04 河原 予稿集 1112差替え - shingi.jst.go.jp
Transcript of 04 河原 予稿集 1112差替え - shingi.jst.go.jp
2
技術背景:IoT技術の進展
次世代IoT:モノ側(エッジ)のデータが質・量共に高度化。同時にAI(人工知能)時代到来。
従来IoT
実世界
温度値
CO2量
電流量
LAN
次世代IoT
画像認識
音声認識
動画抽出
実世界
LAN
LAN
クラウド
モノ側(エッジ)
センサ+情報処理
高度センサ+高度情報処理
3
クラウド
高度AI処理・学習
IoT技術のサステナブルな発展へ
次世代IoT:量的に爆発する実世界高度情報をクラウドへ賢く伝送することが重要。
実世界高度情報
その場でAIにて有意情報抽出
その場でAIが判断し制御
限りあるバンド幅
必要情報のみ
LAN/WAN
人工知能LSI
高感度多量センサ→データ量の爆発
エッジAI処理→限られた電源環境、
実装スペース
4
クラウド処理vsエッジ処理
• クラウド: 最先端デバイス、高集積、良環境
• モノ(エッジ): 実装制限、電源他劣環境クラウド/サーバ モノ(エッジ)
クラウド モノ(エッジ)
プロセッサ周波数 GHz kHz~MHz
メモリ TB、DRAM, Hybrid NVDRAM GB、SRAM, NV-RAM
AI(人工知能)処理 学習、推論 推論、制御
電力 MW、専用電源 mW~μW
実装環境 空調専用室、専用ラック 工場、エンジン室、風雨環境
5
AI(人工知能)処理• 人工知能処理には大きな計算資源が必要
次世代IoT端末で必要なコンピューティング処理(AI処理)GOPS1 10
GOPS: Giga Operations Per Second
100
Face Recognition
Video Recognition
Voice Recognition
Eye Recog.
VLSI 2008 Plenaryより
コンピューティング必要性能
パタン認識・特徴点抽出
データベース探索・認証
実世界
複雑情報
照合
推測
最適解へ
有意情報
ネット経由クラウドへ
・探索(認識) ・最適化
6
モノ側(エッジ)次世代AI処理の特徴
• モノ側(エッジ)にて高度データから有意な情報抽出に必要な処理:最適化問題
• 巡回セールスマン問題
• スケジューリング問題
• 生産計画問題 etc…
• 全ての解を列挙する処理のため、通常のコンピュータ処理では長時間or大電力
• 次世代IoTではセンスする情報が多岐
7
モノ側(エッジ)AI(人工知能)処理の特徴
• 電源環境に制限
→環境発電での動作が望まれる
• 実装面積が限られる
→機器小型化が必要
μW mW W
振動温度差
太陽光 通常電源
電源
供給電力
IoTで重要
n p熱
冷却
AIチップ(LSI)が必須
8
モノ側(エッジ)AI処理
• 最適化問題解法が必要。膨大な処理必要
これを小型機器にて環境発電可能な低電力に処理したい
パタン候補
最適
値か
らの
ずれ
最適解
全パターン探索例:巡回セールスマン問題
10
イジングマシン開発動向• 量子系含めて世界中で開発中
• エッジ用の汎用性優れるLSIチップは無い・D-WAVE “量子イジングマシン”
干渉セルを備えた超伝導コイルを用いて構成・極低温が必要
・日立 “古典イジングマシン”SRAMの状態でスピンを表現し、古典イジングマシンを実現。2万個のスピンをチップに搭載。近接結合・事前のソフト処理必要
・国立情報研究所 “量子イジングマシン”
注入同期レーザー網とFPGAで構成。全結合(FPGA処理)・レーザ発振器が必要
・富士通 “古典イジングマシン
FPGAを用いてイジングモデルの回路を構成。柔軟な回路構成を採用。全結合・大規模FPGA
各図は、開発機関のHP、リリース、又は発表論文から採ったもの。
11
開発目的
•モノ側(エッジ)低電力AI処理装置の実現
1013
10-2
ソフト処理イジングマシン
今回全結合
イジングLSI従来
(ノイマン型逐次処理)
電源制限のあるモノ側(エッジ)処理に対応電
力(ワット
) /エッジAI処理
102
100
従来イジングLSI
(電力積からの等価な値として)
12
新技術の特徴・従来技術との比較
• モノ側(エッジ)にて有意な情報抽出に必要な最適化問題を解く超低電力かつ高性能なAIチップ技術を開発。
• 従来は処理に必要な処理・電力の点でクラウドでの使用に限られていた。開発技術によりmWオーダーまで低電力化でき太陽電池動作が可能。
• モノ側情報を有効活用した組込み機器運用効率向上や農業・インフラ保守管理低減に期待。
13
従来技術の課題
• 量子系(極低温)、レーザ光学系、FPGAシステムは、モノ側(エッジ)に適用は実装面積から難しい。
• 問題毎のソフト処理を前提としたLSIチップは、モノ側(エッジ)に適用は汎用性に課題がある。
• 電源環境がモノ側(エッジ)は厳しい。環境発電を活用できるほどに低電力化が必要。
14
新技術の位置づけ•汎用性に優れ、低電力な方式
汎用性
全結合
隣接・近接
電力・コスト・全体処理時間
CMOSチップ+ソフト処理
FPFAイジング
レーザ+光ファイバ+FPFA
本技術
近接接続高次元化全結合
光ファイバ内近接結合をFPGAで全結合化処理
近接結合のみ。全結合へは外部で事前にソフト処理
ブロックに分け展開し全結合
小 大
小
大
クラウド向けエッジ向け
16
開発技術(2/3)•従来に比べ、応用範囲が広くかつ実装容易
ホップフィールド
イジングモデル
近接のみで全結合実現
本技術(3次元イジングモデル)
近接結合実装易特定問題のみ
全結合実装難広応用
実装易、広応用
18
LSI化方式比較
•LSI化にてモノ側(エッジ)で有意な情報抽出
全結合実現LSI
分割及び統合部
FPGA
必要結合ソフト処理
近接結合LSI
参考図
本技術
汎用性 消費電力 実装コスト スピン結合性能
FPGA
近接結合CMOSASIC
◎
△
(FPGA)
△
〇
〇
△
〇
〇
△
方式
近接のみで全結合実現
全結合
近接結合
〇
〇
△
◎
〇
△
(FPGA)
事前にソフト処理必要
19
LSI性能比較
•モノ側(エッジ)にて有意な情報抽出に必要
面積(相対値)
従来
今回
相互作用 相互作用計算
スピン
~1/10
10 0.5処理時間(相対値)
従来
今回
イジング処理
~1/100
前処理
10020 4 98
近接のみで全結合実現のスピン間結合計算方式の効果
全結合搭載の効果
20
想定される用途
• 以下の分野における高効率なデータ利活用システムへの適用
– インフラ監視低電力AIシステム
– AI用いたモノづくりの高効率化
– 長時間着衣型健康監視AIシステム
• その他、幅広い分野での組み合わせ最適化問題に対応でき、その場(エッジ側)での電池レスAI処理が可能。
21
実用化に向けた課題
• 現在、チップを試作中であり来年2月に完成。並行してFPGAでも回路構築中。
• 今後、チップやFPGAでの実動作検証を行っていく。
• 実用化に向けて、スピン数や内部動作のビット数(精度)を適切な値に設定する必要がある。
22
企業への期待• エッジ側で次世代IoT向けの高度なAI処理を
低電力で行うことが本技術により可能
• 実応用展開へのライセンス及び共同研究
展開
企業のエッジ用システム(展開案)
汎用イジングAIチップ(IP)
IO
メモリ
センサADμコントラーラ
LSI高位記述
デモボード例
デモシステム開発
PC
23
本技術に関する知的財産権
• 発明の名称 : 半導体装置
• 出願番号 : 特願2018-051033特願2018-184043
• 出願人 : 学校法人東京理科大学
• 発明者 : 河原尊之、他各2名
24
産学連携への活動• 2018年8月10日
NEDO「高効率・高速処理を可能とするAIチップ・次世代コンピューティングの技術開発/【研究開発項目〔1〕】革新的AIエッジコンピューティング技術の開発」に採択
関連技術
• 2018年5月7日
プレスリリース “モノ側で情報の高度な利活用を行う人工知能(AI)処理型リコンフィギュラブル半導体“
http://www.tus.ac.jp/today/20180507005.pdf