研究課題/領域番号 |
17K00083
|
研究種目 |
基盤研究(C)
|
配分区分 | 基金 |
応募区分 | 一般 |
研究分野 |
計算機システム
|
研究機関 | 熊本大学 |
研究代表者 |
尼崎 太樹 熊本大学, 大学院先端科学研究部(工), 准教授 (50467974)
|
研究期間 (年度) |
2017-04-01 – 2020-03-31
|
研究課題ステータス |
完了 (2019年度)
|
配分額 *注記 |
4,420千円 (直接経費: 3,400千円、間接経費: 1,020千円)
2019年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2018年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
2017年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
キーワード | AIチップ / ニューラルネットワーク / DNNアクセラレータ / エッジ端末 / リコンフィギャラブル / 深層学習 / 重み2のべき乗化 / 高速シリアル通信 / ディープラーニング / リコンフィギャラブルシステム / ニューラルネットワークチップ |
研究成果の概要 |
本研究では,DNNの多種多様な用途・構造に対応するため再構成性を備えたAIアーキテクチャを研究開発し,低コスト,高ユーザビリティ,高速かつ超低消費電力なリコンフィギャラブルAIアクセラレータの回路構造を明らかにした.また,レイアウト設計レベルで性能評価を行った.AlexNetモデルを実装した際の動作周波数は350MHzであった.これらを加味した電力効率は883 [FPS/W]であった.本研究で開発されたアーキテクチャをベースに,MobileNetなどの新しいAIエッジコンピューティング向けのモデルへの対応を進める予定である.
|
研究成果の学術的意義や社会的意義 |
提案する深層学習チップの特徴は,NNの複雑さや規模に応じてHW構成を最適化できる点にある.特に,演算精度に着目してHW量を削減する回路最適化できる点が重要なポイントである.現在の深層学習は人工知能の先駆けに過ぎず,人間の知能に近づけるには膨大な計算量をいかに高速,低電力でできるかがカギとなる.一方,GPGPUや商用FPGAなどの汎用デバイスを用いたアプローチではこれらに対し限界が来るのは明らかである.提案する深層学習チップ開発を通して,IoTにおけるエッジサイドでの利用に対し、用途に合わせた最適化な形で処理を実行できる枠組みを示した.
|