リザバー・コンピューティングの

基礎および応用技術

〜産業応用に向けた理論とデバイス実装〜

＜会場開催セミナー＞

講師

日本アイ・ビー・エム（株） 東京基礎研究所　専任研究員 工学博士 　山根 敏志 先生

＊ 希望者は講師との名刺交換が可能です

日時・会場・受講料

●日時　2024年1月29日（月）　12:30-16:30　※途中、小休憩を挟みます。
●会場　[東京・大井町]きゅりあん5階第3講習室　→「セミナー会場へのアクセス」
●受講料　1名41,800円(税込（消費税10％）、資料付)
　＊1社2名以上同時申込の場合、1名につき30,800円
　　　　　 ＊学校法人割引；学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認下さい。

　●録音・撮影行為は固くお断り致します。
　●講義中の携帯電話の使用はご遠慮下さい。
　●講義中のパソコン使用は、講義の支障や他の方の迷惑となる場合がありますので、極力お控え下さい。
　　場合により、使用をお断りすることがございますので、予めご了承下さい。
　　＊ＰＣ実習講座を除きます。

---

■ セミナーお申込手順からセミナー当日の主な流れ　→

会場で開催する対面セミナーです。

・東京都内の会場を中心に開催しております。詳細は各セミナーページの案内をご参照ください。
・新型コロナウイルス感染症（COVID-19）に関する 弊社の対応はこちら
・セミナー費用等について、当日会場での現金支払はできません。
・昼食の提供もございませんので、各自ご用意頂ければと存じます。

セミナーポイント

　近年，ビッグ・データ時代の幕開けとともに認知コンピューティングへの関心が高まっています．特にクラウドのみならず，エッジから発生するビッグ・データに対し，分類や識別，予測と言った認知処理をいかに効率よく行うかが産業競争力を左右すると考えられています．そこで，近年注目されているのが，深層学習に代表されるニューラル・ネットワークなどの機械学習処理です．本講演では，認知コンピューティングの有力な手法である，ニューラル・ネットワークの基礎からはじめ，再帰的ニューラル・ネットワークの新たなアーキテクチャーとして注目されているリザバー・コンピューティングの理論について詳しく解説いたします．
　リザバー・コンピューティングは通常の再帰ニューラル・ネットワークや深層学習と比較してモデルの構造が簡略化されているため、学習時や動作時（推論時）のコストが著しく低いという特徴があります．さらに大規模機械学習モデルと比較して少量のデータでリアルタイム学習を高精度に実現することが可能であり，運用も容易なことから，クラウドだけでなくエッジも含めた幅広い分野への応用が期待されています．
　一方，機械学習を実行するプラットフォームにおいては，従来の汎用プロセッサとソフトウェアによるニューラル・ネットワークの実装は半導体技術の限界に伴い十分な処理効率が得られない場合もあり，大きな壁にぶつかりつつあります．そこで，従来のソフトウェア処理に代わる，ニューロモルフィック・コンピューティングと呼ばれるニューラル・ネットワークの処理に特化したデバイスの研究が盛んに行われております．リザバー・コンピューティングもこれらのデバイスによって実装することで十分な処理効率が期待できます．
　また近年，リザバー・コンピューティングはニューラル・ネットワークを直接用いることなく，非線形素子により実行が可能であることがわかってきました。このように，リザバー・コンピューティングに対しては様々な物理系のダイナミクスをリザバーとして直接利用する実装技術が多数提案されています。これにより、アルゴリズムだけでなくデバイスの観点からも，物理系のもつ高速性や低消費電力性を活かした実装が可能です．
　本講演ではニューラルネットワーク・機械学習の基礎から始め，リザバー・コンピューティングの機械学習アルゴリズムとしての特徴と機械学習デバイス実装，IoTエッジ・コンピューティングなどの次世代ITシステムへの応用について解説します．

○受講対象：
　・機械学習や人工ニューラル・ネットワークに関心のある方，特にリザバー・コンピューティングについて学習したい方．
　・脳型のデバイスの最近の動向，特に物理リザバー・コンピューティングの最近の進展と応用について関心のある方．

○受講後、習得できること：
　人工ニューラルネットワーク，特にリザバー・コンピューティングに関する知識．
　・脳型ハードウェア，特に物理リザバー・コンピューティングとその応用についての知識．

セミナー内容

1.はじめに：ビッグデータ時代と認知コンピューティング

2.機械学習と人工ニューラルネットワークの基礎
　2.1 機械学習と人工ニューラルネットワークの歴史
　2.2 代表的な機械学習手法
　2.3 代表的なニューラルネットワーク

3.リザバー・コンピューティングの仕組み・特徴
　3.1 リザバー・コンピューティングの構成・アルゴリズム
　　3.1.1 Echo State Network
　　3.1.2 Liquid State Machine
　3.2 機械学習モデルとしてのリザバー・コンピューティング
　　3.2.1 転移学習・マルチタスク学習
　　3.2.2 AI基盤モデル
　3.3 リザバー・コンピューティングのライブラリ実装
　3.4 性能向上のための考慮点
　3.5 代表的なベンチマークタスク

4.ニューロモルフィック・デバイスの構造・特徴とその性能
　4.1 従来型のコンピューティングの限界
　4.2 デジタルAIハードウェア
　　4.2.1 SpiNNaker
　　4.2.2 IBM TrueNorth
　4.3 アナログAIハードウェア
　　4.3.1 Analog Memristive Device
　　4.3.2 Photonic Neuromorphic Device

5.物理リザバー・コンピューティングによる実装技術
　5.1 電気系（FPGA，アナログ電気回路）
　5.2 光系（面発光レーザ，半導体光増幅器）
　5.3 磁気系（磁性薄膜）
　5.4 機械系（MEMS）
　5.5 化学系（DNA）
　5.6 量子系 (量子スピン)
　5.7 数理モデルから物理系へ
　5.8 既存技術の再利用

6.リザバー・コンピューティングの産業応用とその性能要件
　6.1 音声認識
　6.2 画像認識
　6.3 ロボット制御
　6.4 IoTとエッジ・コンピューティング

7.まとめ・参考文献

　　＜質疑応答＞