| 03 |
省電力なAIモデルの実現に向けてデバイス実装に向けた疎性と量子化を統合するモデル圧縮 
|
|---|
| どんな研究 |
AIの高性能化に伴う計算量や消費電力の増大に対し、疎なネットワーク構造の活用や量子化などの効率化手法が提案されてきました。本研究では学習方法を工夫することで、省電力アナログハードウェアでも柔軟に活用できるニューラルネットワーク設計の新しい考え方を紹介します。 |
|---|---|
| どこが凄い |
従来の効率化手法は疎な構造と量子化の併用を前提とする場合が多く、疎な計算を効率的に扱えるデジタルハードウェアなどに適用が限られることがありました。本研究では疎性を必須とせず、量子化と両立可能な学習枠組みを示し、多様な実装技術への展開可能性を広げました。 |
| めざす未来 |
学習方法の工夫によって、特定の計算方式や実装技術に依存しないAI設計を可能にします。これにより、将来は省電力で再構成可能なAIが、デジタルからアナログまで幅広い計算基盤やデバイス上で活用される社会をめざします。 |
[1] Á. López García-Arias, Y. Okoshi, H. Otsuka, D. Chijiwa, Y. Fujiwara, S. Takeuchi, M. Motomura, "The Trichromatic Strong Lottery Ticket Hypothesis: Neural Compression With Three Primary Supermasks," Workshop on Machine Learning and Compression, Conference on Neural Information Processing Systems (NeurIPS), 2024.
[2] Á. López García-Arias, Y. Okoshi, H. Otsuka, D. Chijiwa, Y. Fujiwara, S. Takeuchi, M. Motomura, “The Trichromatic Strong Lottery Ticket Hypothesis: A Unifying View of Supermask-Based Learning,” IEEE International Joint Conference on Neural Networks (IJCNN), 2026.
ロペス アンヘル（Angel Lopez）メディア情報研究部 メディア認識研究グループ
本展示の成果は東京科学大学との共同研究によるものです。