深層学習と最適制御された動的システムとの類似性に基づく物理的な深層学習方法を見出したことである。この方法により，最適制御可能な任意の動的システムを深層学習器として利用可能となる。すなわち，多層ニューラルネットのような層から層への情報伝搬が制御されたダイナミクスとして実装可能となる。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当該年度は，当初の研究実施計画に従い，マルチモードファイバを用いた原理実証実験を実施しただけでなく，上記のように光シリコンチップへの実装も実施した。また，動的システムを用いた深層学習的情報処理の方法を提案し，簡単なモデルを用いてその効果を検証した。
|
| Strategy for Future Research Activity |
次年度における目標の一つは，上述の光シリコンチップでの情報処理能力を評価し，その限界と今後の課題を明らかにすることである。これにより，本提案の光ニューロンの場の情報処理への有効性を検証する。また，深層学習的情報処理を光電気システムで実装可能な方法を考案する。
|
Research Products
(12 results)
