| 研究課題/領域番号 |
20H04159
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分60040:計算機システム関連
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
竹内 健 東京大学, 大学院工学系研究科(工学部), 教授 (80463892)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2024-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
17,680千円 (直接経費: 13,600千円、間接経費: 4,080千円)
2023年度: 3,900千円 (直接経費: 3,000千円、間接経費: 900千円)
2022年度: 3,900千円 (直接経費: 3,000千円、間接経費: 900千円)
2021年度: 4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2020年度: 5,200千円 (直接経費: 4,000千円、間接経費: 1,200千円)
|
|---|
| キーワード | ナノメモリデバイス / Summing Network / AI / 不揮発性メモリ / 機械学習 / Stochastic Resonance / フラッシュメモリ / メモリシステム / ニューラルネットワーク |
|---|
| 研究開始時の研究の概要 |
ナノスケールの大容量不揮発性メモリに対し、隣接メモリ間の電子の移動・電荷蓄積層からチャネルへの電子のリーク・メモリサイズの製造ばらつきなど、不揮発性メモリの本質的な課題であるメモリのエラーを、機械学習や新コーディングを用いた精緻な制御で抑制する。メモリデバイス・メモリコントローラのハード・ソフト全体を不揮発性メモリに向けて連携・融合させることで、メモリのエラーを極限まで減らし、データ保持等の寿命を最大限に高める。
|
| 研究実績の概要 |
本研究では、ナノスケールの大容量不揮発性メモリに対し、隣接メモリ間の電子の移動・電荷蓄積層からチャネルへの電子のリーク・メモリサイズの製造ばらつきなど、不揮発性メモリの本質的な課題であるメモリのエラーを、機械学習や新コーディングを用いた精緻な制御で抑制する。メモリデバイス・メモリコントローラのハード・ソフト全体を不揮発性メモリに向けて連携・融合させることで、メモリのエラーを極限まで減らし、データ保持等の寿命を最大限に高める。機械学習による制御を更に発展させ、不揮発性メモリをフルに活用した高速・低電力・高信頼な機械学習の処理・記憶システムを創造する。本年度は当初の想定に反し、当初の想定に反し、ナノスケールメモリの電子注入時の量子力学的なゆらぎをS
umming Networkに適用することで、超低電力なAI計算を実現できる可能性を発見し、特性を詳細に検討を行った。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
1: 当初の計画以上に進展している
理由
当初の想定に反し、ナノスケールメモリの電子注入時の量子力学的なゆらぎをSumming Networkに適用することで、超低電力なAI計算を実現できる可能性を発見し、特性を詳細に検討を行った。当初の予定にない新たな知見を活用することで、研究を加速することに成功し、当初予定した内容も十分な成果を挙げつつ、全体としては当初の想定以上の成果を出している。
|
| 今後の研究の推進方策 |
前年度、当初の想定に反し、ナノスケールメモリの電子注入時の量子力学的なゆらぎをSumming Networkに適用することで、超低電力なAI計算を実現できる可能性を発見した。本年度はSumming Networkを詳細に評価したうえで、単体のナノスケールデバイスとしてのみならず、ナノスケールメモリデバイスを大規模集積化し、量子ゆらぎを活用できるコンピューティングを検討する。
|
