| 研究課題/領域番号 |
20H00596
|
|---|
| 研究種目 |
基盤研究(A)
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
中区分61:人間情報学およびその関連分野
|
|---|
| 研究機関 | 東北大学 |
|---|
研究代表者 |
堀尾 喜彦 東北大学, 電気通信研究所, 教授 (60199544)
|
|---|
| 研究分担者 |
池口 徹 東京理科大学, 工学部情報工学科, 教授 (30222863)
加藤 秀行 大分大学, 理工学部, 准教授 (00733510)
香取 勇一 公立はこだて未来大学, システム情報科学部, 教授 (20557607)
佐藤 茂雄 東北大学, 電気通信研究所, 教授 (10282013)
島田 裕 埼玉大学, 理工学研究科, 准教授 (50734414)
鈴木 秀幸 大阪大学, 大学院情報科学研究科, 教授 (60334257)
深見 俊輔 東北大学, 電気通信研究所, 教授 (60704492)
藤原 寛太郎 東京大学, ニューロインテリジェンス国際研究機構, 特任准教授 (00557704)
KURENKOV ALEKSANDR 東北大学, 先端スピントロニクス研究開発センター, 学術研究員 (80830645)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
44,590千円 (直接経費: 34,300千円、間接経費: 10,290千円)
2024年度: 9,620千円 (直接経費: 7,400千円、間接経費: 2,220千円)
2023年度: 8,580千円 (直接経費: 6,600千円、間接経費: 1,980千円)
2022年度: 8,320千円 (直接経費: 6,400千円、間接経費: 1,920千円)
2021年度: 8,320千円 (直接経費: 6,400千円、間接経費: 1,920千円)
2020年度: 9,750千円 (直接経費: 7,500千円、間接経費: 2,250千円)
|
|---|
| キーワード | ブレインモルフィック / 脳型計算 / 脳型ハードウェア / ニューラルネットワーク / 高次元複雑ダイナミクス / ニューロモルフィック / 時空間学習 / リザバー計算 / 非線形複雑系 / 脳型情報処理 / 高次元ダイナミクス / 複雑ダイナミクス / ブレインモルフィックコンピューティング / スピントロニクス |
|---|
| 研究開始時の研究の概要 |
脳の独特で高度・高効率・人間的な情報処理は未だに実現できず、デジタル計算パラダイムの大転換が必須である。そこで、新たな計算の枠組みとしてブレインモルフィックコンピューティングを創生し、これを高効率・高性能なハードウェアとして実現するための基盤を構築する。このため、脳の生物物理を、デバイス物理とダイナミクスを直接利用することによりボトムアップ的に再構成する。この際、脳の基本的な構造である階層的フィードバックを伴う双方向入れ子構造を脳型アーキテクチャとして構築し、脳に特異的な情報処理様式・機能を創発させる。さらに、ハードウェア試作により提案基盤の検証・解析を行い、新たな計算原理の探求に挑戦する。
|
| 研究実績の概要 |
脳で実現されているようなイベント駆動型のスパイキングニューラルネットワーク(SNN)を実現するため、超低消費電力型のSNN回路を開発し、これをリザバー計算に応用した。加えて、SNN回路に自励発振機能を付加するためのエサキダイオードデバイスの有効性を確認した。また、人工シナプス素子、人工ニューロン素子としての利用が可能な３端子スピントロニクス素子の微細加工プロセスフローを完成させた。
さらに、海馬時空間学習モデルをSNN回路システムとして実装するため、これを連続時間微分方程式として記述し直し、上記で実装したSNN回路をカオススパイク列も生成可能となるように改良して応用した。この際、ネットワーク出力のみから学習結果を評価できる2次元マップ法を提案した。さらに、時空間学習則中の時間履歴項の影響を、パターン分離能力を指標として評価した結果、時間履歴が性能向上に大きく寄与していることを明らかにした。
リザバー計算の枠組みでは、前年度までの研究を発展させることにより、横断リアプノフ指数や微分同相性指標等を用いたハイパーパラメータチューニング手法を構築した。さらに、予測符号化と強化学習を組み込んだレザバー計算モデルを連続値行動空間のタスクに応用した。また、運動プリミティブの生成・切替を行う多層リザバー計算モデルを構築した。加えて、人の認知におけるストループ効果を、階層リザバー計算による予測符号化モデルにより解析した。
さらに、脳特異的機能の解析を念頭に、種々のネットワーク解析手法の特性を明らかにした。例えば、テンポラルネットワークに対してグラフ間距離を用いたRecurrence Quantification Analysis (RQA)を適用し、採用するグラフ間距離の違いがRQAにどのような影響を与えるかを明らかにした。これらの結果から、脳神経系の学習と認知機能の数理モデル構築を進めた。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
ブレインモルフィックハードウェアに関しては、自励発振機能を有するニューロン回路の開発がやや遅れているものの、スパイキングニューラルネットワーク(SNN)としてすでに当初想定以上の性能が得られている。また、3端子スピントロニクスデバイスの開発にも少し遅延が生じたが、これまでにプロトタイプデバイスが完成し、その特性評価とSNNへの応用への考察を開始した。
上記のハードウェア開発の多少の遅れを補完する成果として、今年度より海馬時空間コンテキスト学習モデルの構築とそのSNNによる実装手法および評価手法の開発を本格的に進め、小規模なハードウェアの構築も行った。
さらに、リザバー計算を基盤とする多層ネットワークモデルを用いることで、複雑ダイナミクスを活用する脳型情報処理の枠組みを拡張することができた。また、リザバー計算のハードウェア実装時に必要となるハイパーパラメータチューニング手法などの数理モデル研究が大きく進展した。
以上により、本研究はおおむね順調に進展していると判断される。
|
| 今後の研究の推進方策 |
ニューロンの発火機構を効率的に集積回路実装するため、エサキダイオードデバイスを用いたニューロン回路の開発を進め、昨年度までに開発したCMOSスパイキングニューラルネットワーク(SNN)ハードウェアや、Spike Timing Dependent Plasticity回路との融合を図る。さらに、３端子アナログスピントロニクス素子を作製して静的・動的特性を取得し、SNN集積回路の不揮発連続値メモリを有する学習回路への応用を検討する。また、これらを活用して、時空間学習SNN回路の中規模プロトタイプシステムを実装することにより、時空間列情報のシナプス空間へのフラクタル埋め込み原理の解明に迫る。
さらに、これまで構築したマルチリザバーや階層型リザバーネットワークモデルをより精緻に評価することによりその実用性を検証するとともに、それらの実世界応用を模索する。また、階層構造型予測符号化リザバーコンピューティングを用いて、ストループ効果モデルの性質や性能を数値的、理論的に解析する。
また、引き続きハードウェア実装のための脳・神経系の数理モデル研究を進める。この際、特にリザバー計算のチューニング手法の確立、マルチリザバーシステムとしての脳基本構成要素・ネットワークの理解、カオススパイク列をも含む非同期時空間スパイク列による学習と情報処理モデルの構築およびそのハードウェア実装を行う。これらにより、ブレインモルフィックコンピューティングハードウェアの基礎理論および基盤技術の確立を目指す。
|
