| 研究実績の概要 |
深層ニューラルネットワーク（DNN）が画像分類を始めとした様々な領域で既存アルゴリズムを上回る成果を挙げている。しかし、他を圧倒する性能と引き換えに、DNNの学習・推論に要する計算コストは非常に大きく、DNNのエッジデバイス応用が広がらない要因となっている。この様な背景を鑑み、本研究では、インメモリコンピューティングを指向したアーキテクチャの一つとしてリザバーに着目し、ハードウェア規模の更なる削減と、画像分類等の実用的なタスクへの応用可能性を検討した。
リザバー内部情報は一般的に連続値で表現されるため、アナログ回路、ないしは浮動小数点演算器が必要であり、スケーリングや回路規模の観点で不利であった。そこで、本研究では、リザバーをバイナリセルオートマトンで代替する方式を検討した。また、分類モジュールには確率的なデータ構造の一種であるBloom Filter（BF）を採用することで、モデルサイズの大幅削減を狙った。
MNIST画像分類タスクを対象に既存手法と比較した結果、提案手法により、推論精度を損なうことなくメモリを1/43にまで削減できることを明らかにした。また、商用65nmプロセスライブラリを用いて提案アルゴリズムをハードウェア実装した結果、同等のテクノロジで実装された既存手法と比較して消費電力を約半分にまで削減できることが明らかとなった。関連する成果は2021年3月に開催された集積回路・設計自動化・テストに関する欧州最大の国際会議であるDesign, Automation, and Test in Europe (DATE)にてポスター発表した（採択率：36%）。
|
