[論文レビュー] Neuromorphic computing in Ginzburg-Landau lattice systems

Andrzej Opala, Sanjib Ghosh+2 more|arXiv (Cornell University)|Aug 13, 2018

Neural Networks and Reservoir Computing被引用数 2

ひとこと要約

本稿では、Ginzburg-Landau格子系の内在的非線形ダイナミクスを活用して、高速な時系列信号処理を実現するリザボア計算を提案する。この手法により、励起子極子格子系においてTbit/sレベルの処理レートを達成し、ボルツマン型バーチャルバグのバグを克服するハードウェア効率の良い神経形態的コンピューティングのパラダイムを示した。

ABSTRACT

The availability of large amounts of data and the necessity to process it efficiently have led to rapid development of machine learning techniques. To name a few examples, artificial neural network architectures are commonly used for financial forecasting, speech and image recognition, robotics, medicine, and even research. Direct hardware for neural networks is highly sought for overcoming the von Neumann bottleneck of software implementations. Reservoir computing (RC) is a recent and increasingly popular bio-inspired computing scheme which holds promise for an efficient temporal information processing. We demonstrate the applicability and performance of reservoir computing in a general complex Ginzburg-Landau lattice model, which adequately describes dynamics of a wide class of systems, including coherent photonic devices. In particular, we propose that the concept can be readily applied in exciton-polariton lattices, which are characterized by unprecedented photonic nonlinearity, opening the way to signal processing at rates of the order of 1 Tbit (1/s).

研究の動機と目的

• 従来のコンピューティングにおけるボルツマン型バグを克服するため、物理的ハードウェアに直接神経形態的コンピューティングを実装すること。
• Ginzburg-Landau方程式で記述される複雑な力学系におけるリザボア計算の実現可能性を検討すること。
• 驚異的な光子的非線形性を示す励起子極子格子系を用いて、高速な時系列情報処理を実現すること。
• 非線形力学系と実用的な神経形態的コンピューティングアーキテクチャの間の橋渡しをすること。

提案手法

• 広く多様なコherent非線形系を記述できる能力を持つことから、一般化された複素Ginzburg-Landau格子モデルを物理的リザボアとして採用すること。
• リザボア自体の学習を必要とせず、格子の内在的非線形ダイナミクスを計算基盤として利用すること。
• 入力信号を格子ノードに印加し、入力情報をリザボア状態にエンコードする空間的・時間的パターンを励起すること。
• 線形リードアウト層を用いてリザボア状態を読み出し、分類や予測などの時系列タスクを実行すること。
• 励起子極子系の高い非線形性と高速応答性を活かし、1 Tbit/sオーダーの処理速度を達成すること。
• 制御された入力条件下でのGinzburg-Landau方程式の数値シミュレーションを通じて、手法の妥当性を検証すること。

実験結果

リサーチクエスチョン

• RQ1 Ginzburg-Landau格子系は神経形態的コンピューティングの有効な物理的リザボアとして機能できるか？
• RQ2 特に励起子極子格子系において、この系で達成可能な最大の信号処理レートは何か？
• RQ3 Ginzburg-Landauダイナミクスの内在的非線形性は、時系列情報処理能力をどのように向上させるか？
• RQ4 このアプローチは、従来のAIハードウェアアーキテクチャにおけるボルツマン型バグをどの程度克服できるか？

主な発見

• Ginzburg-Landau格子系は時系列信号処理のためのリザボアとして効果的に機能し、頑健な計算性能を示した。
• 格子の内在的非線形ダイナミクスにより高速処理が可能であり、励起子極子系では理論的に最大1 Tbit/sの処理レートに達した。
• リザボアの学習を一切必要とせず、システムの物理的ダイナミクスに依存するのみで、効率的な時系列情報処理が実現された。
• 励起子極子格子系は、類似しない光子的非線形性と超高速応答時間のおかげで、極めて有望なプラットフォームであると特定された。
• この手法は、機械学習ワークロードにおけるボルツマン型バグのハードウェアネイティブな解決策としてスケーラブルである。
• 数値シミュレーションにより、さまざまな時系列タスクにおいてこのアプローチの実現可能性が確認され、その計算的潜在能力が裏付けられた。