2021 Fiscal Year Annual Research Report
Computing based on pseudo-billiard dynamics in hypercube and its applications
| Project/Area Number |
20H04258
|
|---|
| Research Institution | Future University-Hakodate |
|---|
Principal Investigator |
香取 勇一 公立はこだて未来大学, システム情報科学部, 教授 (20557607)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
田向 権 九州工業大学, 大学院生命体工学研究科, 教授 (90432955)
森江 隆 九州工業大学, 大学院生命体工学研究科, 教授 (20294530)
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Keywords | ニューラルネットワーク / レザバー計算 / 感覚情報処理 / 運動制御 |
|---|
| Outline of Annual Research Achievements |
2021年度は、超立方体上の疑似ビリヤード・ダイナミクスを用いた計算機構（超立方体計算）の理論・実装・応用の各側面について、基礎的な研究に加えて応用研究の基盤整備に取り組んだ。
理論解析については、超立方体計算によるレザバー計算における基本的な特性の解析を進めた。特にレザバーの記憶容量や非線形性などの性能を定量化し、モデルを構成する各種パラメータとの関連を明らかにすることができた。
また情報処理応用を念頭に置き各種階層的ネットワークモデルについて研究した。予測符号化とレザバー計算に基づいたマルチモーダルな感覚情報を統合する階層ネットワークモデルを構築した。このネットワークは視覚領域、聴覚領域、統合領域で構成され、各領域では、動的なレザバーが時間的に変化する感覚信号を再現する生成モデルとして機能する。このモデルを、視覚と聴覚の対の時系列を含むデータセットで学習させ、雑音が含まれる聴覚信号の認識において視覚情報が認識を補うように働く効果をモデルで再現できることを確認した。さらに前年度に構築したQ学習とレザバー計算を組み合わせた感覚運動制御用ネットワークを発展させた。強化学習に基づいて離散値および連続値の制御信号の学習・生成を行うネットワークモデルを構築し、移動ロボットやロボットアームの制御に応用しその性能を解析した。このモデルをロボットシミュレータ環境で評価し、適切な行動を学習し、提案モデルが筋骨格ロボット制御に有効であることを確認することが出来た。
実装についての研究では，超立方体上の擬似ビリヤード・ダイナミックスに基づくレザバー計算のモデルをハードウェア指向のアルゴリズムでデジタル回路に実装し，その性能と新しい人工知能プラットフォームとしての有効性を検証した。さらにレザバー強化学習モデルアナログ回路に実装するための検討をすすめた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
様々な応用を念頭においたネットワークモデルの有効性を確認することが出来ため、研究は順調に進展しているといえる。今後の課題として、実問題・実応用に含まれる問題の複雑さ難しさに対応するための詳細な検証とハードウェア実装があげられる。
|
| Strategy for Future Research Activity |
超立方体計算の各種の応用向けた理論・数値シミュレーションによる解析、ハードウェア実装に取り組む。各種のロボット応用に向けたモデルの整備を行う。各課題について次の項目について研究を進める。
超立方体計算の応用に向けた理論と数値シミュレーションを進める。特にレザバー計算を中心とする情報処理の拡充と性能を明らかにする。ネットワーク構造やレザバーの持つパラメータとレザバーの性能の対応関係を解析する。記憶容量や非線形性などの基礎的な特性に加えて、強化学習タスクなどでの性能評価を進める。
柔軟に回路構成を変更可能なデジタル集積回路（FPGA）を用いて、必要な情報処理を実現するための数値表現の精度や非線形関数の近似精度を調べる。数理構造に基づく回路資源の圧縮手法を用いる。またネットワーク構造や諸パラメータ値の設定について最適な値を見積もる。また構築したロボットに搭載して活用することができる。さらにアナログ回路による超立方体計算の実装と応用も進める。
これまでに構築したTD学習とレザバー計算を組み合わせた感覚運動制御用ネットワークをさらに発展させる。強化学習に基づいて離散値および連続値の制御信号の学習・生成を行うネットワークモデルを構築し、移動ロボットやロボットアームの制御に応用しその性能を明らかにする。また心的シミュレーションによる学習効率化と行動計画を行うロボット制御モデルを構築する。ここで実環境における情報処理のための見積もりを立て、得られた知見を実機のロボットなどの開発に反映させる。
|
