| 研究課題/領域番号 |
22K17879
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分60060:情報ネットワーク関連
|
|---|
| 研究機関 | 東京工業大学 |
|---|
研究代表者 |
横式 康史 東京工業大学, 科学技術創成研究院, 助教 (70893189)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2024-03-31
|
| 研究課題ステータス |
完了 (2023年度)
|
| 配分額 *注記 |
4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)
2023年度: 1,820千円 (直接経費: 1,400千円、間接経費: 420千円)
2022年度: 2,730千円 (直接経費: 2,100千円、間接経費: 630千円)
|
|---|
| キーワード | 機械学習 / Machine Learning / Binarized Neural Network / Digital Circuit / 二値化回路 / デジタル回路 / 信号処理 / Binary Neural Network / エナジーハーベスティング / 外れ値予測 / 外れ値検出 / CMOS / アクセラレータ / 非線形回帰 |
|---|
| 研究開始時の研究の概要 |
近年注目を集めている環境問題への取り組みとして、環境から得られる微小なエネルギーを有効活用するエナジーハーベスティングが挙げられる。その微小なエネルギーで動くセンシングデバイスを実現するためには、センサの他にその情報を処理する回路が必要となる。その情報処理の一部を低消費電力で行うために、本研究では機械学習を利用する。センシングに活用可能な、非線形変換、外れ値検出などを低消費電力で実現できるチップの実現に向けた研究を行う。
|
| 研究成果の概要 |
本研究では入力数の少ないセンサに特化した機械学習モデルを作るための環境整備を行った。及び目標とするエナジーハーベスティング向けの機械学習回路の重みを保存するための不揮発性メモリの検討も行った。Binarized Neural Network (BNN)を用いた回路をFPGA上だけではなく、実際に、0.18μm 1-poly 6-metal 標準CMOSプロセスを用いて試作し、その低消費電力性に関して有用性を示すことができた。更に、ニューロン数を変更できる独自の回路により、ハードウェアで実装した機械学習回路に柔軟な特性を持たせることができるようになった。
|
| 研究成果の学術的意義や社会的意義 |
AIや機械学習などの分野は、回路の研究分野にも有用である。画像処理やアクセラレータなどの分野の取り組みが多かったが、本研究はこれまで研究例が少なかった。特にあまり取り組まれていなかった入力数の少ない機械学習モデルからなる分野に着目し、より小型で低消費電力性に優れているBNNの回路をチップ化した。その計測結果からBNNからなる回路の低消費電力性を示すことができた。その他にも新しいモデルも提案することができ、回路分野におけるBNNによる機械学習モデルの有用性を示すことができた。
|
