2023 Fiscal Year Research-status Report
| Project/Area Number |
22K12202
|
|---|
| Research Institution | Shibaura Institute of Technology |
|---|
Principal Investigator |
保坂 亮介 芝浦工業大学, システム理工学部, 准教授 (80569210)
|
|---|
| Project Period (FY) |
2022-04-01 – 2026-03-31
|
| Keywords | Liquid state machine |
|---|
| Outline of Annual Research Achievements |
リッキドステートマシーンの実装を行なった。特に、（1）リザバー層の挙動から意図しない部分の修正、（2）readout 層を実装，統合、（3）LSM が学習を行えるかの確認、を行なった。しかし、完成には至っていない。
修正点は、動的シナプス、静的シナプス、LIF の微分方程式の部分で、刻み幅のパラメーターが与える影響を変更した。これによってより短期シナプス可塑性がリザバー層に与える影響を大きくした。liquid response が多少ランダムな値を取るようになったが、依然としてパターンだと思われるのが散見してしまっている。初期の入力からパターンが出てしまっているので、それが良いことなのか悪いことなのか判断が難しい。不応期、LIFの定常入力のパラメータが liquid response に大き な影響を与えるが、どれが高次元化に良いのか分からないため、それらも調べた。また、リードアウト層を実装した。リードアウト層は20 個の 並列パーセプトロンで 135 個のリザバー層に対しall-to- one、活性化関数は step関数とした。学習と予測どちらも 動くことの確認が取れたので分類用検証データを選定し、実際に分類問題にチャレンジする予定である。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
リカレントニューラルネットワークがリザバー層として機能するにはネットワークの活動がカオス的である必要がある。また、時系列データの相関関係を適切に学習するには、さらにカオスの縁 (Edge of Chaos) 状態であることが望ましい。そこ昨年度に実装されたリザバー層を用いて STDP 学習を持つリザバー層がカオスの縁状態になりうるのかを調べ、その時の条件を検討した。また、抑制生シナプスにもSTDP学習を導入しつつある。しかし、まだ実装に至ってはいないため、進捗は完璧ではない。
|
| Strategy for Future Research Activity |
昨年度に作成したリザバー層を入力層と出力層と結合し、リザバーコンピューティングとして機能するかを調べる。この際、入力時系列の選定が重要である。次の3つを試すつもりであり、（1）点過程で記述されるポアソン入力、（2）連続時系列、特に正弦波などの簡単なもの、（3）カオス時系列、カオス時系列は単規則は可能であるが、初期値鋭敏依存性のために長期予測が難しい。
これらを実行し、提案手法の有用性を検討する。
|
| Causes of Carryover |
旅費に使用するために予算を残しておいたが、実際の金額と齟齬が生じたために、残金が残った。2024年度の旅費として使用する予定である。
|
