| 研究課題/領域番号 |
19K12152
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分61040:ソフトコンピューティング関連
|
|---|
| 研究機関 | 千葉大学 |
|---|
研究代表者 |
小圷 成一 千葉大学, 大学院工学研究院, 教授 (70241940)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2022-03-31
|
| 研究課題ステータス |
完了 (2021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)
2021年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2020年度: 1,820千円 (直接経費: 1,400千円、間接経費: 420千円)
2019年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
|
|---|
| キーワード | ソフトコンピューティング / ニューラルネットワーク / 進化計算 / 最適化 / 再構成可能デバイス / 最適化手法 / 学習 |
|---|
| 研究開始時の研究の概要 |
再構成可能デバイスは，ニューラルネットワークの応用範囲拡大や高速処理化の要求に対応するためのハードウェア実装法として，注目されている。本研究は，ニューラルネットワークの再構成可能デバイスへのハードウェア実装問題のように，解の品質と求解の高速性が要求される問題に対応するために，目的関数の景観の曲面構造に基づいて解の探索過程を適応的に調整する適応学習型最適化法の開発を目的とする。本手法は，進化型計算法に解の探索過程そのものを遺伝子情報として付加し，さらに，目的関数の景観の曲面構造の特徴に応じて探索過程を適応的に最適化する機能を付加する。本手法により，高品質の解を効率的に求めることが期待できる。
|
| 研究成果の概要 |
再構成可能デバイスは，AIの基盤技術であるニューラルネットワークにおいて，応用範囲の拡大や高速処理化のためのハードウェア実装法として，注目されている。本研究では，ニューラルネットワークの再構成可能デバイスへのハードウェア実装問題のように，解の品質と求解の高速性が要求される問題のために，目的関数の景観の曲面構造に基づいて解の探索過程を適応的に調整する適応学習型最適化法を開発する。開発最適化手法により，高品質の解を効率的に求めることができる。
|
| 研究成果の学術的意義や社会的意義 |
進化型計算法は，解の状態を遺伝子コード化し，有益な部分解を交叉により組み合わせることにより，高品質の解を効率よく探索できる。しかし，実際的な問題に応用する際には，理想的な遺伝子コード化および交叉法を見出すことは容易ではない。また，問題毎に遺伝子コード化および交叉法の調整が必要である。開発した適応学習型最適化法の特徴は，解の探索過程そのものを遺伝子情報として付加し，観測された目的関数の景観の曲面構造の特徴に応じて探索過程を自律的・適応的に最適化する機能を，進化型計算法に導入する点にある。その結果，問題毎に遺伝子コード化および交叉法を調整する必要がなくなり，効率的に高品質の解を求められる。
|
