2021 Fiscal Year Annual Research Report
人工知能と生体様工学の協働を加速する三次元メモリスタの創出
| Project/Area Number |
21H03506
|
|---|
| Research Institution | Hokkaido University |
|---|
Principal Investigator |
浅井 哲也 北海道大学, 情報科学研究院, 教授 (00312380)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
赤井 恵 北海道大学, 情報科学研究院, 教授 (50437373)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Keywords | メモリスタ / PEDOT:PSS / ニューラルネットワーク / ハードウェア / シミュレーション |
|---|
| Outline of Annual Research Achievements |
近年精力的に研究されてるAI専用ハードウェアのアーキテクチャとして2Dクロスバーモデルがあるが、このモデルは全結合型ニューラルネットワークに対応しているため畳み込みなどの近傍結合を表現する場合に無駄が生じる。そこで、次元の障壁を超えるべく立体的な新しいアーキテクチャのシナプス素子が望まれている。本研究は、前駆体溶液とそれに浸した電極に矩形波交流ポテンシャルを印加することで、電解重合により導電性高分子PEDOT:PSSワイヤーが発生することに着目し、それを立体的に集積することで実際の脳構造を模した脳型デバイスの構築を目標としている。そのために、PEDOT:PSSワイヤー成長のヒューリスティックモデルを構築しシミュレータを作成・応用することで予め三次元的な電極配置による実験で起こる問題を予見する。2021年度は、PEDOT:PSSワイヤー成長の特徴を「量子化した溶液空間内で最も電流が流れた場所を、導電性ポリマーワイヤーに変化させる」という形に単純化し、これを基本原理に2次元シミュレータを作成した。2次元シミュレーションは成功しヒューリスティックモデルを用いたニューラルネットワークの学習可能性を示した。次に二次元シミュレータを三次元へ拡張した。電位分布の解析方法に二次元シミュレータでは節点法を用いたが、三次元への拡張でシミュレータの規模が増大したことに対処するため、電位分布の解析方法をオイラー法に変更した。三次元シミュレーションも成功したがシミュレーションを行う中で、シミュレーションで再現する空間の規模とシミュレーション時間がトレードオフの関係にあり、さらに複雑なシミュレーションを行うためにはこの関係が肝要であることがわかった。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
年次計画どおり、2D/3Dシミュレータが構築でき、PEDOT:PSSネットワークの質的性質をつかむことができたため。
三次元シミュレータを用いた単純パーセプトロンにかかったリソースに関して、時間が3日で使用メモリが500MBと現実的な範疇に収まった。ニューラルネットワークの学習に成功したが、シミュレーションを行う中で、シミュレーションで再現する空間の規模とシミュレーション時間がトレードオフの関係にあり、今後さらに複雑なシミュレーションを行うためにはこの関係を解決することが課題となる。
|
| Strategy for Future Research Activity |
2021年度は、新たな立体的アーキテクチャの実用を見据え、それに用いるシナプス素子をモデル化し実装したシミュレータの研究を行なった。まずてニューラルネットワークを物理実装するときに重みを物理表現できるデバイスメモリスタに着目し、AI専用ハードウェアの新たな立体的アーキテクチャとなる脳型デバイスモデルを提案した。次に、新たな立体的アーキテクチャに用いるメモリスタであるPEDOT:PSSポリマーワイヤーのヒューリスティックモデルを提案した。その後、そのヒューリスティックモデルを使った二次元シミュレータを作成し、シミュレータを用いたニューラルネットワーク学習可能性を示した。さらにそのシミュレータを三次元へ拡張した。また、三次元シミュレータへ拡張したことでパラメータの再選定を行なった。その後、作成した三次元シミュレータの挙動を見るためのワイヤー単純成長と、シミュレータを用いてニューラルネットワークの学習可能性を精査するために単純パーセプトロンの学習を行なった。どちらも成功したが、シミュレーションを行う中で、シミュレーションで再現する空間の規模とシミュレーション時間がトレードオフの関係にあり、今後さらに複雑なシミュレーションを行うためにはこの関係を解決することが課題となることがわかった。2022年度はこの問題に取組む予定である。
|
