|
低消費電力性に加えて耐障害性や可拡張性を兼ね備えた情報処理システムの実現を目標として、神経細胞が生じるスパイクなどの局所情報から効率的に学習を行うための学習モデルの開発を行った。神経スパイクのタイミングに依存して細胞間の結合重みが変化するスパイクタイミング依存可塑性（STDP）という現象に加え、強化学習の分野で用いられる報酬信号を考慮した学習モデルを新たに構築し、時系列信号処理に適用した際の性能評価およびモデルの効率的なハードウェア実装に向けた研究を行った。数百ニューロン程度からなるスパイキングニューラルネットワークの活動を再現するプログラムを作成し、提案学習モデルを用いて音声信号をはじめとした時系列信号が弁別できることを確かめた。STDP学習則を単純に適用した場合よりも、報酬信号を加えることによって性能が向上することを示した。これらの結果を踏まえ、スパイキングニューラルネットワークおよび提案学習機構を効率的に実現するための専用デジタルハードウェアの構成を検討した。STDPの関数をメモリにあらかじめ保存しておくことで、指数関数や乗算の計算を削減した。またそのハードウェア構成をもとに、提案学習のデジタルハードウェア実装をおこなった。提案学習則において重要な機能である発火の時間差から重みの更新を行う計算について実装を行い、その動作を確かめた。得られた成果は、限られた消費電力で高度な情報処理を行う必要があるエッジコンピューティングへの応用が期待される。
|
