JP6908210B1 - パラメータの設定方法およびリザボア素子の制御方法 - Google Patents
パラメータの設定方法およびリザボア素子の制御方法 Download PDFInfo
- Publication number
- JP6908210B1 JP6908210B1 JP2021507545A JP2021507545A JP6908210B1 JP 6908210 B1 JP6908210 B1 JP 6908210B1 JP 2021507545 A JP2021507545 A JP 2021507545A JP 2021507545 A JP2021507545 A JP 2021507545A JP 6908210 B1 JP6908210 B1 JP 6908210B1
- Authority
- JP
- Japan
- Prior art keywords
- distribution
- parameter
- reservoir
- reservoir element
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
- G06N3/065—Analogue means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R19/00—Electrostatic transducers
- H04R19/04—Microphones
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R3/00—Circuits for transducers, loudspeakers or microphones
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R1/00—Details of transducers, loudspeakers or microphones
- H04R1/02—Casings; Cabinets ; Supports therefor; Mountings therein
- H04R1/04—Structural association of microphone with electric circuitry therefor
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R19/00—Electrostatic transducers
- H04R19/005—Electrostatic transducers using semiconductor materials
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R2201/00—Details of transducers, loudspeakers or microphones covered by H04R1/00 but not provided for in any of its subgroups
- H04R2201/003—Mems transducers or their use
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Neurology (AREA)
- Micromachines (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
Description
(リザボアコンピューティング)
図1は、第1実施形態にかかるリザボア素子が模擬するニューラルネットワークの概念図である。図1に示すニューラルネットワークNNは、リザボアコンピューティングの概念模式図である。図1に示すニューラルネットワークNNは、入力層LinとリザボアRと出力層Loutとを有する。入力層Lin及び出力層Loutは、リザボアRに接続されている。
本実施形態にかかるパラメータの設定方法は、上記のリザボアRに該当する部分のパラメータを体系的に設定する。設定するパラメータは、リザボアRを構成する複数のニューロンn1のばらつきを規定するパラメータである。本実施形態にかかるパラメータの設定方法は、デバイスモデルの決定工程と、理想の確率分布の設定工程と、学習工程と、を有する。以下、具体的な例を挙げて、それぞれの工程について説明する。
リザボアコンピューティングにおけるリザボアRを物理的な素子で実現したリザボア素子が、MEMSマイクロフォンアレイの場合を例に説明する。MEMSマイクロフォンアレイは、MEMSマイクロフォンが配列し、互いに電気的に接続されたものである。MEMSは、Micro Electronics Mechanical Systemの略語である。
本実施形態にかかるパラメータの設定方法では、まずデバイスモデルを決定する。デバイスモデルは、リザボア素子を構成する複数の素子の特性に基づき、決定される。リザボア素子がMEMSマイクロフォンアレイの場合、リザボア素子を構成する素子は、MEMSマイクロフォン10である。上述のように、MEMSマイクロフォン10は、振動膜1の振動を電気信号に置き換えている。それぞれの振動膜1の振動をバネ振動と見立てると、MEMSマイクロフォンアレイは、複数のバネが連結したバネ振動に基づくモデルで表すことができる。
次いで、リザボア素子の出力の理想の確率分布を設定する。出力の理想の確率分布は、リザボアコンピューティングで解きたいタスクに応じて任意に設定される。また、出力の理想の確率分布は、例えば、デバイスモデルから導き出される。デバイスモデルの特性に応じて出力の理想の確率分布は決定する。出力の理想の確率分布は、例えば、正規分布である。例えば、タスクとして、リザボアコンピューティングによって任意のフーリエ合成波を近似する回帰問題を考える。このとき、リザボア素子の出力の周波数分布は、教師信号となるフーリエ合成波に含まれる周波数分布(パワースペクトルに相当)と同様の形状となることが望ましい。もし、教師信号となるフーリエ合成波に含まれる周波数分布が単峰性の場合には、リザボア素子の出力の理想の確率分布も単峰性となることが望ましい。また教師信号となるフーリエ合成波に含まれる周波数分布が双峰性の周波数分布の場合には、双峰性の確率分布を近似するために、リザボア素子の出力の理想の確率分布を混合正規分布とする。
デバイスモデルにおける右辺の第3項−βixi 3をtanh(x)のテイラー展開を使って解析しやすい式に変換すると、3βi(x−tanh(x))となる。右辺の第3項は、上述のようにそれぞれのMEMSマイクロフォン10の素子ばらつきに対応する。ばらつきを規定するパラメータをa、bとすると、y=fgen(x)=tanh(ax+b)が、それぞれの素子において、ばらつきに該当するパラメータを含んだ式となる。以下、y=fgen(x)=tanh(ax+b)を第1関数と称する場合がある。
次いで、リザボアコンピューティングにおけるリザボアRを物理的な素子で実現したリザボア素子が、スピントルク発振素子アレイの場合を例に説明する。リザボア素子を構成するそれぞれの素子がスピントルク発振素子の場合も、デバイスモデルを変更することにより、上記のMEMSマイクロフォンアレイに適用した場合と同様の手順で、パラメータは設定される。
スピントルク発振素子のデバイスモデルは、一般化された非線形発振器モデル(非特許文献3)で表される。つまり、リザボア素子がスピントルク発振素子の場合のデバイスモデルは、以下の数式(2)で表される。
理想の確率分布の設定工程は、MEMSマイクロフォンアレイの場合と同様である。例えば、出力の理想の確率分布を正規分布に設定する。これは、スピントルク発振素子の共振分布を正規分布に仮定することに相当する。
学習工程も、上記のMEMSマイクロフォンアレイの場合と同様である。数式(2)から、素子ばらつきに対応するスピントルク発振素子の発振周波数は、非特許文献3において導出されているように、ω(p)=γ(H0−4πM0+8πM0p)で表される。ここで、H0は実効磁場の強さに対応したパラメータであり、M0=|M|は磁化の長さに対応したパラメータである。以下、上式を第2関数と称する場合がある。さらに、第2関数の変数pは第1関数の変数xに対応し、パラメータH0及びM0はそれぞれ第1関数のパラメータa及びbに対応するものとみなせる。この関数を用いることで、パラメータの分布とスピントルク発振素子アレイの共振特性の分布を相互に変換することができる。
本実施形態にかかるリザボア素子の制御方法は、上記のパラメータ分布を設定する工程と、パラメータ分布を素子の特性分布に変換する変換工程と、特性分布に基づいてそれぞれの素子の特性を設定する工程と、を有する。
まず上記手順で求めたパラメータ分布を素子の特性分布に変換する。リザボア素子がMEMSマイクロフォンアレイの場合、パラメータ分布をそれぞれのMEMSマイクロフォンの感度特性の分布に変換する。リザボア素子がスピントルク発振素子アレイの場合、パラメータ分布をそれぞれのスピントルク発振素子の共振特性の分布に変換する。
次いで、得られたリザボア素子の特性分布に基づき、それぞれの素子の特性を設定する。例えば、得られた特性がMEMSマイクロフォンアレイの感度分布であれば、それぞれのMEMSマイクロフォンの感度特性を設定する。例えば、得られた特性がスピントルク発振素子アレイの共振特性であれば、それぞれのスピントルク発振素子の共振特性を設定する。
2 MEMSチップ
3 集積回路
4 基板
4A 開口
5 保護板
10 MEMSマイクロフォン
20 スピントルク発振素子
C コンダクタ
L インダクタ
Lin 入力層
Lout 出力層
MTJ 磁気抵抗効果素子
n1、n2、n3 ニューロン
NN ニューラルネットワーク
T 出力端子
VAC 交流電源
VDC 直流電源
Claims (6)
- リザボア素子を構成する複数の素子の特性に基づくデバイスモデルから導き出される前記リザボア素子の出力の理想の確率分布と、前記リザボア素子の出力の確率分布と、の相互情報量が大きくなるように、事前学習を行い、
前記デバイスモデルにおいて前記複数の素子のそれぞれのばらつきを規定するパラメータのパラメータ分布を設定する、パラメータの設定方法。 - 請求項1〜3のいずれか一項に記載のパラメータの設定方法に基づき、前記パラメータ分布を設定し、
前記パラメータ分布を、前記リザボア素子の特性分布に変換し、
前記特性分布に基づき、前記複数の素子のそれぞれの特性を設定する、リザボア素子の制御方法。 - リザボア素子は、複数のMEMSマイクロフォンを有するMEMSマイクロフォンアレイを含み、
請求項2に記載のパラメータの設定方法に基づき、前記パラメータ分布を設定し、
前記パラメータ分布を前記MEMSマイクロフォンアレイの感度特性の分布に変換し、
前記感度特性の分布に基づき、それぞれのMEMSマイクロフォンの感度特性を設定する、リザボア素子の制御方法。 - 前記リザボア素子は、複数のスピントルク発振素子を有するスピントルク発振素子アレイを含み、
請求項3に記載のパラメータの設定方法に基づき、前記パラメータ分布を設定し、
前記パラメータ分布を前記スピントルク発振素子アレイの共振特性の分布に変換し、
前記共振特性の分布に基づき、それぞれのスピントルク発振素子の周波数特性を設定する、リザボア素子の制御方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/013697 WO2021192147A1 (ja) | 2020-03-26 | 2020-03-26 | パラメータの設定方法およびリザボア素子の制御方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6908210B1 true JP6908210B1 (ja) | 2021-07-21 |
JPWO2021192147A1 JPWO2021192147A1 (ja) | 2021-09-30 |
Family
ID=76919723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021507545A Active JP6908210B1 (ja) | 2020-03-26 | 2020-03-26 | パラメータの設定方法およびリザボア素子の制御方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230140456A1 (ja) |
JP (1) | JP6908210B1 (ja) |
CN (1) | CN115004196A (ja) |
WO (1) | WO2021192147A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023062844A1 (ja) * | 2021-10-15 | 2023-04-20 | Tdk株式会社 | 情報処理装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014096145A (ja) * | 2012-10-22 | 2014-05-22 | Boeing Co | リアルタイム制御システム管理 |
JP6620913B1 (ja) * | 2018-09-12 | 2019-12-18 | Tdk株式会社 | リザボア素子及びニューロモルフィック素子 |
-
2020
- 2020-03-26 JP JP2021507545A patent/JP6908210B1/ja active Active
- 2020-03-26 US US17/910,694 patent/US20230140456A1/en active Pending
- 2020-03-26 CN CN202080095002.7A patent/CN115004196A/zh active Pending
- 2020-03-26 WO PCT/JP2020/013697 patent/WO2021192147A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014096145A (ja) * | 2012-10-22 | 2014-05-22 | Boeing Co | リアルタイム制御システム管理 |
JP6620913B1 (ja) * | 2018-09-12 | 2019-12-18 | Tdk株式会社 | リザボア素子及びニューロモルフィック素子 |
Non-Patent Citations (1)
Title |
---|
FOURATI, RAHMA ET AL.: "Unsupervised Learning in Reservoir Computing for EEG-based Emotion Recognition", ARXIV, vol. v2, JPN6020025400, 23 November 2018 (2018-11-23), pages 1 - 11, ISSN: 0004520214 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023062844A1 (ja) * | 2021-10-15 | 2023-04-20 | Tdk株式会社 | 情報処理装置 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2021192147A1 (ja) | 2021-09-30 |
WO2021192147A1 (ja) | 2021-09-30 |
US20230140456A1 (en) | 2023-05-04 |
CN115004196A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haykin et al. | Signals and systems | |
Shishesaz et al. | Design and analytical modeling of magneto-electro-mechanical characteristics of a novel magneto-electro-elastic vibration-based energy harvesting system | |
Alessandroni et al. | A revival of electric analogs for vibrating mechanical systems aimed to their efficient control by PZT actuators | |
Halim et al. | Low frequency vibration energy harvester using stopper-engaged dynamic magnifier for increased power and wide bandwidth | |
JP6908210B1 (ja) | パラメータの設定方法およびリザボア素子の制御方法 | |
Mohammadzaheri et al. | A comparative study on the use of black box modelling for piezoelectric actuators | |
Rizzello et al. | Simultaneous self-sensing of displacement and force for soft dielectric elastomer actuators | |
Yuan et al. | Experimental identification of hardening and softening nonlinearity in circular laminated plates | |
Jha et al. | Experimental investigation of active vibration control using neural networks and piezoelectric actuators | |
Abouzarkhanifard et al. | FEM-inclusive transfer learning for bistable piezoelectric MEMS energy harvester design | |
Chang et al. | Inverse filtering of a loudspeaker and room acoustics using time‐delay neural networks | |
Jiang et al. | Metamaterial-based analog recurrent neural network toward machine intelligence | |
US8583442B2 (en) | Rhythm processing and frequency tracking in gradient frequency nonlinear oscillator networks | |
Moheimani et al. | Multimode piezoelectric shunt damping with a highly resonant impedance | |
Tumpold et al. | Linearizing an electrostatically driven MEMS speaker by applying pre-distortion | |
Rubio et al. | Toward optimal design of piezoelectric transducers based on multifunctional and smoothly graded hybrid material systems | |
Nanda et al. | Uncertainty quantification of energy harvesting systems using method of quadratures and maximum entropy principle | |
Cairns et al. | Learning with analogue VLSP MLPs | |
Patra et al. | ANN-based intelligent pressure sensor in noisy environment | |
CN115130648A (zh) | 信息处理装置、隐藏节点的设定方法和信息处理装置的制造方法 | |
Cheng et al. | A bidirectional deep learning approach for designing MEMS sensors | |
US20230055056A1 (en) | Reservoir element and neuromorphic device | |
Li et al. | Fractional order model of broadband piezoelectric energy harvesters | |
Bauer | Equivalent Circuit Analysis of Mechano-acoustic Structures (Reprint) | |
Peleshchak et al. | Spectral image recognition using artificial dynamic neural network in information resonance mode |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210210 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210210 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20210315 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210601 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210614 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6908210 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |