2021 Fiscal Year Research-status Report
報酬信号を考慮したスパイキングニューロン用学習モデルの提案とそのハードウェア実装
| Project/Area Number |
21K17818
|
|---|
| Research Institution | Tohoku University |
|---|
Principal Investigator |
守谷 哲 東北大学, 電気通信研究所, 学術研究員 (10898117)
|
|---|
| Project Period (FY) |
2021-04-01 – 2023-03-31
|
| Keywords | 神経回路モデル / STDP / 脳型計算 / 学習 / アナログ回路 / 脳型コンピュータ |
|---|
| Outline of Annual Research Achievements |
低消費電力性に加えて耐障害性や可拡張性を兼ね備えた情報処理システムの実現を目標として，神経細胞が生じるスパイクなどの局所情報から効率的に学習を行うための学習モデルの開発を行っている．神経スパイクのタイミングに依存して細胞間の結合重みが変化するスパイクタイミング依存可塑性（STDP）という現象に着目し，この機能を実現するアナログ回路について設計した．アナログ回路は21個のトランジスタから構成され，結合重みの変化量に相当する電圧を出力する．実細胞のSTDPの結合重みの変化と同様に，出力電圧が神経スパイクの時間差に対して指数関数的に変化することを計算機シミュレーションから確認した．更に，現在の結合重みによって結合重みの変化量が変わる荷重値依存性の効果や，学習において重要度が低い細胞間の結合を減弱させる効果についても同回路上に実現した．これらの効果はSTDPを利用した学習において学習性能を向上させることが報告されており，より効率的な学習則の実現に寄与する．これに加えて，数百ニューロン程度からなるスパイキングニューラルネットワークの活動をシミュレーションするためのプログラムを作成した．既にネットワーク動作の検証は完了しており，外部入力に対してネットワーク構造を反映したダイナミクスが発現することを確認した．さらに，このネットワークに音声信号を入力した際に分類する課題を行い，信号が弁別できることを確かめた．現在はSTDPを含め，スパイクを活用した学習則のネットワークレベルでの実装について進めている．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
STDP則を実現するアナログ回路設計は当初の研究計画に無かったものであり，デジタル回路よりも更に効率的に学習を実現しうる専用ハードウェアの開発に繋がる．またこの結果はトランジスタの物理的な特性を活用した効率的な学習則に関する知見を与えるものである．また，スパイキングニューラルネットワークのシミュレーション環境に関しても構築済みで，ネットワーク動作を確認している．これらのネットワークをリザバーコンピューティングにおけるリザバー層として利用し，リッジ回帰などの既存の学習則で音声信号が弁別できることを確認した．一方で，局所的な情報を用いた独自の学習則については現在アルゴリズムやパラメータを調整している段階であり，検証を進めている．その為，進捗状況を(２)概ね順調に進展しているとした．
|
| Strategy for Future Research Activity |
まずは学習則についてアルゴリズムやパラメータの調整を完了し，その後は当初の計画通り，計算機シミュレーション上に構築したスパイキングニューラルネットワークおよび学習機構を実現するための専用デジタルハードウェアの構成を検討する．ハードウェア実装に際し乗算など計算リソースが大きい演算の実行が課題となるが，メモリテーブルやシフト演算等を活用することで対応する．また提案したハードウェア構成をもとに提案アルゴリズムをFPGA上に実装し，その回路規模，及び音声認識課題を実行した際の性能・消費電力について評価を行う．従来アルゴリズムを用いてCPU上でソフトウェア的に情報処理を実行した場合と計算速度や消費電力について比較し．モデルの有効性を評価する．
|
