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～

少量のデータでリアルタイム学習を高精度に実現可能で、運用も容易！エッジ・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理論や基礎知識を把握！

ニューラル・ネットワークの実装に耐えうるデバイス技術や、デバイスによりニューラル・ネットワーク機能を実現する物理リザバー・コンピューティングについても解説します！

セミナー講師

 山根 敏志 先生   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　

セミナー受講料

【オンラインセミナー（見逃し視聴なし）】：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

【オンラインセミナー（見逃し視聴あり）】：1名47,300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36,300円

＊学校法人割引；学生、教員のご参加は受講料50％割引。

受講について

※本講座は、お手許のPCやタブレット等で受講できるオンラインセミナーです。

配布資料・講師への質問等について

• 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。）
• 当日、可能な範囲で質疑応答も対応致します。
  （全ての質問にお答えできない可能性もございますので、予めご容赦ください。）
• 本講座で使用する資料や配信動画は著作物であり、
  無断での録音・録画・複写・転載・配布・上映・販売等を禁止致します。

下記ご確認の上、お申込み下さい

• PCもしくはタブレット・スマートフォンとネットワーク環境をご準備下さい。
• ご受講にあたり、環境の確認をお願いしております（20Mbbs以上の回線をご用意下さい）。
  各ご利用ツール別の動作確認の上、お申し込み下さい。
• 開催が近くなりましたら、当日の流れ及び視聴用のURL等をメールにてご連絡致します。

Zoomを使用したオンラインセミナーとなります

• ご受講にあたり、環境の確認をお願いしております。
  お手数ですが下記公式サイトからZoomが問題なく使えるかどうか、ご確認下さい。
  → 確認はこちら
  ※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でカメラ・マイクが使えない事があります。お手数ですがこれらのツールはいったん閉じてお試し下さい。
• Zoomアプリのインストール、Zoomへのサインアップをせずブラウザからの参加も可能です。
  ※一部のブラウザは音声（音声参加ができない）が聞こえない場合があります。
  　必ずテストサイトからチェック下さい。
  　対応ブラウザーについて(公式) ;
  　「コンピューターのオーディオに参加」に対応してないものは音声が聞こえません。

申込み時に（見逃し視聴有り）を選択された方は、見逃し視聴が可能です

• 開催5営業日以内に録画動画の配信を行います（一部、編集加工します）。
• 視聴可能期間は配信開始から1週間です。
  セミナーを復習したい方、当日の受講が難しい方、期間内であれば動画を何度も視聴できます。
  尚、閲覧用のURLはメールにてご連絡致します。
  ※万一、見逃し視聴の提供ができなくなった場合、
  （見逃し視聴有り）の方の受講料は（見逃し視聴無し）の受講料に準じますので、ご了承下さい。
  →こちらから問題なく視聴できるかご確認下さい（テスト視聴動画へ）パスワード「123456」

セミナー趣旨

  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・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：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
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＞