| 研究課題/領域番号 |
18K11230
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 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 | 福岡工業大学 |
|---|
研究代表者 |
山内 寛行 福岡工業大学, 情報工学部, 教授 (70425239)
|
|---|
| 研究期間 (年度) |
2018-04-01 – 2021-03-31
|
| キーワード | 省電力機械学習 / SRAM内機械学習 / メモリ内機械学習 / 量子化機械学習 / １ビット機械学習 |
|---|
| 研究成果の概要 |
重みベクトルWrite用と内積和Read用のポートを分離し、7T-SRAMのRead用1-トランジスタの並列数・パルス幅の値で多bitの各電流値を調整し、ビット線短絡で加算した。この技術により「特徴ベクトル×多bit重みベクトルの内積和を、記憶データの破壊を回避しながら短絡ビット線電流に反映しワード線降圧を不要とし低電圧が可能」となった。量子化アルゴリズムは「特徴ベクトル行ごとに量子化することで、各ワード単位で正規化が可能になり、各bitが偏って1/0に丸められる確率を減らし、多bitの本来の精度を維持できる」ことが確認できた。結果、集団学習」を不要にし、大量のセルアレイを削減できた。
|
| 自由記述の分野 |
計算機システム
|
| 研究成果の学術的意義や社会的意義 |
本研究は「特徴ベクトル×1-bit重みベクトルの内積計算をSRAMセルアレイの読み出し動作で可能にする機械学習識別器に関するもので提案技術により「特徴ベクトル×多bit重みベクトルの内積和を短絡ビット線電流に反映できる。量子化アルゴリズムは「特徴ベクトル行ごとに量子化することで1/0に丸められる確率を減らし、多bitの本来の精度を維持できる」結果、コストを犠牲にしても必要だった「精度補償用の集団学習」を不要にし、大量のセルアレイを削減できる。これにより、本研究の目指す「どこでもAIに向けて必須の、省電力化機械学習識別器」に必要な、精度とコスト（消費電力、面積）のトレードオフの関係が改善される。
|
