| 研究課題/領域番号 |
15H05304
|
|---|
| 研究種目 |
若手研究(A)
|
| 配分区分 | 補助金 |
|---|
| 研究分野 |
計算機システム
|
|---|
| 研究機関 | 東京工業大学 (2016-2018)
愛媛大学 (2015) |
|---|
研究代表者 |
中原 啓貴 東京工業大学, 工学院, 准教授 (20624414)
|
|---|
| 研究期間 (年度) |
2015-04-01 – 2019-03-31
|
| 研究課題ステータス |
完了 (2018年度)
|
| 配分額 *注記 |
24,700千円 (直接経費: 19,000千円、間接経費: 5,700千円)
2018年度: 2,990千円 (直接経費: 2,300千円、間接経費: 690千円)
2017年度: 2,730千円 (直接経費: 2,100千円、間接経費: 630千円)
2016年度: 2,080千円 (直接経費: 1,600千円、間接経費: 480千円)
2015年度: 16,900千円 (直接経費: 13,000千円、間接経費: 3,900千円)
|
|---|
| キーワード | FPGA / Radio Telescope / Digital Signal / Spectrometer / FFT / RNS / Deep Learning / CNN / 電波天文 / 分光器 / 深層学習 / 信号処理 / 計算機システム / 再構成可能LSI / Signal Processing / DSP |
|---|
| 研究成果の概要 |
分光器の演算順序を入換えたアルゴリズムと剰余数系(Residue Number System: RNS)を適用したFFTを既存設備であるROACH2ボードに実装し, CASPERが公開している既存の分光器と比較して, 50倍の帯域・16384倍の分解能を持つ分光器を実現した. 観測後のデータ分類器をCNN(Convolutional Neural Network)を対象としてハードウェア化した. CNNを低ビット化(Binary)とスパース化(Ternary)し, FPGA実装による実用性を明らかにした.
|
| 研究成果の学術的意義や社会的意義 |
次世代電波望遠鏡用分光器を現行のROACH2 FPGAボード1台で実現できることができる. 本研究では, 提案回路の応用を電波望遠鏡としているが, ドップラー効果を利用した応用(CTスキャナ, 海洋レーダ, 気象レーダ等)に転用する事が可能となった.
また, 観測後のデータを要（測定対象）／不要に分類するDeep Learningの一種であるConvolutional Neural Network (CNN)のFPGA化に適したハードウェア削減・高速化手法を研究開発できたため, 帯域・実装コストの削減が可能となり, 監視カメラ・自動運転・ロボット・ドローン等へと適用可能となった.
|
