| 研究課題/領域番号 |
23K24913
|
|---|
| 補助金の研究課題番号 |
22H03657 (2022-2023)
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 基金 (2024)
補助金 (2022-2023) |
|---|
| 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 | 東北大学 |
|---|
研究代表者 |
佐藤 茂雄 東北大学, 電気通信研究所, 教授 (10282013)
|
|---|
| 研究分担者 |
櫻庭 政夫 東北大学, 電気通信研究所, 准教授 (30271993)
山本 英明 東北大学, 電気通信研究所, 准教授 (10552036)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
17,550千円 (直接経費: 13,500千円、間接経費: 4,050千円)
2024年度: 4,420千円 (直接経費: 3,400千円、間接経費: 1,020千円)
2023年度: 4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2022年度: 8,450千円 (直接経費: 6,500千円、間接経費: 1,950千円)
|
|---|
| キーワード | エッジコンピューティング / スパイキングニューラルネットワーク / デジアナ混在CMOS回路 / リザバーコンピューティング |
|---|
| 研究開始時の研究の概要 |
本研究では、エッジ側での電力制限を満たすために脳型計算機ハードウェアの極限までの低電力化を目的として、生体を模倣したデジアナ混在スパイキングニューラルネットワークハードウェアの開発を行う。デバイスと回路を融合した革新的ハードウェアを構築し、時系列信号の認識等への応用によりその有効性を明らかにする。また、これまでに提案されている様々な脳型計算機アーキテクチャとの比較により、提案手法の優位性と問題点を検証する。特にアナログ回路のばらつきを脳型学習によって吸収しうるかという長年の学術的議論に決着をつけ、工学的に最も優れたアーキテクチャを提案する。
|
| 研究実績の概要 |
本研究では、エッジ側での電力制限を満たすために、脳型計算機ハードウェアの極限までの低電力化を目的として、生体を模倣したデジアナ混在スパイキングニューラルネットワークハードウェアの開発を行う。デバイスと回路を融合した革新的ハードウェアを構築し、時系列信号の認識等への応用によりその有効性を明らかにする。また、これまでに提案されている様々な脳型計算機アーキテクチャとの比較により、提案手法の優位性と問題点を検証する。特にアナログ回路のばらつきを脳型学習によって吸収しうるかという長年の学術的議論に決着をつけ、工学的に最も優れたアーキテクチャを提案する 。
今年度は、まずニューロン・シナプス両回路のCMOS回路・デバイス融合設計を行った。スパイキングニューロン回路はアナログ動作とし、ニューロン動作に必要な非線形演算はMOSトランジスタの弱反転領域での指数関数的特性や強反転領域での2次関数特性、Si/SiGe共鳴トンネルダイオードの負性抵抗特性などを利用する。シナプス回路には不揮発アナログメモリを用いるだけでなく、STDPなどの学習回路も包含する形とした。また、デバイスの開発に向けて、各種製作工程のプロセス条件の洗い出しを行った。さらに、エッジコンピューティングへの応用を目的として、リザバーコンピューティングによる時系列認識タスクの数値実験を行った。数字読み上げの音声信号を識別するリザバー計算のパラメータを明らかにし、回路実現への準備を進めた。
|
| 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
回路実現、デバイス開発、リザバー計算の実装というそれぞれの研究項目において、順調に研究を遂行することができたため。
|
| 今後の研究の推進方策 |
引き続き、ニューラルネットワークを構成する各種回路及びデバイスの開発を行う。これまでの試作結果を反映させて、回路構成、デバイス製作方法の見直しを行い、ブラッシュアップを図る。スパイキングニューロン回路はアナログ動作とし、ニューロン動作に必要な非線形演算はMOSトランジスタの弱反転領域での指数関数的特性や強反転領域での2次関数特性、Si/SiGe共鳴トンネルダイオードの負性抵抗特性などを用いて実現する。また、アナログ動作するシナプス回路は不揮発アナログメモリとして働くスピントロニクスデバイスを用いて実現する。
また、LSIチップとデバイスを接続し、全体動作を確認する。さらに、具体的なアプリケーションとして、時系列認識課題を行うニューラルネットワークを構成し、その電力性能を評価する。
|
