研究課題/領域番号 |
22K18289
|
研究種目 |
挑戦的研究(開拓)
|
配分区分 | 基金 |
審査区分 |
中区分20:機械力学、ロボティクスおよびその関連分野
|
研究機関 | 京都大学 |
研究代表者 |
土屋 智由 京都大学, 工学研究科, 教授 (60378792)
|
研究分担者 |
廣谷 潤 京都大学, 工学研究科, 准教授 (80775924)
|
研究期間 (年度) |
2022-06-30 – 2025-03-31
|
研究課題ステータス |
交付 (2022年度)
|
配分額 *注記 |
26,000千円 (直接経費: 20,000千円、間接経費: 6,000千円)
2024年度: 5,460千円 (直接経費: 4,200千円、間接経費: 1,260千円)
2023年度: 6,760千円 (直接経費: 5,200千円、間接経費: 1,560千円)
2022年度: 13,780千円 (直接経費: 10,600千円、間接経費: 3,180千円)
|
キーワード | コグニティブコンピューティング / 機械学習 / 非線形振動子 / MEMS / SOI / ベンチマークタスク / リザバーコンピューティング / センサ |
研究開始時の研究の概要 |
モノのインターネット(IoT)技術の基盤となるセンサを小型化、低消費電力化しながらセンサ側で「検知・認知・判断・行動」可能な知能化エッジ端末として実装するために微小電気機械システム(MEMS)の機械構造上で機械学習による人工知能処理が可能なセンサ一体型コグニティブコンピューティング(CC)デバイスを目指します。具体的にはMEMS加速度センサに非線形振動子を一体作製し、これを物理リザバーとしてニューラルネットワークの一つであるリザバーコンピューティングによって、例えばヒトの運動による振動からその動作を検知する一体化デバイスを実現します。
|
研究実績の概要 |
本年度はsilicon-on-insulator(SOI)ウエハ上に単一の微小電気機械システム(MEMS)非線形振動子を作製し、これを物理リザバーとして機械学習のベンチマークタスクを実施し、機械学習が可能であることを示しました。そして、振動子の非線形振動応答特性と機械学習性能を比較して最適な動作ポイント、そのメカニズムについて考察しました。 SOIウエハに製作した両端支持梁からなる非線形振動子は梁の張力による剛性によって硬化ばね特性を有し、共振点付近で振動応答特性にヒステリシスを示しました。この応答特性を利用した物理リザバーを構築し、短期記憶、パリティタスクによるベンチマークを実施し、それぞれ短期記憶、非線形演算能力を確認し、機械学習が可能であることを示しました。そのうえで、振動子の振動特性、特に振動子の動作周波数と入力データの保持時間が学習性能に及ぼす影響を調べました。 その結果、応答振幅にヒステリシスが生じる領域、特に不安定領域で記憶性能が他よりも良くなる傾向と線形、非線形記憶性能の高性能領域が相補的に存在することを確認しました。これらは物理リザバーで広く知られる経験則と一致していました。これらのことはMMEMS非線形振動子が物理リザバーとして良く機能していることを示しており、今後の研究に必要な最適な動作点、振動子の設計論の知見が得られました。 これらを踏まえて、非線形振動子アレイや加速度センサを一体化した非線形振動子を製作し、これらについてもベンチマークタスクを実施し、機械学習が可能であることを確認しました。
|
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
今年度の目標としてMEMS非線形振動子を用いたリザバーの最適化を掲げた。当初熱アクチュエータを一体化したデバイスでの検討を予定したが、一般的な両端支持梁振動子を用い、動作周波数と物理リザバー性能の関係を調べる方法で、非線形振動特性と機械学習性能の関係を調べ、ここから振動子に求められる性能と、最適な動作点についての知見を得ることができた。 また、物理リザバーにおける経験則である、線形、非線形演算能力の相補性やいわゆるEdge of Chaosと呼ばれる不安定(カオス)振動領域に近い動作点での高い演算性能を示すことを確認している。 これらは国際会議で報告し、注目を集めている。その結果として、国際会議において招待講演を行っており、成果は著しいと考えている。 さらに、次年度予定していたアレイデバイスの開発や加速度センサ一体化リザバーについてもデバイスの試作、動作の確認を進めており、当初の計画に対して大幅に前倒しで研究成果が出ており、進捗は計画以上に進展していると判断する。
|
今後の研究の推進方策 |
すでに、非線形振動子アレイ、加速度センサ一体化リザバーの製作を終えており、これらに対して機械学習タスクを実施して、その性能評価、最適動作点の探索などを行う。 非線形振動子アレイについては、3、5、10個の非線形振動子を静電容量結合した振動子アレイについて前年に単一振動子で実施した機械学習ベンチマークタスクを実施し、アレイ化による性能向上の実現とそのメカニズムの解明を行う。特に振動子の特性ばらつきによって生じると予想されるモード局在化現象と学習性能の関係について調べ、アレイ化がどのように非線形応答に影響し、学習に寄与するかを検討する。 加速度センサ一体化リザバーについては、加速度を周波数変化により検出する周波数変調型加速度センサを用いて、機械学習タスクを実施する。まず、加速度入力に対して、一体化したリザバー振動子の応答特性を測定し、これをモデル化(運動方程式で記述)する。これを用いて計算機上でシミュレーションを行い、機械学習性能を確認する。そのうえで、パラメータ最適化により加速度センサの設計を行う。目的としては人間の活動状況モニタへの応用を目指して、歩行やジョギングなどで生じる振動(振幅~10 m/s^2)の識別が可能な周波数応答、加速度感度を有するデバイスを設計する。これを試作し、加振器を用いて振動入力する形で、提案するデバイスが歩行とジョギングの識別のタスクに応用できるかを検討する。
|