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。
セミナー趣旨
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・レベル
・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。
習得できる知識
・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。
セミナープログラム
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>
*途中、小休憩を挟みます。
セミナー講師
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
セミナー受講料
【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。
*学校法人割引:学生、教員のご参加は受講料50%割引。
主催者
開催場所
全国
受講について
- 配布資料はPDF等のデータで送付予定です。受取方法はメールでご案内致します。
(開催1週前~前日までには送付致します)
※準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。
(土、日、祝日は営業日としてカウント致しません。) - 受講にあたってこちらをご確認の上、お申し込みください。
※セミナーに申し込むにはものづくりドットコム会員登録が必要です
開催日時
13:00 ~
受講料
45,100円(税込)/人
※本文中に提示された主催者の割引は申込後に適用されます
※銀行振込、コンビニ払い
※セミナーに申し込むにはものづくりドットコム会員登録が必要です
開催日時
13:00 ~
受講料
45,100円(税込)/人
※本文中に提示された主催者の割引は申込後に適用されます
※銀行振込、コンビニ払い
類似セミナー
-
-
2026/12/10(木)
10:30 ~ 16:30
関連セミナー
もっと見る関連記事
もっと見る-
取り急ぎ押さえておきたい機械学習の3つの基本タイプ
機械学習は現代のビジネスや技術革新の中心にあり、その重要性は日々増しています。しかし、機械学習の世界は広大で、初心者には複雑に感じられ... -
カテゴリー変数の悩みを解決! 高カーディナリティを克服する4つのテクニック
データ分析や機械学習などで、カテゴリー変数の扱いに頭を悩ませていませんか?特に、高カーディナリティ(カテゴリの種類が多い状態)に直面す... -
機械学習における特徴量スケーリングの重要性と手法
機械学習の世界では、データの前処理がモデルの精度や性能に大きな影響を与えます。その中でも、特徴量スケーリング(Feature Scal... -