2022 Fiscal Year Annual Research Report
Dynamics analysis of attractors of large-scale dynamical systems and their relationship with the emergence of swarm intelligence
| Project/Area Number |
20K11978
|
|---|
| Research Institution | Tokyo City University |
|---|
Principal Investigator |
神野 健哉 東京都市大学, 情報工学部, 教授 (50286762)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
中野 秀洋 東京都市大学, 情報工学部, 教授 (10386360)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | リザバーコンピューティング / ヒステリシス / ニューラルネットワーク / カオス / ダイナミクス / プルーニング / 粒子群最適化法 / 学習法 |
|---|
| Outline of Annual Research Achievements |
本研究課題の目的は、多数の素子が結合した大自由度力学系のダイナミクスを解明し、その解析結果を利用し解探索性能を向上させることである。2022年度は2次系であるヒステリシス素子を含んだ弛張発振器を相互に結合させた我々が提案するヒステリシスニューラルネットワークをリザバー層に適用させたヒステリシスリザバーコンピューティングを提案し、各ニューロンの時定数を変化させることでヒステリシスリザバーコンピューティングの記憶容量が増大することを明らかにした。さらにカオス力学系から発生させた時系列をヒステリシスリザバーコンピューティングに学習させることで、その時系列に内包する力学系を抽出することが可能であることを明らかにした。
一方、ダイナミクスにカオス振動に基づく微小振動を印加することで従来の手法よりも最適解の探索能力が向上した粒子群最適化法を多層ニューラルネットワークの学習に使用した結果について検討を行った。多層ニューラルネットワークでは中間層のニューロン数および層数を増加させることによってその性能を向上させている。ニューロン数の増加に伴い、適切な解の探索が容易になっている面もあるものの、規模の大きなシステムはエッジコンピューティングを想定した場合、適切ではない。このため、ニューロンを間引きするプルーニング手法が提案されているが、本研究ではこれを先に述べた粒子群最適化法を用いて最適化することでニューロン数の削減が行えることを明らかにした。
|
