Development of low power deep learning LSI based on in-memory computing
| Project/Area Number |
18K13800
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 21060:Electron device and electronic equipment-related
|
|---|
| Research Institution | Kyoto University (2020)
Osaka University (2018-2019) |
|---|
Principal Investigator |
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Project Status |
Completed (Fiscal Year 2020)
|
| Budget Amount *help |
¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2020: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000)
Fiscal Year 2019: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
Fiscal Year 2018: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
|
|---|
| Keywords | リザバーコンピューティング / 機械学習 / 低消費電力 / リザーバコンピューティング / 画像分類 / エッジコンピューティング / ブルームフィルタ / オンライン学習 / ゲートレベル時候同期回路 / サブスレッショルド動作 / 深層学習 / 集積回路 / アクセラレータ |
|---|
| Outline of Final Research Achievements |
We developed a machine learning algorithm suitable for in-memory computation and evaluated its performance when implemented on silicon. Specifically, we proposed an image classification algorithm that combines cellular automata and Bloom filters, a probabilistic data structure. Furthermore, through power simulations assuming a 65-nm CMOS technology, we showed that the proposed algorithm can reduce power consumption by 50% without compromising inference accuracy compared to existing methods.
|
| Academic Significance and Societal Importance of the Research Achievements |
深層ニューラルネットワーク（DNN）が画像分類をはじめとして様々な領域で成果を挙げている。しかし、他を圧倒する性能と引き換えに、DNNの学習・推論に要するエネルギは膨大であり、DNNのエッジ応用を妨げる要因となっている。本研究では、リザバー計算に基づく反復法に依存しない機械学習アルゴリズムを提案し、電力削減効果を検証した。脱炭素が叫ばれる現代において、情報システムが消費する電力は膨大であり、その削減が強く求められている。本研究は知的コンピューティングの高効率化に向けて寄与する成果であると言える。
|
Report
(4 results)
Research Products
(3 results)
