| 研究課題/領域番号 |
17K20010
|
|---|
| 研究種目 |
挑戦的研究(萌芽)
|
| 配分区分 | 基金 |
|---|
| 研究分野 |
人間情報学およびその関連分野
|
|---|
| 研究機関 | 九州工業大学 |
|---|
研究代表者 |
田向 権 九州工業大学, 大学院生命体工学研究科, 准教授 (90432955)
|
|---|
| 研究協力者 |
鈴木 章央
堀 三晟
プラマンタ ディンダ
ヨンジェ ヨー
フエンフシン ニンナート
|
|---|
| 研究期間 (年度) |
2017-06-30 – 2019-03-31
|
| 研究課題ステータス |
完了 (2018年度)
|
| 配分額 *注記 |
6,500千円 (直接経費: 5,000千円、間接経費: 1,500千円)
2018年度: 2,340千円 (直接経費: 1,800千円、間接経費: 540千円)
2017年度: 4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
|
|---|
| キーワード | ニューラルネットワーク / 演算誤差 / ディジタルハードウェア / FPGA |
|---|
| 研究成果の概要 |
回路化の際に生じる演算誤差を乱数として活用することでのRBMの学習や，乱数の代わりとなる単純なルールでのDropout実装により，MLP，CNN，LSTMといった様々なニューラルネットワークの学習が可能であることを見いだした．これにより，乱数生成器のために必要であった回路規模の削減などが可能となり，ニューラルネットワークをハードウェア実装した際の高性能化が期待できることを示した．
|
| 研究成果の学術的意義や社会的意義 |
深層学習が大きな注目を集めるにつれて，多数の回路研究者が深層学習のアクセラレータ開発へと集結している．しかし，ニューラルネットワークの理論やアルゴリズムにまで踏み込んだ回路実装に関する研究領域は未開拓で，特に消費電力や排熱が重要となる組込み化はこれからの領域である．本研究成果により，乱数生成に係わる一部分ではあるが，ニューラルネットワークを理論面から軽量化することに成功し，回路化への道筋を付けることができた．本成果により，我が国が得意とする組込みシステムや自動車・ロボット分野への深層学習応用について大きな貢献が期待できる．
|
