| 研究課題/領域番号 |
18K18025
|
|---|
| 研究機関 | 奈良先端科学技術大学院大学 |
|---|
研究代表者 |
新谷 道広 奈良先端科学技術大学院大学, 先端科学技術研究科, 助教 (80748913)
|
|---|
| 研究期間 (年度) |
2018-04-01 – 2021-03-31
|
| キーワード | ニューラルネットワーク / メモリスタ / 高信頼化 / 過渡故障 / 永久故障 / 誤り訂正符号 / 脳型コンピュータ |
|---|
| 研究実績の概要 |
本研究では、深層学習に代表される機械学習の性能を飛躍的に向上させる脳型機械学習ハードウェアに関する研究を行っており、特にメモリスタを用いたニューラルネットワークの高信頼化に着目している。メモリスタは、製造技術が習熟しておらず、過渡故障、永久故障を生じる課題がある。今年度は、定期的なオンラインテストおよび誤り訂正回路の付与によるメモリスタニューラル・ネットワークの耐故障化に取り組んだ。
メモリスタニューラルネットワークでは、メモリスタをクロスバーアレイ構造で実装し、クロスバーアレイの1層がニューラルネットワーク層に対応する。既存の手法では、各ニューラルネットワーク層の行方向に冗長セルを付与し、チェックサム法を用いて過渡故障の誤り訂正を行っていたが、2つ以上の同一行の故障は訂正できない課題があった。そこで、提案手法では、列方向にも冗長セルを付加することで、誤り訂正性能の向上を図った。さらに、定期的なオンラインテストにより永久故障を特定し救済する。ホップフィールドネットワークを用いた数値計算の結果、対策を行わなかった場合と比べて25.81%、既存手法と比べて5.25%の識別率向上を確認した。
さらに，本研究で得た機械学習の学習アルゴリズムに関する知見を活かして，集積回路の見逃し故障を効率的に検出するシステムを開発し、従来手法と比べて9.5倍の性能向上を達成した。リサイクルFPGAを検出する手法にも本研究の知見を応用し研究成果を挙げている。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
提案手法により、識別率が25%向上している一方で、回路面積オーバーヘッドが5割以上を占め、改善の余地が大きい。
|
| 今後の研究の推進方策 |
昨年度開発した、スパース学習モデルを用いて学習の早期に重みがゼロとなるシナプスを推定する手法と組み合わせることで、識別率向上を維持しつつ、回路面積オーバーヘッドの削減を図る。
|
| 次年度使用額が生じた理由 |
年度末の出張規制により、出張ができなかったため。次年度の国内会議出張に当てる。
|
