@techreport{oai:ipsj.ixsq.nii.ac.jp:00192631,
 author = {石坂, 守 and 新谷, 道広 and 井上, 美智子 and Mamoru, Ishizaka and Michihiro, Shintani and Michiko, Inoue},
 issue = {17},
 month = {Nov},
 note = {深層学習における重みを計算する積和演算は最も基本的な演算処理であり，ニューラルネットワーク全体の計算時間，消費電力に影響を与える．メモリスタは，この積和演算を容易に実現できる材料として注目を集めている．一方で，メモリスタの製造技術はまだ確立しておらず，その未成熟製造プロセスにより書き込み回数に強い制限が存在する．一般的にニューラルネットワークは，多量のデータを学習することで行われ，これはメモリスタヘの多量の書き込みを要する．メモリスタの書き込み制限は 1 × 10⁶ 回程度であることから，長期信頼性に課題を残す．本研究では，メモリスタニューラルネットワークの長寿命化を目的に，書き込み回数を削減する手法を提案する．具体的には，学習が収束に近づくと重みの変化が小さくなるという特徴を利用し，未収束時の重みから収束時の重みを圧縮センシングを利用し推定し，学習時の書き込み回数を削減する．シミュレーションにより提案手法を評価し，提案手法の効果と課題について示す．, As matrix-vector product is the most essential operation in the weight calculation of deep learning, it has a great impact on calculation speed and power consumption of neural network circuits. Memristor is one of the most promising materials to perform efficient matrix-vector product. However, it has been pointed out that the memristors have severely low write endurance limitation due to its manufacturing immaturity. In general, the neural network circuit has numerous write operation during the training stage as huge training data is learned. As the write endurance of the memristors is approximately 1 x 10⁶, lifetime enhancement technique is needed to ensuring its reliable lifespan. In this work, in order to reduce the total number of the write operations for lifetime improvement, we experimentally study the weight estimation based on compressed sensing from small number of the write operations. Through simulation experiments, we show effectiveness and challenges of the proposed method.},
 title = {重み推定によるメモリスタニューラルネットワークの信頼性向上の試み},
 year = {2018}
}