| 研究領域 | 光の極限性能を生かすフォトニックコンピューティングの創成 |
|---|
| 研究課題/領域番号 |
22H05195
|
|---|
| 研究種目 |
学術変革領域研究(A)
|
| 配分区分 | 補助金 |
|---|
| 審査区分 |
学術変革領域研究区分(Ⅳ)
|
|---|
| 研究機関 | 埼玉大学 |
|---|
研究代表者 |
内田 淳史 埼玉大学, 理工学研究科, 教授 (50327996)
|
|---|
| 研究分担者 |
菅野 円隆 埼玉大学, 理工学研究科, 准教授 (10734890)
|
|---|
| 研究期間 (年度) |
2022-06-16 – 2027-03-31
|
| 研究課題ステータス |
交付 (2025年度)
|
| 配分額 *注記 |
180,830千円 (直接経費: 139,100千円、間接経費: 41,730千円)
2025年度: 36,400千円 (直接経費: 28,000千円、間接経費: 8,400千円)
2024年度: 41,340千円 (直接経費: 31,800千円、間接経費: 9,540千円)
2023年度: 35,490千円 (直接経費: 27,300千円、間接経費: 8,190千円)
2022年度: 36,010千円 (直接経費: 27,700千円、間接経費: 8,310千円)
|
|---|
| キーワード | フォトニックコンピューティング / リザーバーコンピューティング / 応用光学・量子光工学 / 機械学習 / 超高速情報処理 |
|---|
| 研究開始時の研究の概要 |
人工知能技術の進展に伴い、機械学習に特化した新たな専用ハードウェアの必要性が急速に高まっている。本研究計画では、光リザーバーコンピューティングを中心とした新たなフォトニックコンピューティングの革新的技術の創成を目指す。特に複雑系フォトニクスと呼ばれる学際分野の解析ツールを駆使して、光リザーバーコンピューティングの最適設計指針の解明を行う。また大規模な多腕バンディッド問題を解決するために、光強化学習と光意思決定の並列ハードウェア実装を目指す。加えて物理深層学習のハードウェア実装を実現して光の特長を積極的に活かした新たなフォトニックコンピューティング技術の確立を目標とする。
|
| 研究実績の概要 |
近年の機械学習や人工知能の発展により、高機能な情報処理技術の必要性が急速に高まっている。従来の電子技術に基づくコンピュータでの情報処理では、機械学習の新たなニーズに対して計算速度が追い付かない点や消費電力が膨大な点など、多くの根本的課題が顕著になりつつある。このように、光の特長を活かした高速・低消費電力の新たな人工知能ハードウェアの開発が急務である。
そこで本研究計画では、光リザーバーコンピューティングを中心とした新たなフォトニックコンピューティングの革新的技術の創成を目指す。特に複雑系フォトニクスと呼ばれる学際分野の解析ツールを駆使して、光リザーバーコンピューティングの最適設計指針の解明を行う。また大規模な多腕バンディッド問題を解決するために、光強化学習と光意思決定の並列ハードウェア実装を目指す。加えて物理深層学習のハードウェア実装による新たなフォトニックコンピューティング技術の確立を目標とする。
本年度の研究成果として、マルチモード半導体レーザのモード競合ダイナミクスを用いて、多腕バンディッド問題における意思決定実験のパラメータ最適化を行った。マルチモードレーザの出力光と注入光の波長を制御することで、意思決定性能が最大化するパラメータ設定方法を確立した。また電気光遅延システムの過渡応答時間波形を用いた物理深層学習における様々な学習方法を実験実装した。システムのモデルに関する事前知識を必要としない学習方式の実装に成功した。さらには、光リザーバーコンピューティングに関する和書を出版した。光リザーバーコンピューティングに関する原理や実装方法について、網羅的に一冊の本にまとめた。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
本研究課題は当初の計画通りに進展している。本年度の研究において、マルチモード半導体レーザのモード競合ダイナミクスを用いて、多腕バンディッド問題における意思決定実験のパラメータ最適化を行った。また、電気光遅延システムの過渡応答時間波形を用いた物理深層学習における様々な学習方法を実験実装した。さらに、光リザーバーコンピューティングに関する和書を出版した。このように多くの研究成果が得られており、順調に研究課題が遂行されている。
|
| 今後の研究の推進方策 |
今後の研究活動としては、フォトニックコンピューティングのさらなる性能向上に関する研究開発を行う予定である。具体的には、空間光変調器を用いた光リザーバーコンピューティングや超次元コンピューティングの実装を行う。また、光リザーバーコンピューティングを用いた時系列予測の性能向上とダイナミクスの複製を達成する。さらには、物理深層学習の学習方法の最適化と性能向上を行う予定である。
|
