@inproceedings{oai:ipsj.ixsq.nii.ac.jp:00212636,
 author = {村田, 寛也 and 久米, 祐貴 and 辺, 松 and 粟野, 皓光 and 佐藤, 高史 and Hiroya, Murata and Yuki, Kume and Song, Bian and Hiromitsu, Awano and Takashi, Sato},
 book = {DAシンポジウム2021論文集},
 month = {Aug},
 note = {エコーステートネットワーク (ESN) は再帰的ニューラルネットワーク (RNN) の一種であり，時系列データの処理に適している．入力層-中間層間および中間層-中間層間の重みは学習前にランダムな値に固定し，中間層-出力層間の重みのみを学習することが大きな特徴である．この特徴から，学習コストが低く，高速な学習が可能である．また，入力層，中間層はリザバーとも呼ばれ，その単純さからリザバーをハードウェアや物理現象で表現する様々な研究がある．MOSESN はリザバーを MOSFET クロスバアレイ回路としたものであり，重みの生成にトランジスタの微細化に伴うしきい値電圧のばらつきを利用しており，集積回路化可能なリザバーとして知られている．しかし，使用される素子数の多さから，MOSESN のシミュレーションには多大な時間を要する．本稿では，リザバーの疎性を利用して，オフ状態の MOSFET に流れる電流を縮約し，MOSESN の回路シミュレーション高速化を試みた．提案する手法により，回路シミュレーション時間は最大で 94% 短縮された．, Echo State Network (ESN) is a kind of recurrent neural network (RNN). RNN is suited for processing time series data. Only the output, or the readout, weights are trained in ESN. Therefore, the major advantage of ESN is fast learning, resulting in low training cost. Due to its simplicity, hardware implementation of the input and middle layers in ESN (also known as the reservoir) has attracted attention. Hardware reservoirs are expected to achieve lower power consumption and faster operation than software-based reservoir. MOSESN is a hardware implementation of ESN and it consists of MOSFET double crossbar array circuits. The weights are generated using the variation of the threshold voltage due to the miniaturization of transistors in MOSESN. It is expected that the reservoir of MOSESN can be implemented as an integrated circuit. However, the circuit simulation of MOSESN requires a large amount of time because of the large number of elements. In this paper, we attempt to speed up the circuit simulation of MOSESN by using the sparsity of the reservoir to replace the currents of off-state MOSFETs. The proposed method reduces the circuit simulation time by up to 94%.},
 pages = {112--118},
 publisher = {情報処理学会},
 title = {大規模MOSFETリザバーの高速シミュレーション},
 volume = {2021},
 year = {2021}
}