JP7164489B2 - 演算システムおよび方法 - Google Patents
演算システムおよび方法 Download PDFInfo
- Publication number
- JP7164489B2 JP7164489B2 JP2019106056A JP2019106056A JP7164489B2 JP 7164489 B2 JP7164489 B2 JP 7164489B2 JP 2019106056 A JP2019106056 A JP 2019106056A JP 2019106056 A JP2019106056 A JP 2019106056A JP 7164489 B2 JP7164489 B2 JP 7164489B2
- Authority
- JP
- Japan
- Prior art keywords
- nodes
- node
- reservoir
- value
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
- G06N3/0675—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means using electro-optical, acousto-optical or opto-electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Neurology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Complex Calculations (AREA)
Description
課題等について補足説明する。図10は、実施の形態に対する比較例として、従来技術例におけるRCの構造例を示す。このRC300のリザバー部302は、ランダムに結合された複数のノード32として、線形演算ノード32Aおよび非線形演算ノード32Bを混載して備えるという特徴を持つ。
図1~図9を用いて、本発明の実施の形態1の演算システムについて説明する。実施の形態1の演算システムは、RCとしてRNNを用いて演算処理を行うシステムである。このRCにおけるRNNは、入力部、リザバー部、および出力部を備える。入力部、リザバー部、および出力部は、入力層、中間層、および出力層に対応する。演算処理は、識別対象のタスクの入力信号に関する、非線形演算、時系列信号処理、および機械学習等である。実施の形態1の演算システムは、RCのリザバー部において特有の構造を有する。実施の形態1の演算方法は、実施の形態1の演算システムにおいて計算機が実行するステップを有する方法である。
図1は、実施の形態1の演算システムの機能ブロック構成を示す。実施の形態1の演算システムは、計算機1で構成されている。計算機1は、一般的なPCやサーバ等が適用できる。計算機1は、処理装置101、主記憶装置102、補助記憶装置103、入力装置104、および出力装置105を備え、これらはバス等で相互に接続されている。ユーザは、計算機1を操作し、RCを用いた演算の機能、例えば文字認識や音声認識の機能を利用する。ユーザは、例えば入力装置104を用いて情報や指示を入力し、出力装置105を用いて情報等を確認する。
図2は、実施の形態1におけるRCの構造概念図を示す。このRC200は、入力部201、リザバー部202、および出力部203を備える。リザバー部202は、複数のノード12として、円環状に結合された周期的非線形を持つノード12を備える。
図3は、図2のRC200に関する、リザバー部202の結合配列に対応するヒートマップを示す。このヒートマップは、リザバー部202の円環状に結合された各ノード12間の結合強度を濃淡によって表す。このヒートマップにおいて、横軸および縦軸には、ノード12のノード番号(本例では1~32)が並んでいる。結合強度を表す濃淡値は、本例では、グレーを0とし、白い方が正方向で大きく、黒い方が負方向で大きい。正方向は、例えば円環上の右回り(時計回り)とし、負方向は円環上の左回りとする。このヒートマップでは、左上から右下への斜めの領域、左下の領域、および右上の領域において、結合強度が大きい。
図4は、実施の形態1の演算システムの処理フローを示す。図4は、ステップS1~S13を有し、以下、ステップの順に説明する。計算機1は、入力装置104からの信号、具体的にはデータ入力の開始、またはマウス等の特定の操作をトリガーとして、処理を開始する。
入力結合配列は、リザバー部202のi番目のノード12と入力部201のk番目のデータ列(対応するノード11)との結合強度を、結合強度Win ikとして表す。処理装置101は、この結合強度Win ikの入力結合配列の各要素の値をランダムに決定する。実施の形態1の例では、この配列の各要素は、半数がゼロであり、残りの半数を、平均値がゼロ、標準偏差が0.33の正規分布から確率的に選択した。
リザバー部結合配列は、i番目のノード12とj番目のノード12との結合強度を、結合強度Wres ijとして表す。i,jは、1~Nの範囲内の値である。処理装置101は、この結合強度Wres ijのリザバー部結合配列の各要素の値を以下の手順で決定する。実施の形態1の例では、処理装置101は、列要素にランダムな値を持つ2次元配列Wrand ijを生成する。2次元配列Wrand ijの各要素は、半数がゼロであり、残りの半数を、平均値がゼロ、標準偏差が0.33の正規分布から確率的に選択した。リザバー部202のノード12の個数Nが例えばN=32である場合、2次元配列Wrand ijは、図11に示すヒートマップと等しい。
出力結合配列は、リザバー部202と出力部203との結合強度を指定する配列である。出力結合配列は、i番目のノードと出力部203のm番目のデータとの結合強度を、Wout imとして表し、ある時刻tにおける出力部203のm番目の出力値を、下記の式4で演算する際の係数である。
図5および図6等を用いて、実施の形態1における特徴や効果等についてより詳しく説明する。図5は、実施の形態1の演算システムにおける、RCを用いた識別の例として、3種のセンサのセンサ応答値、および3種の計測対象の個別応答値を示す。図5の(A)はセンサ応答値を示し、(B)は計測対象の個別応答値を示す。本例では、RCへの入力信号として、3種類のセンサの応答値を用いた。(A)で、横軸は時間、縦軸はセンサ応答値であり、3種類のセンサは、Sensor1,Sensor2,Sensor3で示される。これらのセンサ応答値は、計算機を用いて実際にシミュレートした値を示す。(B)で、縦軸は計測対象の応答値であり、3種類の計測対象は、Target1,Target4,Target7で示される。
上記のように、本発明者は、定量識別タスクに関して、識別すべき対象とセンサ特性との関係に応じて、RCにおける適した非線形性パラメータが異なることを見出した。本発明者は、その知見に基づいて、好適なRCのリザバー部の構造を検討した。本発明者は、事前に識別対象や特性、つまり演算に適したパラメータが未知の場合でも、識別対象を高精度に識別可能となるRCのリザバー部の構造を検討した。その結果、前述の図2のような構造を設計した。このリザバー部202は、円環状に結合された、周期的な非線形性パラメータを持つノード12群を備える。このリザバー部202は、各ノード12間の結合強度を決定する結合配列において、円環上で近くに配置されるノード12間の結合強度が、円環上で離れて配置されるノード12間の結合強度よりも大きい。このリザバー部202は、複数のノード12の円環上において、各ノード12のg値が、最小値と最大値との間で周期的に変化するように設定されている。
図8等を用いて、実施の形態1におけるリザバー部202の構造や特徴について補足する。前述の図2のように、リザバー部202の円環上の複数のノード12は、周期的なg値を持つ。このリザバー部202のネットワーク構造では、g値が近いノード12ほど、結合強度が大きい、言い換えると強い結合を持つという特性を有する。ノード12間の結合および結合配列に関する別の表現としては以下のようにも言える。円環上で正方向に隣接配置されるノード12を、例えばノード#i,#i+1,#i+2,……のように表すとする。結合配列において、隣接するノード#iとノード#i+1とのペアの結合強度の絶対値の期待値は、1つのノードを介して隣接するノード#iとノード#i+2とのペアの結合強度の絶対値の期待値よりも大きい、となるように決定される。負方向のノード#i,#i-1,#i-2等の関係についても同様に決定される。
また、図9は、前述のリザバー部202の結合配列(ノード12間の結合強度Wres ij)に関する作成の具体例を示す。本例では、ノード12の個数Nを32(i=1~32)とし、j=16の場合を示す。図9の各グラフの横軸はノード番号である。(A)は、ランダム値を持つ2次元配列Wrand ijの例を示す。この2次元配列Wrand ijの生成では、任意のランダム関数を用いればよい。(B)は、ガウス関数による2次元配列Wgauss ijを示す。ガウス関数は、図示のように周期的な変化を与える関数である。本例では、円環状の結合を実現するために、ガウス関数を用いている。(C)は、(A)の2次元配列Wrand ijと(B)の2次元配列Wgauss ijとの演算(例えば積)によって得られる結合強度Wres ijを示す。(C)の結合強度Wres ijでは、番号が16のノード12と他の各ノード12との結合強度が示されている。ノード番号が16の付近では、結合強度が相対的に大きくなっている。
実施の形態1の演算システムは、図1の入力装置104および出力装置105を用いて、ユーザに対するグラフィカル・ユーザ・インタフェース(GUI)となる画面等を提供する。このGUI画面には、図2のようなRC200の構成、少なくともリザバー部202のネットワークのモデルを含む情報を表示する。ユーザは、このGUI画面で、リザバー部202のモデルの設定や確認を行うことができる。ユーザは、例えば、リザバー部202のg値の詳細設定を行うこともできる。GUI画面には、例えば、前述の結合配列を表示してもよい。結合配列の表示は、ヒートマップに限らず、テーブル等での数値の表示としてもよい。GUI画面には、g値のグラフ等を表示してもよい。また、結合強度やg値の表示は、図2のモデルのノード12やリンク207の上に重ねるように情報を表示する等の態様でもよい。GUI画面では、例えばg値を規定する関数または特性、最小値や最大値等の設定値を設定できる。g値の特性、特に周期的な特性の設定は、線形、対数、sin関数、等のいくつかの種類から選択して設定ができる形態としてもよい。
図12、図13を用いて、実施の形態2の演算システムについて説明する。以下では、実施の形態2における実施の形態1とは異なる構成部分について説明する。
図12は、実施の形態2の演算システムの構成として、リザバーデバイスの構成例を示す。実施の形態2の演算システムは、RCを行うリザバーデバイスとして実装されている。実施の形態2の演算システムは、実施の形態1(図1)と同様に、処理装置、主記憶装置、補助記憶装置、入力装置、および出力装置を備える。ただし、実施の形態2における処理装置は、一般的な大規模集積回路に加えて、時間遅延回路を備える。
図13は、リザバーデバイス2によるマスク処理の一例を示す。(A)は、横軸が時刻t、縦軸がI(t)である、時系列信号のグラフを示す。(B)は、(A)の時系列信号に関する変調後信号のグラフを示し、縦軸は光強度である。
Claims (13)
- 入力部、リザバー部、および出力部を有する再帰型ニューラル・ネットワークを用いて演算を行う演算システムであって、
前記リザバー部は、複数のノードが円環状に結合され、
前記円環状の結合は、前記複数のノードにおける各ノード間の結合強度を決定する結合配列において、前記円環上で近くに配置されるノード間の結合強度が、前記円環上で離れて配置されるノード間の結合強度よりも大きいことであり、
前記複数のノードには、前記円環上の方向で、前記各ノードの活性化関数の非線形性を指定するパラメータであるg値が、周期的に変化するように設定されている、
演算システム。 - 請求項1記載の演算システムにおいて、
前記複数のノードには、前記円環上の方向で、前記g値の対数が等間隔となるように設定されている、
演算システム。 - 請求項1記載の演算システムにおいて、
前記結合配列は、前記円環上の方向で、前記各ノードについて、隣接するノード間の結合強度の絶対値の期待値が、1つのノードを介して配置されるノード間の結合強度の絶対値の期待値よりも大きい、
演算システム。 - 請求項1記載の演算システムにおいて、
前記結合配列における結合強度は、ランダム関数を用いて決定されている、
演算システム。 - 請求項1記載の演算システムにおいて、
前記結合配列における結合強度は、ランダム関数による配列と、ガウス関数による配列との演算によって決定されている、
演算システム。 - 請求項1記載の演算システムにおいて、
前記結合配列は、前記複数のノードに付与した連続した番号に基づいて、前記番号の順に前記円環状の結合を作成し、前記番号が近いノード間ほど結合強度が大きくなるようにして作成されている、
演算システム。 - 請求項1記載の演算システムにおいて、
前記リザバー部と前記出力部との結合強度を指定する出力結合配列は、学習データ入力時の前記複数のノードの出力値の線形和と、理想的な出力値との誤差の二乗和が最小となる最小二乗法によって決定されている、
演算システム。 - 請求項1記載の演算システムにおいて、
前記リザバー部と前記出力部との結合強度を指定する出力結合配列は、学習データ入力時の前記複数のノードの出力値の線形和と、理想的な出力値との誤差に、正則化項を追加した、Lasso回帰手法によって決定されている、
演算システム。 - 請求項1記載の演算システムにおいて、
計算機を備え、
前記計算機は、
前記演算を行う処理装置と、
前記演算に係わるデータを記憶する主記憶装置および補助記憶装置と、
前記入力部への入力データを入力する入力装置と、
前記出力部からの出力データを出力する出力装置と、
を有する、演算システム。 - 請求項1記載の演算システムにおいて、
前記再帰型ニューラル・ネットワークは、時間遅延型リザバー・コンピューティングとして実装されている、
演算システム。 - 請求項10記載の演算システムにおいて、
光回路を含むリザバーデバイスを備え、
前記リザバーデバイスは、前記演算の一部を、前記光回路を用いて行う、
演算システム。 - 請求項11記載の演算システムにおいて、
前記光回路は、前記リザバーデバイスへの入力信号に対するマスク処理を行い、
前記マスク処理は、前記円環上における前記g値の設定に対応して、強度が周期的に変化するマスクパターンを用いる処理である、
演算システム。 - 入力部、リザバー部、および出力部を有する再帰型ニューラル・ネットワークを用いて演算を行う演算システムにおける演算方法であって、
前記リザバー部を作成するステップを有し、
前記リザバー部は、複数のノードが円環状に結合され、
前記円環状の結合は、前記複数のノードにおける各ノード間の結合強度を決定する結合配列において、前記円環上で近くに配置されるノード間の結合強度が、前記円環上で離れて配置されるノード間の結合強度よりも大きいことであり、
前記複数のノードには、前記円環上の方向で、前記各ノードの活性化関数の非線形性を指定するパラメータであるg値が、周期的に変化するように設定されている、
演算方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019106056A JP7164489B2 (ja) | 2019-06-06 | 2019-06-06 | 演算システムおよび方法 |
US16/887,008 US11423286B2 (en) | 2019-06-06 | 2020-05-29 | Computing system and method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019106056A JP7164489B2 (ja) | 2019-06-06 | 2019-06-06 | 演算システムおよび方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020201557A JP2020201557A (ja) | 2020-12-17 |
JP7164489B2 true JP7164489B2 (ja) | 2022-11-01 |
Family
ID=73650622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019106056A Active JP7164489B2 (ja) | 2019-06-06 | 2019-06-06 | 演算システムおよび方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11423286B2 (ja) |
JP (1) | JP7164489B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023008187A1 (ja) * | 2021-07-26 | 2023-02-02 | 株式会社ブリヂストン | 推定装置、制御装置、推定方法、及び推定プログラム |
WO2023062844A1 (ja) * | 2021-10-15 | 2023-04-20 | Tdk株式会社 | 情報処理装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018180701A (ja) | 2017-04-05 | 2018-11-15 | 株式会社日立製作所 | 計算機システム及び再帰型ニューラルネットワークを用いた演算方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8156057B2 (en) * | 2003-03-27 | 2012-04-10 | Knowm Tech, Llc | Adaptive neural network utilizing nanotechnology-based components |
US10891536B1 (en) * | 2016-12-06 | 2021-01-12 | The United States Of America As Represented By The Secretary Of The Air Force | Artificial neural network for reservoir computing using stochastic logic |
US10911553B2 (en) * | 2018-04-27 | 2021-02-02 | Adobe Inc. | Dynamic customization of structured interactive content on an interactive computing system |
-
2019
- 2019-06-06 JP JP2019106056A patent/JP7164489B2/ja active Active
-
2020
- 2020-05-29 US US16/887,008 patent/US11423286B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018180701A (ja) | 2017-04-05 | 2018-11-15 | 株式会社日立製作所 | 計算機システム及び再帰型ニューラルネットワークを用いた演算方法 |
Non-Patent Citations (1)
Title |
---|
菅野 円隆, 内田 淳史,光リザーバコンピューティングの展開,人工知能,Vol.33, No.5 (2018年9月),(一社)人工知能学会,2018年09月01日,p.577-585 |
Also Published As
Publication number | Publication date |
---|---|
JP2020201557A (ja) | 2020-12-17 |
US20200387775A1 (en) | 2020-12-10 |
US11423286B2 (en) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20130204820A1 (en) | Methods and apparatus for spiking neural computation | |
JP6227565B2 (ja) | スパイキングニューラル計算のための方法および装置 | |
KR20230018496A (ko) | 뉴럴 네트워크를 위한 트레이닝 방법, 뉴럴 네트워크를 이용한 인식 방법 및 그 장치들 | |
JP7164489B2 (ja) | 演算システムおよび方法 | |
EP2812853A1 (en) | Methods and apparatus for spiking neural computation | |
Isaev et al. | Generalized model of pulse process for dynamic analysis of Sylov’s fuzzy cognitive maps | |
CN110929869A (zh) | 注意力模型的训练方法、装置、设备及存储介质 | |
JP2005504367A (ja) | 監視ニューラルネットワーク学習のための組合せ手法 | |
Suresh Kumar et al. | A pragmatic ensemble learning approach for effective software effort estimation | |
KR20190078850A (ko) | 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템 | |
CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
Blundell et al. | Automatically selecting a suitable integration scheme for systems of differential equations in neuron models | |
CN113486580B (zh) | 在役风电机组高精度数值建模方法、服务端及存储介质 | |
RU151549U1 (ru) | Искусственная нейронная сеть | |
CN114004250A (zh) | 一种深度神经网络调制信号开集识别方法及系统 | |
CN115879536A (zh) | 一种基于因果效应的学习认知分析模型鲁棒性优化方法 | |
CN111310907A (zh) | 一种微波组件故障诊断方法、装置及设备 | |
Li et al. | Data modeling of calibration parameter measurement based on MLP model | |
Zjavka | Approximation of multi-parametric functions using the differential polynomial neural network | |
JPH0644207A (ja) | ニューラルネットワーク及びその構成方法 | |
US20240013026A1 (en) | Method for ascertaining an optimal architecture of an artificial neural network | |
Aguilar Cruz et al. | Neural net gains estimation based on an equivalent model | |
Neuner | Design of artificial neural networks for change-point detection | |
KR102168882B1 (ko) | 뉴럴 네트워크 하드웨어 | |
RU2744361C1 (ru) | Нейроподобный элемент |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211129 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220921 |
|
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: 20221004 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221020 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7164489 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |