鯉渕 道紘

耐故障並列計算と高速ロシー結合網の協調

研究者

鯉渕 道紘

研究概要

半導体の微細化が徹底追求された現在、現実的なコストで従来通りのデータロスが生じない高性能通信ハードウェアの設計が難しくなっています。本研究では、アルゴリズムレベルで高い耐故障性を有する並列計算アプリケーションと、通信ハードウェアの耐故障性に関する設計を最小限に留める高速通信アーキテクチャに関する協調設計技術を創出することで、高性能クラウド並列計算基盤を実現します。

坂田 綾香

求解軌道のマクロ表現によるアルゴリズム制御理論の創出

研究者

坂田 綾香

研究概要

複雑な統計モデルが導入される昨今、推定問題は複雑化しており、安定に動作するアルゴリズムの開発は急務となっています。本研究では、複雑な推定問題に適用可能かつ、入力データの揺らぎに対して頑健なアルゴリズムの開発を目指します。求解軌道のマクロ表現という考え方を用いて、アルゴリズムの典型的性能と、揺らぎに対する信頼性を評価し、安定的に求解を行うようアルゴリズムを制御するための理論の創出を目指します。

坂本 龍一

新世代デバイスを用いた密結合型マイクロサービス実行基盤

研究者

坂本 龍一

研究概要

近年のWebアプリケーション開発では開発や運用の効率化、かつ継続的サービスの展開が重要視されおり、アプリケーションを複数サービスに分割し開発を行うマイクロサービスが着目されています。しかし、サービス間は疎に結合され、実行効率が低いことが問題です。そこで、新世代デバイスであるNVM, FPGA, CCIX等を用い、サービス間を密結合とし、マイクロサービスの性能を大きく向上させる実行基盤を実現します。

砂田 哲

光波動コンピューティングの展開

研究者

砂田 哲

研究概要

生物の脳は複雑な神経回路からなる超高次元の動的システムであり、高度な情報処理を可能にしています。一方、光波動系も高次元の動的システムです。本研究では、光波動現象の多様性・高次元性を利用してニューラルネット処理を無配線で高効率に実行する計算原理を提案し、先端的フォトニクスによってその原理を実証します。これにより光波の極限的性能を発揮する次世代AIエッジコンピューティングの形を明らかにします。

孫 鶴鳴

リアルタイム低電力深層学習適用による革新的な動画像圧縮システム

研究者

孫 鶴鳴

研究概要

動画像圧縮率向上のため、深層学習が検討され、既存の圧縮標準（HEVC）を凌駕することが期待されています。一方、実用化の観点から汎用的なGPUによる処理はリアルタイムコーディングを達成できません。そこで、本研究は深層学習ベースの動画像圧縮専用のFPGA/ASICハードウェアアクセラレータを開発し、アルゴリズム、アーキテクチャ連携により圧縮率、スループット、電力効率を最大化するシステムを実現します。

高橋 綱己

メモリスタセンサネットワークによるエッジ化学情報処理

研究者

高橋 綱己

研究概要

実空間の分子群をはじめとした化学的な情報の大規模な利活用に向けて、化学情報の取得と有益なデータの抽出を行うデバイスを作製し、動作の原理実証とデータ取得・演算モデルの確立を行います。従来の化学センサ・演算デバイスでは実現が難しかった低エネルギーかつリアルタイムな化学情報の処理を目標とし、Society5.0で求められる化学情報処理基盤への発展を目指します。

陳 オリビア

アルゴリズム・ソフトウェア・ハードウェアの融合による超低電力ニューラルネットワークの構築

研究者

陳 オリビア

研究概要

人工知能の急速な発展に伴う情報量が爆発的増大し，莫大な電力が消費されてしまういます．本研究課題では，半導体回路に対して５桁以上消費電力効率を持つ超伝導回路を基盤技術とする上，アルゴリズ，ソフトウェア，及びハードウェアの連携を通じて，1Wで千兆回演算級のエネルギー効率を有する新たな超低電力AIシステムの開発に挑戦します．また，本技術の応用の拡大，引いては地球温暖化の防止にもつながると考えます．

西原 禎文

ペタビット時代を支える革新的分子ストレージング技術の確立

研究者

西原 禎文

研究概要

単一分子で強誘電体のような振る舞いを示す単分子誘電体を用いて，既存の情報記録密度を遥かに上回るペタビット級分子誘電メモリの実現を目指します。当該研究によって生み出される超高密度不揮発性メモリは，ビッグデータ活用やディープラーニングなどの情報分野のみならず，宇宙開発分野や医療分野，ロボティクス分野などの広範な領域と融合し，次世代コンピューティング技術の創出に繋がるものと考えています。

松井 鉄平

生物模倣によるロバストで効率的な深層学習の開発

研究者

松井 鉄平

研究概要

社会の持続的なスマート化には、人間の仕事を人工知能に置き換えていくことが必須です。深層学習はこのニーズを埋める有望な技術ですが、ノイズに対する脆弱性や、増加する計算コストなどの問題点があります。本研究では、実際の生物の脳活動を計測し、その幾何学的情報構造を損失関数に組み込んだ深層学習モデルを開発します。これにより、生物の脳が進化により獲得した利点を持つ新概念コンピューティング技術を実現します。