| 研究課題/領域番号 |
18H05288
|
|---|
| 研究種目 |
基盤研究(S)
|
| 配分区分 | 補助金 |
|---|
| 審査区分 |
大区分J
|
|---|
| 研究機関 | 東京工業大学 |
|---|
研究代表者 |
本村 真人 東京工業大学, 科学技術創成研究院, 教授 (90574286)
|
|---|
| 研究分担者 |
浅井 哲也 北海道大学, 情報科学研究院, 教授 (00312380)
池辺 将之 北海道大学, 量子集積エレクトロニクス研究センター, 教授 (20374613)
高前田 伸也 東京大学, 大学院情報理工学系研究科, 准教授 (60738897)
|
|---|
| 研究期間 (年度) |
2018-06-11 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
192,790千円 (直接経費: 148,300千円、間接経費: 44,490千円)
2022年度: 23,920千円 (直接経費: 18,400千円、間接経費: 5,520千円)
2021年度: 35,360千円 (直接経費: 27,200千円、間接経費: 8,160千円)
2020年度: 52,260千円 (直接経費: 40,200千円、間接経費: 12,060千円)
2019年度: 47,580千円 (直接経費: 36,600千円、間接経費: 10,980千円)
2018年度: 33,670千円 (直接経費: 25,900千円、間接経費: 7,770千円)
|
|---|
| キーワード | AI / アニーリング / 深層ニューラルネット / リコンフィギュラブル / アーキテクチャ / 離散最適化 / ニューロモルフィック / リザーバ計算 / アニーリングプロセッサ / 確率的コンピューティング / アニーリング計算 / リコンフィギュラブルハードウェア / リコンフィギュラブルシステム / 知能コンピューティング / 深層ニューラルネットワーク(DNN) / ニューロモルフィックHW / アニーリング計算機 |
|---|
| 研究成果の概要 |
ビット可変推論ProgressiveNN，乱数固定によるモデルサイズ圧縮・隠れニューラルネット技術，その世界初のアーキテクチャ・チップHiddenite，その新たな学習技術M-Sup等を提案した．新たな二値化DNN技術や，高位合成コンパイラNNgenとこれを活用した奥行推定FPGAアクセラレータ等を提案した．並列スピン更新アルゴリズムとその改良・評価を進めLSI実証結果を発表した．DNNと離散最適化の融合研究を進めRecurrent Residual Networkを提案した．原子スイッチを用いたリザーバコンピューティングや確率的計算に基づくDNNのフォワード・バックワード計算を実現した．
|
| 研究成果の学術的意義や社会的意義 |
DNN処理，アニーリング処理(離散最適化)，ニューロモルフィックの3分野はAI時代を支える基本的な処理群であり，将来密接につながり融合していくと考えられる．世界に先駆けた分野融合を標榜して，これらの分野をまたがる最先端の研究成果を上げ続けてきた本基盤S研究課題の学術的・社会的な意義は大きい．特に，特記すべき成果として述べた隠れニューラルネット技術に関する世界初のアルゴリズムとハードウェア両面の研究成果は，DNNとアニーリングの双方を視野に入れる本研究課題ならではの研究方針により生み出されたものであり，今後もAI処理分野へ広く波及が期待される大きな意義を持つものであったと言える.
|
| 評価記号 |
事後評価所見 (区分)
A: 研究領域の設定目的に照らして、期待どおりの成果があった
|
評価記号 |
中間評価所見 (区分)
A: 研究領域の設定目的に照らして、期待どおりの進展が認められる
|
