……Zoomオンライン受講
……見逃し視聴選択可
★エッジコンピューティングやニューロモルフィック（脳型）コンピューティング他、幅広い分野への応用が期待されるリザバー・コンピューティングの最近の進展状況を把握！
★様々な物理系のデバイスに応用できる注目の物理リザバー・コンピューティングについても詳しく解説します。
講師
日本アイ・ビー・エム株式会社 東京基礎研究所 専任研究員 工学博士 山根 敏志 氏
＜その他関連商品＞
機械学習・AI・データ分析 一覧はこちら
日時・受講料・お申込みフォーム
●日時：2026年11月13日(金) 13:00-16:30 ＊途中、小休憩を挟みます。
●受講料：
【オンライン受講（見逃し視聴なし）】：1名 45,100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34,100円
【オンライン受講（見逃し視聴あり）】：1名 50,600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39,600円
＊「見逃し視聴あり」でお申込の場合、当日のご参加が難しい方も後日セミナー動画の視聴が可能です。
各種割引について
＊5名以上でのお申込の場合、更なる割引制度もございます。
ご希望の方は、以下より別途お問い合わせ・お申込みください。
req@*********（*********にはjohokiko.co.jpを入れてください）
＊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」を確認ください。
お申込みはこちらから
商品コード：AD2611M1
配布資料・講師への質問など
●配布資料はPDFなどのデータで配布いたします。ダウンロード方法などはメールでご案内いたします。
・配布資料に関するご案内は、開催1週前～前日を目安にご連絡いたします。
・準備の都合上、開催1営業日前の12:00までにお申込みをお願いいたします。
（土、日、祝日は営業日としてカウントしません。）
・セミナー資料の再配布は対応できかねます。必ず期限内にダウンロードください。
●当日、可能な範囲でご質問にお答えします。（全ての質問にお答えできない可能性もございます。何卒ご了承ください。）
●ご受講に際しご質問・要望などございましたら、下記メールアドレス宛にお問い合わせください。
req@*********（*********にはjohokiko.co.jpを入れてください）
オンラインセミナーご受講に関する各種案内（必ずご確認の上、お申込みください。）
※メールアドレスの記載誤りについては、以下へご連絡お願いいたします。
req@*********（*********にはjohokiko.co.jpを入れてください）
→Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomで音声が聞こえない、カメラ・マイクが使えないなどの事象が起きる可能性がございます。お手数ですが、これらのアプリは閉じた状態にてZoomにご参加ください。
→音声が聞こえない場合の対処例
→一部のブラウザは音声が聞こえないなどの不具合が起きる可能性があります。
対応ブラウザをご確認の上、必ず事前のテストミーティング をお願いします。
（iOSやAndroidOS ご利用の場合は、アプリインストールが必須となります）
→見逃し視聴について、 こちらから問題なく視聴できるかご確認ください。（テスト視聴動画へ）パスワード「123456」
＜見逃し視聴ご案内の流れ・配信期間詳細＞
セミナーポイント
近年、主にクラウド側において、機械学習・ビッグデータ・半導体技術の飛躍的な発展を背景として、人工知能革命とも称される産業構造の大きな変革が進展しています。また、クラウドに蓄積されるデータだけでなく、エッジ環境で生成される膨大なデータに対しても、分類・識別・予測などの認知処理を高効率に実現することが、産業競争力を左右する重要な課題となっています。そして、この機械学習技術の中核を担っているのが、深層学習や大規模言語モデル（LLM）に代表されるニューラル・ネットワークです。本講座では、ニューラル・ネットワークの基礎から説き起こし、その発展的手法として注目されているリザバー・コンピューティングを取り上げ、その理論的背景と基本原理について解説します。
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・ネットワークと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：ニューラルネットワークの歴史
2．機械学習とニューラル・ネットワークの基礎
2.1 代表的なニューラル・ネットワーク
2.2 深層学習
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
3.2.3 機械学習におけるランダム性
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、NorthPole
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
5.1 流体系
5.2 電気系（FPGA、アナログ電気回路）
5.3 光系（面発光レーザ、半導体光増幅器）
5.4 磁気系（磁性薄膜）
5.5 機械系（MEMS）
5.6 化学系（DNA）
5.7 量子系（量子スピン）
5.8 既存技術の再利用
5.9 ニューロモルフィック・デバイスとリザバー・コンピューティング
5.10 数理モデルから物理系へ
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 医療診断
6.5 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＞
お申込みはこちらから
