WO2022009314A1 - 情報処理装置及び情報処理方法 - Google Patents

情報処理装置及び情報処理方法 Download PDF

Info

Publication number
WO2022009314A1
WO2022009314A1 PCT/JP2020/026580 JP2020026580W WO2022009314A1 WO 2022009314 A1 WO2022009314 A1 WO 2022009314A1 JP 2020026580 W JP2020026580 W JP 2020026580W WO 2022009314 A1 WO2022009314 A1 WO 2022009314A1
Authority
WO
WIPO (PCT)
Prior art keywords
radio wave
unit
information processing
reservoir
frequency signal
Prior art date
Application number
PCT/JP2020/026580
Other languages
English (en)
French (fr)
Inventor
研一 河口
Original Assignee
富士通株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 富士通株式会社 filed Critical 富士通株式会社
Priority to PCT/JP2020/026580 priority Critical patent/WO2022009314A1/ja
Priority to JP2022534539A priority patent/JP7425370B2/ja
Priority to EP20944413.2A priority patent/EP4181023B1/en
Publication of WO2022009314A1 publication Critical patent/WO2022009314A1/ja
Priority to US18/082,612 priority patent/US20230117769A1/en

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
    • 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
    • G06N3/063—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
    • G06N3/09—Supervised learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q9/00—Electrically-short antennas having dimensions not more than twice the operating wavelength and consisting of conductive active radiating elements
    • H01Q9/04—Resonant antennas
    • H01Q9/16—Resonant antennas with feed intermediate between the extremities of the antenna, e.g. centre-fed dipole
    • H01Q9/28—Conical, cylindrical, cage, strip, gauze, or like elements having an extended radiating surface; Elements comprising two conical surfaces having collinear axes and adjacent apices and fed by two-conductor transmission lines
    • H01Q9/285—Planar dipole
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10D—INORGANIC ELECTRIC SEMICONDUCTOR DEVICES
    • H10D62/00—Semiconductor bodies, or regions thereof, of devices having potential barriers
    • H10D62/10—Shapes, relative sizes or dispositions of the regions of the semiconductor bodies; Shapes of the semiconductor bodies
    • H10D62/117—Shapes of semiconductor bodies
    • H10D62/118—Nanostructure semiconductor bodies
    • H10D62/119—Nanowire, nanosheet or nanotube semiconductor bodies
    • H10D62/122—Nanowire, nanosheet or nanotube semiconductor bodies oriented at angles to substrates, e.g. perpendicular to substrates
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10D—INORGANIC ELECTRIC SEMICONDUCTOR DEVICES
    • H10D62/00—Semiconductor bodies, or regions thereof, of devices having potential barriers
    • H10D62/10—Shapes, relative sizes or dispositions of the regions of the semiconductor bodies; Shapes of the semiconductor bodies
    • H10D62/117—Shapes of semiconductor bodies
    • H10D62/118—Nanostructure semiconductor bodies
    • H10D62/119—Nanowire, nanosheet or nanotube semiconductor bodies
    • H10D62/123—Nanowire, nanosheet or nanotube semiconductor bodies comprising junctions
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10D—INORGANIC ELECTRIC SEMICONDUCTOR DEVICES
    • H10D62/00—Semiconductor bodies, or regions thereof, of devices having potential barriers
    • H10D62/80—Semiconductor bodies, or regions thereof, of devices having potential barriers characterised by the materials
    • H10D62/82—Heterojunctions
    • H10D62/824—Heterojunctions comprising only Group III-V materials heterojunctions, e.g. GaN/AlGaN heterojunctions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B82—NANOTECHNOLOGY
    • B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y10/00—Nanotechnology for information processing, storage or transmission, e.g. quantum computing or single electron logic

Definitions

  • the present invention relates to an information processing apparatus and an information processing method.
  • Reservoir computing systems include networked devices consisting of non-linear elements called reservoirs.
  • Non-Patent Document 1 CMOS (Complementary Metal-Oxide-Semiconductor) device.
  • CMOS Complementary Metal-Oxide-Semiconductor
  • the reservoir computing system by improving the integration of the equipment, it is possible to improve the performance such as facilitating the scale-up of the random network of the reservoir.
  • the improvement of the integrateability is hindered by the increase in the number of parts and the complicated wiring.
  • the carbon nanotubes are electrically connected to each other, and it is difficult to improve the integration property. , It is difficult to increase the number of multi-terminal inputs and random networks.
  • an input unit that converts a first high-frequency signal into a first radio wave and emits it
  • an output unit that converts a received second radio wave into a second high-frequency signal
  • the device is provided between the output unit and has a plurality of semiconductor elements that modulate the first radio wave by performing a non-linear response to the first radio wave, and is obtained by the modulation with respect to the first radio wave.
  • An information processing apparatus having a reservoir unit for outputting a second radio wave is provided.
  • an information processing method is provided.
  • the present invention can improve the integration of the information processing apparatus including the reservoir unit.
  • FIG. 1 is a diagram showing an example of an information processing apparatus according to the first embodiment.
  • the information processing apparatus 10 of the first embodiment functions as a reservoir computer, and has an input unit 11, a reservoir unit 12, and an output unit 13.
  • the input unit 11 converts a high frequency signal into a radio wave and radiates it.
  • the high frequency signal is, for example, a microwave or terahertz wave signal.
  • the input unit 11 has one or a plurality of antennas depending on the number of high frequency signals to be converted into radio waves, and the antennas convert the high frequency signals into radio waves.
  • the high frequency signal has, for example, an amplitude corresponding to the value of the input signal.
  • the input signal is a signal according to the problem to be calculated, and may be, for example, a value of 1 or 0, or a signal such as a sine wave.
  • the reservoir unit 12 is provided between the input unit 11 and the output unit 13, and outputs a radio wave modulated from the radio wave radiated by the input unit 11.
  • the reservoir unit 12 has a plurality of semiconductor elements that modulate the radio wave by performing a non-linear response to the radio wave radiated by the input unit 11.
  • Each of the plurality of semiconductor elements having a non-linear response is, for example, a one-dimensional semiconductor or a two-dimensional layered semiconductor.
  • the one-dimensional semiconductor nanowires (for example, InAs (indium arsenide) semiconductor nanowires) can be used.
  • pn hetero-nanowires also referred to as nanowire diodes
  • p-GaAs gallium arsenide
  • n-InAs which exhibit stronger nonlinearity than InAs semiconductor nanowires
  • carbon nanotubes can also be used as the one-dimensional semiconductor.
  • FIG. 1 shows an example in which a plurality of one-dimensional semiconductors (one-dimensional semiconductors 12a, 12b, etc.) are used as a plurality of semiconductor elements of the reservoir unit 12.
  • the output unit 13 receives the radio wave (radio wave obtained by modulation) output by the reservoir unit 12 and converts the received radio wave into a high frequency signal.
  • the output unit 13 has one or a plurality of antennas depending on the number of signals of the high frequency signal to be output, and the received radio waves are converted into high frequency signals by the antennas.
  • the output unit 13 outputs a calculation result based on the amplitude of the high frequency signal.
  • the output unit 13 converts a plurality of high-frequency signals obtained by a plurality of antennas into DC signals, weights each DC signal by a weight value obtained by learning, and adds them together. Is output as the calculation result of the information processing apparatus 10.
  • the calculation result is, for example, an inference result when the calculation target is a problem of inferring something, and a classification result when the problem is to classify something.
  • the signal processing in the reservoir unit 12 that functions as a neural network with the weight value (also called the coupling coefficient) between neurons as a fixed value is performed by the radio wave propagating in space.
  • the high-frequency signal is converted into a radio wave by the input unit 11, and the converted radio wave is modulated by receiving a nonlinear response from a plurality of semiconductor elements of the reservoir unit 12, and is returned to the high-frequency signal by the output unit 13.
  • Such an information processing device 10 is equivalent to a reservoir computing device connected by wiring, but since wiring is not required for the reservoir unit 12, integration can be improved by a simple process. Therefore, it is expected that the performance of the reservoir computer will be improved, such as facilitating the scale-up of the random network.
  • the sizes of the plurality of semiconductor elements may be different from each other (manufacturing variation may be utilized), or the semiconductor elements may be sparsely arranged in the reservoir portion 12.
  • a place to be arranged and a place to be densely arranged may be provided.
  • the antenna effect of the semiconductor element itself causes a sufficient interaction between the semiconductor element that becomes each node of the random network and the propagating radio wave, thereby forming a network-like element.
  • the same signal calculation as in the case of using can be performed inside the reservoir unit 12.
  • learning is performed by adjusting the weight value for the output signal of the reservoir layer. Also in the above information processing apparatus 10, learning is possible by adjusting the weight value for the DC signal obtained by converting the high frequency signal obtained from the radio wave output by the reservoir unit 12. A configuration example for executing learning will be described later.
  • FIG. 2 is a diagram showing an example of the information processing apparatus of the second embodiment.
  • the information processing apparatus 20 of the second embodiment has an input unit 21, a reservoir unit 22, an output unit 23, and a learning unit 24.
  • the input unit 21 has a high frequency power supply 21a1,21a2, ..., 21an, a multiplier 21b1,21b2, ..., 21bn, and a transmission antenna unit 21c.
  • the high frequency power supplies 21a1 to 21an output high frequency signals.
  • the frequencies of the high-frequency signals output by each of the high-frequency power supplies 21a1 to 21an are the same.
  • the high frequency power supplies 21a1 to 21an may be one, and a common high frequency signal may be supplied from one high frequency power supply to the multipliers 21b1 to 21bn.
  • Each of the multipliers 21b1 to 21bn outputs the product of the input high frequency signal and any of the input signals IN1, IN2, ..., INn.
  • the intensities (amplitudes) of the n high-frequency signals output by the multipliers 21b1 to 21bn reflect the input signals IN1 to INn.
  • the transmitting antenna unit 21c has an antenna that converts high-frequency signals output by the multipliers 21b1 to 21bn into radio waves and radiates them. Although there may be a plurality of antennas, it does not have to match the number of input signals IN1 to INn (the number of multipliers 21b1 to 21bn). For example, a high frequency signal output by one of the multipliers 21b1 to 21bn may be input to a plurality of antennas, or a high frequency signal output by a plurality of multipliers may be input to one antenna. It may be done. An example of the antenna will be described later.
  • the reservoir unit 22 outputs a radio wave that is a modulation of the radio wave radiated by the antenna of the input unit 21.
  • the reservoir unit 22 has a plurality of semiconductor elements that modulate the radio wave by performing a non-linear response to the radio wave radiated by the input unit 21. An example of the reservoir unit 22 will be described later.
  • the output unit 23 has a receiving antenna unit 23a and a weighting unit 23b.
  • the receiving antenna unit 23a receives the radio wave modulated by the reservoir unit 22 and converts the received radio wave into a high frequency signal.
  • the output unit 13 has one or a plurality of antennas depending on the number of high-frequency signals that convert the received radio waves, and the antennas convert the received radio waves into high-frequency signals.
  • the weighting unit 23b weights the DC signal obtained by converting the high frequency signal, and outputs the weighted signal or a signal obtained by adding a plurality of weighted signals as output signals OUT1, OUT2, ..., OUTn. do.
  • the number of output signals OUT1 to OUTn does not have to match the number of antennas of the receiving antenna unit 23a. Further, the number of output signals OUT1 to OUTn does not have to match the number of input signals IN1 to INn. For example, the number of output signals OUT1 to OUTn may be one.
  • the learning unit 24 acquires teacher data and adjusts the weighting magnitude of the weighting unit 23b based on the teacher data and the output signals OUT1 to OUTn of the output unit 23. Examples of the weighting unit 23b and the learning unit 24 will be described later.
  • FIG. 3 is a diagram showing an example of a transmitting antenna unit, a reservoir unit, and a receiving antenna unit.
  • the transmitting antenna unit 21c has bowtie antennas 21c1, 21, 21c2, 21c3.
  • the bowtie antennas 21c1 to 21c3 are formed by a pair of electrodes having triangular vertices facing each other.
  • the bowtie antennas 21c1 to 21c3 are formed on the substrate 21d.
  • the reservoir portion 22 shown in FIG. 3 has a plurality of InAs semiconductor nanowires (for example, InAs semiconductor nanowires 22a, 22b, etc.) as a plurality of semiconductor elements that perform a non-linear response.
  • the plurality of InAs semiconductor nanowires are formed so as to extend in the z direction by crystal growth on a substrate 22c such as a Si (silicon) substrate.
  • the InAs semiconductor nanowires may be regularly arranged on the substrate 22c, but it is preferable that the InAs semiconductor nanowires are arranged randomly in order to promote the diversity of the random network.
  • a semiconductor element that performs a non-linear response to a high-frequency signal converted into radio waves has a different strength of interaction with the high-frequency signal depending on the length in the long axis direction. The stronger the interaction, the better the performance of the reservoir 22.
  • the length in the long axis direction is 1/10 or more of the effective wavelength of the high-frequency signal (the value obtained by dividing the wavelength by the refractive index of the semiconductor element), the antenna effect of the semiconductor element itself becomes remarkable, and the mutual with respect to the high-frequency signal becomes remarkable. The action becomes stronger, which is preferable.
  • the wire length of general nanowires such as InAs semiconductor nanowires is several ⁇ m to 100 ⁇ m. Assuming high-frequency signals such as microwaves and terahertz waves, the wavelength of the high-frequency signal is several hundred ⁇ m to several cm. Therefore, when nanowires are used, the longer the length in the major axis direction, the more preferable. In particular, as described above, when the wire length, which is the length in the long axis direction, is 1/10 or more of the effective wavelength of the high frequency signal, the antenna effect of the nanowire itself becomes remarkable.
  • the reservoir unit 22 is spatially separated from the input unit 21 including the transmitting antenna unit 21c by the substrate 21d, and is also spatially separated from the output unit 23 including the receiving antenna unit 23a by the substrate 22c. There is.
  • a plurality of layers in which the above-mentioned semiconductor element is formed may be formed in the z direction.
  • a plurality of layers in which InAs semiconductor nanowires are crystal-grown in the z direction may be provided on the substrate 22c. This makes it possible to increase the scale of the random network.
  • FIG. 4 is a diagram showing an example in which the semiconductor elements arranged in the reservoir portion are densely packed.
  • a nanowire diode having a pn heterojunction such as p-GaAs / n-InAs, which exhibits stronger nonlinearity than the InAs semiconductor nanowire, may be used instead of the InAs semiconductor nanowire.
  • FIG. 5 is a diagram showing an example of a reservoir unit using a nanowire diode.
  • the nanowire diode has a configuration in which a p-type semiconductor 22d1 and an n-type semiconductor 22d2 are bonded.
  • the p-type semiconductor 22d1 is, for example, p-type GaAs
  • the n-type semiconductor 22d2 is, for example, n-type InAs.
  • the nanowire diode exhibits strong non-linearity, it is possible to realize a reservoir portion 22 with better performance.
  • carbon nanotubes may be used as an example of the one-dimensional semiconductor.
  • the receiving antenna unit 23a has the bowtie antennas 23a1, 23a2, 23a3.
  • the bowtie antennas 23a1 to 23a3 are formed on the back surface of the substrate 22c on which InAs semiconductor nanowires are formed on the front surface.
  • FIG. 6 is a diagram showing an example of a weighting unit and a learning unit.
  • FIG. 6 shows an example in which one output signal OUT1 is generated from the high frequency signals converted by the three bowtie antennas 23a1 to 23a3 in order to simplify the explanation.
  • the weighting unit 23b includes a DC (Direct Current) conversion unit 31, a weight adjusting unit 32, and an adder 33.
  • the DC conversion unit 31 converts a high-frequency signal converted from a radio wave by the receiving antenna unit 23a into a DC signal (DC voltage / current amplitude signal).
  • the DC conversion unit 31 has diodes 31a, 31b, 31c.
  • the anode of the diode 31a is connected to one of the pair of electrodes of the bowtie antenna 23a3, and the cathode of the diode 31a is connected to the other of the pair of electrodes of the bowtie antenna 23a3.
  • the anode of the diode 31b is connected to one of the pair of electrodes of the bowtie antenna 23a2, and the cathode of the diode 31b is connected to the other of the pair of electrodes of the bowtie antenna 23a2.
  • the anode of the diode 31c is connected to one of the pair of electrodes of the bowtie antenna 23a1 and the cathode of the diode 31c is connected to the other of the pair of electrodes of the bowtie antenna 23a1.
  • a DC signal which is the output of the DC conversion unit 31, can be obtained from the cathodes of the diodes 31a, 31b, and 31c.
  • the weight adjusting unit 32 weights the DC signal that is the output of the DC conversion unit 31.
  • the magnitude of the weighting is adjusted by the learning unit 24.
  • the weight adjusting unit 32 has memristors (variable resistance memories) 32a, 32b, 32c as an example of an analog memory that holds the magnitude of weighting.
  • Each DC signal output from the cathode of the diode 31a, 31b, 31c is weighted according to the magnitude of the resistance of the memristors 32a, 32b, 32c controlled by the learning unit 24.
  • the adder 33 outputs the addition result of adding the weighted DC signals as the output signal OUT1 which is the calculation result of the information processing apparatus 20.
  • the signal attenuated to a certain ratio through the output of the weight adjusting unit 32 or a resistor (not shown) is a signal line connected to the bowtie antennas 21c1 to 21c3 on the input side. It is added to the propagating high frequency signal. If there is such a feedback loop, the input will be made by directly associating the past output with the current input. Therefore, for example, in the training of time series data, it is possible to strongly learn the time correlation. Is. That is, for the problem that learning for such a correlation of time controls the performance, having such a feedback loop enables high-speed learning. Each feedback loop can be turned on and off individually by a switch (not shown) or the like.
  • the weighting unit 23b as described above can be formed, for example, on the same surface as the surface on which the bowtie antennas 23a1 to 23a3 are formed on the substrate 22c as shown in FIG.
  • the learning unit 24 has a comparison circuit 24a and a weight control circuit 24b.
  • the comparison circuit 24a outputs a comparison result (for example, an error) comparing the input teacher data with the output signal OUT1.
  • the weight control circuit 24b adjusts the weighting size (for example, the resistance size of the memristors 32a, 32b, 32c) in the weighting unit 23b so that the error is minimized based on the comparison result.
  • the weighting size for example, the resistance size of the memristors 32a, 32b, 32c
  • the learning unit 24 is separated from the weighting unit 23b by a switch (not shown) or the like.
  • the learning unit 24 may be a computer realized by using a processor which is hardware such as a CPU (Central Processing Unit) and a DSP (Digital Signal Processor).
  • the learning unit 24 may include an electronic circuit for a specific purpose such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).
  • the processor executes a program stored in a memory such as a RAM (Random Access Memory), and controls the magnitude of the weighting based on the comparison result between the teacher data and the output signal OUT1.
  • FIG. 7 is a flowchart showing a flow of an example of arithmetic processing of the information processing apparatus according to the second embodiment.
  • the input unit 21 receives the inputs of the input signals IN1 to INn (step S1). Then, the input unit 21 converts the high frequency signal reflecting the input signals IN1 to INn into a radio wave by the transmission antenna unit 21c and radiates it (step S2).
  • the reservoir unit 22 modulates the radio wave by performing a non-linear response to the radio wave radiated by the input unit 21 (step S3).
  • the output unit 23 receives the radio wave modulated by the reservoir unit 22 by the receiving antenna unit 23a, and converts the received radio wave into a high frequency signal (step S4).
  • the output unit 23 weights the DC signal converted from the high frequency signal by the weighting unit 23b (step S5). Then, the output unit 23 outputs the weighted signal or the signal obtained by adding the weighted plurality of signals as output signals OUT1 to OUTn indicating the calculation result (step S6), and the information processing apparatus 20 performs the calculation process. To finish.
  • wiring is not required for the reservoir portion 22 as in the information processing apparatus 10 of the first embodiment, so that the integration can be improved by a simple process. Therefore, it is expected that the performance of the reservoir computer will be improved, such as facilitating the scale-up of the random network.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

リザバー部を含む情報処理装置の集積性を向上する。　情報処理装置（１０）の入力部（１１）が、第１の高周波信号を第１の電波に変換して放射し、入力部（１１）と出力部（１３）との間に設けられ、第１の電波に対して非線形応答を行うことで第１の電波を変調させる複数の半導体素子（図１ではＩｎＡｓ半導体ナノワイヤなどの１次元半導体（１２ａ，１２ｂ））を有するリザバー部（１２）が、第１の電波に対する変調によって得られる第２の電波を出力し、出力部（１３）が、受信した第２の電波を第２の高周波信号に変換する。

Description

情報処理装置及び情報処理方法
　本発明は、情報処理装置及び情報処理方法に関する。
　ＡＩ（Artificial Intelligence）向けのコンピューティングシステムの１つとして、ＲＮＮ（Recurrent Neural Network）の一種であるリザバーコンピューティングシステムが知られている（たとえば、特許文献１）。リザバーコンピューティングシステムには、リザバーと呼ばれる非線形要素からなるネットワーク型デバイスが含まれる。
　従来、リザバーをＣＭＯＳ（Complementary Metal-Oxide-Semiconductor）デバイスにより実現する手法があった。一方、カーボンナノチューブのランダムネットワークを利用してリザバーを実現することが提案されている（たとえば、非特許文献１参照）。
　また、従来、ニューラルネットワークにおいて各ニューロン間の信号の授受を電波によって行う技術があった（たとえば、特許文献２参照）。
特開２０１８－１８０７０１号公報 特開平６－２４３１１７号公報
Hirofumi Tanaka et al., "A molecular neuromorphic network device consisting of single-walled carbon nanotubes complexed with polyoxometalate", Nature Communications volume 9, Article number: 2693, 2018
　リザバーコンピューティングシステムでは、装置の集積性を向上させることで、リザバーのランダムネットワークの大規模化が容易になるなど、性能を向上させることができる。しかし、リザバーをＣＭＯＳデバイスにより実現する場合、部品点数の増加や配線の複雑化により集積性の向上が妨げられる。また、リザバーをカーボンナノチューブにより実現する従来の手法は、カーボンナノチューブを導電性の配線として機能させるために、カーボンナノチューブ同士を電気的に接続させることになり、集積性を向上させることが困難であり、多端子入力化やランダムネットワークの大規模化が難しい。
　１つの側面では、本発明は、装置の集積性を向上可能な、リザバー部を含む情報処理装置及び情報処理方法を提供することを目的とする。
　１つの実施態様では、第１の高周波信号を第１の電波に変換して放射する入力部と、受信した第２の電波を第２の高周波信号に変換する出力部と、前記入力部と前記出力部との間に設けられ、前記第１の電波に対して非線形応答を行うことで前記第１の電波を変調させる複数の半導体素子を有し、前記第１の電波に対する変調によって得られる前記第２の電波を出力するリザバー部と、を有する情報処理装置が提供される。
　また、１つの実施態様では情報処理方法が提供される。
　１つの側面では、本発明は、リザバー部を含む情報処理装置の集積性を向上できる。
　本発明の上記および他の目的、特徴および利点は本発明の例として好ましい実施の形態を表す添付の図面と関連した以下の説明により明らかになるであろう。
第１の実施の形態の情報処理装置の一例を示す図である。 第２の実施の形態の情報処理装置の一例を示す図である。 送信アンテナ部、リザバー部及び受信アンテナ部の一例を示す図である。 リザバー部に配置される半導体素子に粗密が生じている例を示す図である。 ナノワイヤダイオードを用いたリザバー部の一例を示す図である。 重み付け部と学習部の一例を示す図である。 第２の実施の形態の情報処理装置の演算処理の一例の流れを示すフローチャートである。
　以下、発明を実施するための形態を、図面を参照しつつ説明する。
　（第１の実施の形態）
　図１は、第１の実施の形態の情報処理装置の一例を示す図である。
　第１の実施の形態の情報処理装置１０は、リザバーコンピュータとして機能するものであり、入力部１１、リザバー部１２、出力部１３を有する。
　入力部１１は、高周波信号を電波に変換して放射する。高周波信号は、たとえば、マイクロ波やテラヘルツ波の信号である。入力部１１は、電波に変換する高周波信号の数に応じて、１または複数のアンテナを有し、アンテナにより高周波信号を電波に変換する。なお、高周波信号は、たとえば、入力信号の値に応じた振幅となっている。入力信号は、演算対象の問題に応じた信号であり、たとえば、１または０の値であってもよいし、サイン波などの信号であってもよい。
　リザバー部１２は、入力部１１と出力部１３との間に設けられ、入力部１１が放射した電波を変調させた電波を出力する。リザバー部１２は、入力部１１が放射した電波に対して非線形応答を行うことでその電波を変調させる複数の半導体素子を有する。
　非線形応答を行う複数の半導体素子のそれぞれは、たとえば、１次元半導体または２次元層状半導体である。
　１次元半導体として、ナノワイヤ（たとえば、ＩｎＡｓ（インジウム砒素）半導体ナノワイヤ）を用いることができる。また、ＩｎＡｓ半導体ナノワイヤよりも強い非線形性を示すｐ－ＧａＡｓ（ガリウム砒素）／ｎ－ＩｎＡｓなどのｐｎヘテロナノワイヤ（ナノワイヤダイオードとも呼ばれる）を、１次元半導体として用いてもよい。また、１次元半導体として、カーボンナノチューブを用いることもできる。
　２次元層状半導体として、たとえば、グラフェンナノリボンなどがある。
　図１には、複数の１次元半導体（１次元半導体１２ａ，１２ｂなど）をリザバー部１２の複数の半導体素子として用いた例が示されている。
　出力部１３は、リザバー部１２が出力した電波（変調によって得られた電波）を受信し、受信した電波を高周波信号に変換する。たとえば、出力部１３は、出力する高周波信号の信号数に応じて、１または複数のアンテナを有し、アンテナにより、受信した電波を高周波信号に変換する。出力部１３は、高周波信号の振幅に基づいた演算結果を出力する。たとえば、出力部１３は、複数のアンテナによって得られた複数の高周波信号を直流信号に変換するとともに、各直流信号に対して学習によって得られた重み値による重み付けを行い、それらを足し合わせた値を情報処理装置１０の演算結果として出力する。演算結果は、たとえば、演算対象が何かを推論する問題である場合には推論結果、何かを分類する問題である場合には分類結果である。
　上記のような情報処理装置１０を用いることで、ニューロン間の重み値（結合係数とも呼ばれる）を固定値としたニューラルネットワークとして機能するリザバー部１２内の信号処理が、空間を伝搬する電波によって行われることになる。つまり、高周波信号が入力部１１により電波に変換され、その変換された電波は、リザバー部１２の複数の半導体素子による非線形応答を受けて変調され、出力部１３により高周波信号に戻される。このような情報処理装置１０は、配線によって接続されたリザバーコンピューティングデバイスと等価となるが、リザバー部１２に配線が不要となるため、簡単な工程にて集積性を向上できる。このため、ランダムネットワークの大規模化が容易になるなど、リザバーコンピュータの性能向上が期待できる。
　また、複数の半導体素子のサイズ（たとえば、１次元半導体の長軸方向の長さ）を互いに異ならせてもよいし（製造ばらつきを利用してもよい）、リザバー部１２において半導体素子を疎に配置する箇所と密に配置する箇所を設けてもよい。これにより、ランダムネットワークの多様性が高まり、より高性能なリザバーコンピュータが実現できる。
　また、半導体素子として１次元半導体を用いることで、半導体素子自体のアンテナ効果により、ランダムネットワークの各ノードとなる半導体素子と伝搬電波との間に十分な相互作用が生じることで、ネットワーク状素子を用いた場合と同様な信号演算をリザバー部１２の内部で行わせることができる。
　なお、リザバーコンピューティングではリザバー層の出力信号に対する重み値を調整することで学習が行われる。上記の情報処理装置１０においても、リザバー部１２が出力する電波から得られる高周波信号を変換した直流信号に対する重み値を調整することで、学習が可能である。学習を実行する構成例については後述する。
　（第２の実施の形態）
　図２は、第２の実施の形態の情報処理装置の一例を示す図である。
　第２の実施の形態の情報処理装置２０は、入力部２１、リザバー部２２、出力部２３、学習部２４を有する。
　入力部２１は、高周波電源２１ａ１，２１ａ２，…，２１ａｎ、乗算器２１ｂ１，２１ｂ２，…，２１ｂｎ、送信アンテナ部２１ｃを有する。
　高周波電源２１ａ１～２１ａｎは、高周波信号を出力する。高周波電源２１ａ１～２１ａｎのそれぞれが出力する高周波信号の周波数は同一である。なお、高周波電源２１ａ１～２１ａｎは１つであってもよく、１つの高周波電源から乗算器２１ｂ１～２１ｂｎに共通の高周波信号を供給してもよい。
　乗算器２１ｂ１～２１ｂｎのそれぞれは、入力される高周波信号と、入力信号ＩＮ１，ＩＮ２，…，ＩＮｎの何れかとの積を出力する。これによって乗算器２１ｂ１～２１ｂｎが出力するｎ個の高周波信号の強度（振幅）は、入力信号ＩＮ１～ＩＮｎを反映したものとなる。
　送信アンテナ部２１ｃは、乗算器２１ｂ１～２１ｂｎが出力する高周波信号を電波に変換して放射するアンテナを有する。
　なお、アンテナは複数あってもよいが、入力信号ＩＮ１～ＩＮｎの数（乗算器２１ｂ１～２１ｂｎの数）と一致していなくてもよい。たとえば、乗算器２１ｂ１～２１ｂｎのうちのある１つの乗算器が出力する高周波信号が複数のアンテナに入力されるようにしてもよいし、複数の乗算器が出力する高周波信号が１つのアンテナに入力されるようにしてもよい。アンテナの例については後述する。
　リザバー部２２は、入力部２１のアンテナが放射した電波を変調させた電波を出力する。リザバー部２２は、入力部２１が放射した電波に対して非線形応答を行うことでその電波を変調させる複数の半導体素子を有する。リザバー部２２の例については後述する。
　出力部２３は、受信アンテナ部２３ａと重み付け部２３ｂを有する。
　受信アンテナ部２３ａは、リザバー部２２によって変調された電波を受信し、受信した電波を高周波信号に変換する。たとえば、出力部１３は、受信した電波を変換する高周波信号の数に応じて、１または複数のアンテナを有し、アンテナにより、受信した電波を高周波信号に変換する。
　重み付け部２３ｂは、高周波信号を変換した直流の信号に対して重み付けを行い、重み付け後の信号、または重み付け後の複数の信号を足し合わせた信号を、出力信号ＯＵＴ１，ＯＵＴ２，…，ＯＵＴｎとして出力する。
　なお、出力信号ＯＵＴ１～ＯＵＴｎの数は、受信アンテナ部２３ａのアンテナ数と一致していなくてもよい。また、出力信号ＯＵＴ１～ＯＵＴｎの数は、入力信号ＩＮ１～ＩＮｎの数と一致していなくてもよい。たとえば、出力信号ＯＵＴ１～ＯＵＴｎの数は、１つであってもよい。
　学習部２４は、教師データを取得し、教師データと出力部２３の出力信号ＯＵＴ１～ＯＵＴｎとに基づいて、重み付け部２３ｂの重み付けの大きさを調整する。
　重み付け部２３ｂと学習部２４の例については後述する。
　図３は、送信アンテナ部、リザバー部及び受信アンテナ部の一例を示す図である。
　送信アンテナ部２１ｃは、ボウタイアンテナ２１ｃ１，２１ｃ２，２１ｃ３を有する。ボウタイアンテナ２１ｃ１～２１ｃ３は、三角形の頂点が対向する一対の電極によって形成される。ボウタイアンテナ２１ｃ１～２１ｃ３は、基板２１ｄ上に形成されている。
　ボウタイアンテナ２１ｃ１～２１ｃ３を用いることで、ボウタイアンテナ効果によって、リザバー部２２に効率よく高周波信号を変換した電波を照射することができる。
　図３に示されているリザバー部２２は、非線形応答を行う複数の半導体素子として、複数のＩｎＡｓ半導体ナノワイヤ（たとえば、ＩｎＡｓ半導体ナノワイヤ２２ａ，２２ｂなど）を有する。複数のＩｎＡｓ半導体ナノワイヤは、たとえば、Ｓｉ（シリコン）基板などの基板２２ｃ上に結晶成長によって、ｚ方向に伸びるように形成されている。
　なお、ＩｎＡｓ半導体ナノワイヤは基板２２ｃ上に規則的に配列されていてもよいが、ランダムに配列されていたほうがランダムネットワークの多様性を促進するために好ましい。
　また、電波に変換された高周波信号に対して非線形応答を行う半導体素子は、長軸方向の長さによって、高周波信号に対する相互作用の強さが変わってくる。相互作用の強さが強いほど、性能のよいリザバー部２２が得られる。
　特に、長軸方向の長さが高周波信号の実効波長（波長を半導体素子の屈折率で割った値）の１／１０以上であれば、半導体素子自体のアンテナ効果が顕著となり、高周波信号に対する相互作用が強くなり、好ましい。
　ＩｎＡｓ半導体ナノワイヤなどの一般的なナノワイヤのワイヤ長は、数μｍ～１００μｍである。マイクロ波やテラヘルツ波の高周波信号を想定すると、高周波信号の波長は数百μｍから数ｃｍとなる。このため、ナノワイヤが用いられる場合、上記長軸方向の長さは長いほど好ましい。特に、上記のように、長軸方向の長さであるワイヤ長が高周波信号の実効波長の１／１０以上であれば、ナノワイヤ自体のアンテナ効果が顕著となる。そのため、たとえば、ＩｎＡｓ半導体ナノワイヤのワイヤ長は、高周波信号の周波数として２５０ＧＨｚ（波長は１２００μｍ）を最小周波数として用いる場合、ＩｎＡｓの屈折率が３．５であるため、１２００／（３．５×１０）＝３４（μｍ）以上とすればよい。
　これにより、より少ないＩｎＡｓ半導体ナノワイヤで性能のよいリザバー部２２を実現できる。一方で、たとえば、ワイヤ長を３．４μｍとした場合、ＩｎＡｓ半導体ナノワイヤの密度を、ワイヤ長を３４μｍとした場合の１０倍にすることで、同じ性能を得ることができる。
　リザバー部２２は、基板２１ｄによって送信アンテナ部２１ｃを含む入力部２１に対して空間的に分離されているとともに、基板２２ｃによって受信アンテナ部２３ａを含む出力部２３に対して空間的に分離されている。
　なお、リザバー部２２において、上記のような半導体素子が形成される領域が、ｚ方向に複数層形成されていてもよい。たとえば、基板２２ｃにＩｎＡｓ半導体ナノワイヤをｚ方向に結晶成長させた層を、ｚ方向に複数層設けるようにしてもよい。これによりランダムネットワークの大規模化が可能になる。
　また、リザバー部２２において、半導体素子を疎に配置する箇所と密に配置する箇所とが混在していてもよい。
　図４は、リザバー部に配置される半導体素子に粗密が生じている例を示す図である。
　図４の例では、ＩｎＡｓ半導体ナノワイヤ（ＩｎＡｓ半導体ナノワイヤ２２ａなど）が密に配置されるエリアと、疎に配置されるエリアとが混在している例が示されている。
　このようにすることで、ランダムネットワークの多様性が高まり、より高性能なリザバーコンピュータが実現できる。
　また、ナノワイヤとして、ＩｎＡｓ半導体ナノワイヤの代わりにＩｎＡｓ半導体ナノワイヤよりも強い非線形性を示すｐ－ＧａＡｓ／ｎ－ＩｎＡｓなどのｐｎヘテロ接合を有するナノワイヤダイオードを用いてもよい。
　図５は、ナノワイヤダイオードを用いたリザバー部の一例を示す図である。
　ナノワイヤダイオードは、ｐ型半導体２２ｄ１とｎ型半導体２２ｄ２とが接合された構成となっている。ｐ型半導体２２ｄ１は、たとえば、ｐ型ＧａＡｓであり、ｎ型半導体２２ｄ２は、たとえば、ｎ型ＩｎＡｓである。
　ナノワイヤダイオードは強い非線形性を示すため、より性能のよいリザバー部２２を実現できる。
　なお、１次元半導体の例として、カーボンナノチューブを用いてもよい。
　図３において、受信アンテナ部２３ａは、ボウタイアンテナ２３ａ１，２３ａ２，２３ａ３を有する。ボウタイアンテナ２３ａ１～２３ａ３は、ＩｎＡｓ半導体ナノワイヤが表面に形成される基板２２ｃの裏面に形成されている。
　ボウタイアンテナ２３ａ１～２３ａ３を用いることで、ボウタイアンテナ効果によって、リザバー部２２から効率よく電波に変換された高周波信号を受信できる。
　図６は、重み付け部と学習部の一例を示す図である。
　なお、図６では、説明を簡略化するために、３つのボウタイアンテナ２３ａ１～２３ａ３よって変換された高周波信号から１つの出力信号ＯＵＴ１を生成する例が示されている。
　重み付け部２３ｂは、ＤＣ（Direct Current）変換部３１、重み調整部３２、加算器３３を有する。
　ＤＣ変換部３１は、受信アンテナ部２３ａによって電波から変換された高周波信号を直流信号（直流の電圧・電流振幅信号）に変換する。
　図６の例では、ＤＣ変換部３１は、ダイオード３１ａ，３１ｂ，３１ｃを有する。ダイオード３１ａのアノードは、ボウタイアンテナ２３ａ３の一対の電極のうちの一方に接続され、ダイオード３１ａのカソードは、ボウタイアンテナ２３ａ３の一対の電極のうちの他方に接続されている。ダイオード３１ｂのアノードは、ボウタイアンテナ２３ａ２の一対の電極のうちの一方に接続され、ダイオード３１ｂのカソードは、ボウタイアンテナ２３ａ２の一対の電極のうちの他方に接続されている。ダイオード３１ｃのアノードは、ボウタイアンテナ２３ａ１の一対の電極のうちの一方に接続され、ダイオード３１ｃのカソードは、ボウタイアンテナ２３ａ１の一対の電極のうちの他方に接続されている。ダイオード３１ａ，３１ｂ，３１ｃのそれぞれのカソードからＤＣ変換部３１の出力である直流信号が得られる。
　重み調整部３２は、ＤＣ変換部３１の出力である直流信号に対して重み付けを行う。重み付けの大きさは、学習部２４によって調整される。
　図６において、重み調整部３２は、重み付けの大きさを保持するアナログメモリの例として、メモリスタ（抵抗可変メモリ）３２ａ，３２ｂ，３２ｃを有する。学習部２４によって制御されるメモリスタ３２ａ，３２ｂ，３２ｃの抵抗の大きさに応じて、ダイオード３１ａ，３１ｂ，３１ｃのカソードから出力される各直流信号が重み付けされる。
　加算器３３は、重み付けされた各直流信号を足し合わせた加算結果を、情報処理装置２０の演算結果である出力信号ＯＵＴ１として出力する。
　なお、図６に示すように、たとえば、重み調整部３２の出力、または図示しない抵抗を介して一定の割合に減衰させた信号は、入力側のボウタイアンテナ２１ｃ１～２１ｃ３に接続される信号線を伝搬する高周波信号に足しこまれる。このようなフィードバックループがあると、過去の出力を現在の入力に直接関連付けた形で入力が行われることになるため、たとえば、時系列データの学習において、時間の相関を強く学習させることが可能である。すなわち、そのような時間の相関に対する学習が性能を支配する問題に対しては、このようなフィードバックループを有することで高速な学習が可能となる。なお各フィードバックループは、図示しないスイッチなどによって個々にオンオフ可能である。
　上記のような重み付け部２３ｂは、たとえば、図３に示したような基板２２ｃにおいてボウタイアンテナ２３ａ１～２３ａ３が形成される面と同一面上に形成できる。
　学習部２４は、比較回路２４ａと、重み制御回路２４ｂとを有する。比較回路２４ａは、入力される教師データと出力信号ＯＵＴ１とを比較した比較結果（たとえば、誤差）を出力する。
　重み制御回路２４ｂは比較結果に基づいて、誤差が最小になるように重み付け部２３ｂにおける重み付けの大きさ（たとえば、メモリスタ３２ａ，３２ｂ，３２ｃの抵抗の大きさ）を調整する。
　なお、学習終了後は、学習部２４は、図示しないスイッチなどによって重み付け部２３ｂから切り離される。
　学習部２４は、ＣＰＵ（Central Processing Unit）やＤＳＰ（Digital Signal Processor）などのハードウェアであるプロセッサなどを用いて実現されるコンピュータであってもよい。ただし、学習部２４は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの特定用途の電子回路を含んでもよい。プロセッサは、ＲＡＭ（Random Access Memory）などのメモリに記憶されたプログラムを実行して、教師データと出力信号ＯＵＴ１との比較結果に基づいて、重み付けの大きさを制御する。
　次に、第２の実施の形態の情報処理装置２０による演算処理の流れを説明する。
　図７は、第２の実施の形態の情報処理装置の演算処理の一例の流れを示すフローチャートである。
　入力部２１は、入力信号ＩＮ１～ＩＮｎの入力を受け付ける（ステップＳ１）。
　そして、入力部２１は、入力信号ＩＮ１～ＩＮｎを反映させた高周波信号を、送信アンテナ部２１ｃによって電波に変換して放射する（ステップＳ２）。
　リザバー部２２は、入力部２１が放射した電波に対して非線形応答を行うことでその電波を変調させる（ステップＳ３）。
　出力部２３は、リザバー部２２によって変調された電波を受信アンテナ部２３ａにより受信し、受信した電波を高周波信号に変換する（ステップＳ４）。
　さらに、出力部２３は、重み付け部２３ｂによって、高周波信号を変換した直流信号に対して重み付けを行う（ステップＳ５）。
　そして、出力部２３は、重み付け後の信号または、重み付け後の複数の信号を足し合わせた信号を、演算結果を示す出力信号ＯＵＴ１～ＯＵＴｎとして出力し（ステップＳ６）、情報処理装置２０は演算処理を終える。
　以上のような、情報処理装置２０によれば、第１の実施の形態の情報処理装置１０と同様に、リザバー部２２に配線が不要となるため、簡単な工程にて集積性を向上できる。このため、ランダムネットワークの大規模化が容易になるなど、リザバーコンピュータの性能向上が期待できる。
　上記については単に本発明の原理を示すものである。さらに、多数の変形、変更が当業者にとって可能であり、本発明は上記に示し、説明した正確な構成および応用例に限定されるものではなく、対応するすべての変形例および均等物は、添付の請求項およびその均等物による本発明の範囲とみなされる。
　１０　情報処理装置
　１１　入力部
　１２　リザバー部
　１２ａ，１２ｂ　１次元半導体
　１３　出力部

Claims (8)

  1. 　第１の高周波信号を第１の電波に変換して放射する入力部と、
    　受信した第２の電波を第２の高周波信号に変換する出力部と、
    　前記入力部と前記出力部との間に設けられ、前記第１の電波に対して非線形応答を行うことで前記第１の電波を変調させる複数の半導体素子を有し、前記第１の電波に対する変調によって得られる前記第２の電波を出力するリザバー部と、
    　を有する情報処理装置。
  2. 　前記複数の半導体素子のそれぞれは、１次元半導体または２次元層状半導体である、請求項１に記載の情報処理装置。
  3. 　前記１次元半導体はナノワイヤダイオードである、請求項２に記載の情報処理装置。
  4. 　前記リザバー部において、前記複数の半導体素子が疎に配置される箇所と、密に配置される箇所とが混在する、請求項１乃至３の何れか一項に記載の情報処理装置。
  5. 　前記入力部または前記出力部は、１または複数のボウタイアンテナを有する、請求項１乃至４の何れか一項に記載の情報処理装置。
  6. 　前記出力部は、前記第２の高周波信号を直流信号に変換し、変換した直流信号に重み付けを行う、請求項１乃至５の何れか一項に記載の情報処理装置。
  7. 　教師データに基づいて、前記直流信号に対する重み付けの大きさを調整する学習部を有し、重み付けされた前記直流信号は、前記入力部において前記第１の高周波信号に足しこまれる、請求項６に記載の情報処理装置。
  8. 　入力部が、第１の高周波信号を第１の電波に変換して放射し、
    　前記第１の電波に対して非線形応答を行うことで前記第１の電波を変調させる複数の半導体素子を有するリザバー部が、前記第１の電波に対する変調によって得られる第２の電波を出力し、
    　出力部が、受信した前記第２の電波を第２の高周波信号に変換する、
    　情報処理方法。
PCT/JP2020/026580 2020-07-07 2020-07-07 情報処理装置及び情報処理方法 WO2022009314A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
PCT/JP2020/026580 WO2022009314A1 (ja) 2020-07-07 2020-07-07 情報処理装置及び情報処理方法
JP2022534539A JP7425370B2 (ja) 2020-07-07 2020-07-07 情報処理装置及び情報処理方法
EP20944413.2A EP4181023B1 (en) 2020-07-07 2020-07-07 Information processing device and information processing method
US18/082,612 US20230117769A1 (en) 2020-07-07 2022-12-16 Information processing apparatus and information processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/026580 WO2022009314A1 (ja) 2020-07-07 2020-07-07 情報処理装置及び情報処理方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/082,612 Continuation US20230117769A1 (en) 2020-07-07 2022-12-16 Information processing apparatus and information processing method

Publications (1)

Publication Number Publication Date
WO2022009314A1 true WO2022009314A1 (ja) 2022-01-13

Family

ID=79552330

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/026580 WO2022009314A1 (ja) 2020-07-07 2020-07-07 情報処理装置及び情報処理方法

Country Status (4)

Country Link
US (1) US20230117769A1 (ja)
EP (1) EP4181023B1 (ja)
JP (1) JP7425370B2 (ja)
WO (1) WO2022009314A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06243117A (ja) * 1993-02-18 1994-09-02 Fuji Xerox Co Ltd ニューラルネットワークシステム
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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6243117B2 (ja) 2012-12-17 2017-12-06 京楽産業．株式会社 遊技機
EP2821942B1 (en) * 2013-07-05 2020-11-04 Universiteit Gent Reservoir computing using passive optical systems

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06243117A (ja) * 1993-02-18 1994-09-02 Fuji Xerox Co Ltd ニューラルネットワークシステム
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 (2)

* Cited by examiner, † Cited by third party
Title
HIROFUMI TANAKA ET AL.: "A molecular neuromorphic network device consisting of single-walled carbon nanotubes complexed with polyoxometalate", NATURE COMMUNICATIONS, vol. 9, 2018
KATUMBA, ANDREW ET AL.: "Neuromorphic Computing Based on Silicon Photonics and Reservoir Computing", IEEE JOURNAL OF SELECTED TOPICS IN QUANTUM ELECTRONICS, vol. 24, no. 6, November 2018 (2018-11-01), XP011681811, DOI: 10.1109/JSTQE.2018.2821843 *

Also Published As

Publication number Publication date
EP4181023A4 (en) 2023-07-12
JP7425370B2 (ja) 2024-01-31
EP4181023B1 (en) 2024-07-17
EP4181023A1 (en) 2023-05-17
US20230117769A1 (en) 2023-04-20
JPWO2022009314A1 (ja) 2022-01-13

Similar Documents

Publication Publication Date Title
Zhukov et al. Algorithmic simulation of far-from-equilibrium dynamics using quantum computer
Hua et al. Sine-transform-based chaotic system with FPGA implementation
Lamata et al. Digital-analog quantum simulations with superconducting circuits
Razmjooy et al. An improved quantum evolutionary algorithm based on invasive weed optimization
CN110649976B (zh) 适用于多量子计算机芯片的位态测量读取装置及方法
US10891536B1 (en) Artificial neural network for reservoir computing using stochastic logic
CN110535486B (zh) 基于超表面神经网络的射频信号直接处理式无线收发机
US11790220B2 (en) Artificial neural networks
CN103023839B (zh) 基于输出反馈偏置型复连续反馈神经网络结构的无线光通信系统盲均衡方法
CN114037082A (zh) 量子计算任务处理方法、系统及计算机设备
Deibuk et al. Design of a ternary reversible/quantum adder using genetic algorithm
JP7425370B2 (ja) 情報処理装置及び情報処理方法
Behrman et al. Quantum neural computation of entanglement is robust to noise and decoherence
US6876989B2 (en) Back-propagation neural network with enhanced neuron characteristics
Yan et al. Quantum chaos on complexity geometry
Singh et al. Complexity analysis of quantum teleportation via different entangled channels in the presence of noise
He et al. Implementation of quantum operations on single-photon qudits
Hellbach et al. Quantum-correlated photons generated by nonlocal electron transport
Lee et al. Wireless link scheduling for D2D communications with graph embedding technique
Roqui et al. Estimation of small antenna performance using a machine learning approach
Moraga Mixed polarity reversible Peres gates
He et al. Entanglement transformation with no classical communication
CN115426012A (zh) 基带芯片、混合预编码方法及终端设备
Rácz et al. A full-stack neuromorphic prototype architecture for low-power wireless sensors
NirmalaDevi et al. Modeling and analysis of neuro–genetic hybrid system on FPGA

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20944413

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022534539

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020944413

Country of ref document: EP

Effective date: 20230207