単一アナログデバイスと局所的学習則を用いるリアルニューロモーフィックシステム

点击翻译按钮获取中文摘要

人工知能は、未来の社会の中心となる技術であるが、サイズと電力が問題である。ニューロモーフィックシステムは、脳の模倣で、コンパクト・低消費電力が期待できる。そこで我々は、超コンパクト・超低パワーのリアルニューロモーフィックシステムの研究を、アーキテクチャ・マテリアル・アルゴリズムの観点から進めている。本研究では、上記の新技術を導入した動作を、シミュレーション・実機で確認し、実用的かつ人間の脳と同様な超コンパクト・超低パワーの汎用人工知能の可能性を検討する。現在まで、シミュレーションで、アモルファス金属酸化物半導体のメモリスタ・強誘電体キャパシタのメムキャパシタをモデリングし、新規ニューロン・シナプス回路を設計し、ディープ・畳み込み・さらにスパイキングニューラルネットワークを構築し、デバイス・回路特性を意識する学習方法を考案し、Pythonの論理シミュレーション・HSPICEの回路シミュレーションを行い、連想記憶・画像認識の機能をMNIST・CIFAR-10の文字・画像のデータセットで評価した。アナログメモリスタとキャパシタを集積化する動的メムキャパシタでも正確な動作解析に成功した。これで、たとえばMNISTで97%という極めて高い認識成功率を達成した。いっぽう、実機では、3次元積層構造メモリスタ・PZT・BLTアナログメムキャパシタの作製に成功し、クロスポイントアレイなどを用いて動作確認に成功した。今後は、実機で、2022年度にシミュレーション・設計は完了していて、2023年度に納品されるLSIチップの機能評価を行う。ここでは、100万素子程度の集積化であり、動作確認・消費電力解析などを行う。最後に、大規模化では、大規模の1兆素子程度のニューロモーフィックシステムを想定し、超コンパクト・低パワーの人工知能の実現にむけての可能性も検討し、汎用人工知能としての動作を評価する。