【IT】機械学習の波、メモリーへも
■ このスレッドは過去ログ倉庫に格納されています
「ISSCC(International Solid-State Circuits Conference) 2018」(2月11日〜15日、米サンフランシスコ)のメモリー関連の論文は、テクノロジーディレクション(新技術)や有線通信技術といった他分野との共同開催も含めて、計6つのセッションに分かれて発表された。全49件の投稿中19本の論文が採択されている。特にアジアからの採択件数が多く、16件を数えた。例年通り、韓国、台湾、日本からの発表が大多数を占めた。
今年のポイントは、3D NANDとその応用、DRAM、SRAMでそれぞれ大容量化、高密度化、高速化技術の着実な進展があったこと。加えて、新たに機械学習分野にメモリー技術を応用する研究成果の発表があったことである。機械学習へのメモリー技術の応用はVLSI SymposiumやASSCC (Asian Solid State Circuit Conference)といった他の学会でも活発になっている。ISSCCではこれまでDC(Digital Circuit)分野で発表されていたが、メモリー関連セッションで機械学習への応用が本格的に発表されるのは今回が初となる。
Session 11:SRAMには、メモリーの高密度化、高速化の進展に関する3件の発表があり、360人を超える聴衆が集まった。昨年初めて登場した7nmからのテクノロジーノードの微細化は一段落したが、露光技術や分離技術を工夫してSRAMセルのビットサイズは同じ7nmながら昨年の0.027μm2から0.026μm2へと、一段階縮小した(韓国Samsung Electronics社が講演番号 11.2で発表)。
Samsungはサイズ縮小にともなう配線抵抗の増大や読み出し・書き込みマージンの減少に対して有効なDual Word Driverといった回路技術を紹介した。Q&Aでは、7nmからさらに微細化が進展して例えば5nmになったとしても、このような回路技術が引き続き重要なことを強調していた。
GDDR6、LPDDR4、DDR4がそろって16Gビットに
Session 12:DRAMでは、インターフェース技術として18Gビット/秒/ピンのGDDR6が登場し(Samsungが講演番号 12.1で発表)、昨年の12Gビット/秒/ピンのGDDR5Xを大幅に超える性能の実現を報告している。ほかにも341Gバイト/sのバンド幅を実現したHBM2など、高速化技術がさらに進展した(韓国SK hynix社が講演番号 12.3で発表)。また、1チップあたりの容量として16Gビットを実現したという発表が3件あった(講演番号 12.1でSamsungが GDDR6を、同12.2でSamsungが LPDDR4を、同12.5でSK hynixが DDR4をそれぞれ発表)。
微細化の視点では20nmを切ったチップが報告された(講演番号 12.2でSamsungが 10nmクラスを、同12.5でSK hynixが18nmをそれぞれ報告)。セッションの聴講者は250人を数えた。大容量と高速化の進展したDRAM技術には非常に大きな関心が寄せられ、どの発表もQ&Aの時間が足りなくて途中で打ち切りの状態だった。このQ&Aのなかで、Samsungの2件のチップ(講演番号 12.1のGDDR6および同12.2 のLPDDR4)には同じDRAMのテクノロジーが用いられており、「10nmクラス」は実は約18nm(around 18nm)であることを明らかにした。
以下ソース
http://tech.nikkeibp.co.jp/dm/atcl/news/16/020810739/ ★★ 機械学習を知りたい人へ ★★
D君は2枚の金貨を見せられた。見た目大きさ手ざわり重さは
変わりがない。1枚は本物、コイントスしたときに表裏は
50%ずつになる。1枚は偽物、コイントスしたときに表60%
裏40%になる。
1. D君が目を閉じて一枚取り、コイントスしたところ表が出た。
このときD君が取ったコインが偽物である確率はいくらか?
2. D君が同じコインを2回トスしたときに2回とも表が出た。
このときD君が取ったコインが偽物である確率はいくらか?
3. 1/2の確率と比較して、1. 2. の確率を比較せよ。 チンポがギンギンになる画像と萎え萎えになる画像を
自動的に判別してくれる素晴らしい技術 >>2の続き
1. A=表が出る B=偽物であるとする。
P(A∩B)、表が出る、かつそれが偽物である確率
P(A∩B)=P(B|A)P(A)=P(A|B)P(B)
P(B|A)=AであってBである確率
P(A|B)=BであってAである確率
表が出て偽物である確率はP(B|A)=P(A|B)P(B)/P(A)
P(B)=1/2 最初、偽物か本物かの確率は半々
P(A|B)=3/5 偽物のときに表が出る確率
P(A)=表が出る確率=偽物であって表が出る+本物であって表が出る
=1/2 ・ 3/5 + 1/2 ・ 1/2= 11/20
P(B|A)=(1/2 ・ 3/5) / (11/20)=6/11
1枚表が出たときに、偽物である確率 6/11 それはよくある確率の問題だと思うんだけど
機械学習とどう関係があるの? >>2の続き
2. 同様に
A=2回表が出る B=偽物であるとする。
とする。
同じ計算をして、P(B|A)=(9/25)/(9/25 + 1/4)=36/61 >>2
コイントスと無関係に本物か偽物かは二分の一だろ >>2の続き
3. 分母を通分して、比較してみる
1/2=671/1342
6/11=712/1342
36/61=792/1342
つまり、1/2<6/11<36/61
学習をさせるごとに偽物であると判断する確率を上げていく。
これを自動化していくのが、機械学習の基本の一つ ★★ 5ちゃんねる標準数学問題 ★★
1)小学校レベル
A君は丸いピザを買ってきました。1/4食べたところでお母さんに
「肥るから元の大きさの1/3は残しておきなさい!」と言われた。
さてA君は残ったピザを何等分して何枚食べたら良いか?
2)中学校レベル
B社はC国で商売するのに1,000円の商品を仕入れた。
B社の規則として売上の10%を利益としなければならない。
さてこの商品をいくらで売れば良いか? ただしC国では
売値と仕入れ値の差の10%を税金として収めなければ
ならないので、その分は利益から差し引くことにする。
3)高校レベル
D君は2枚の金貨を見せられた。見た目大きさ手ざわり重さは
変わりがない。1枚は本物、コイントスしたときに表裏は
50%ずつになる。1枚は偽物、コイントスしたときに表60%
裏40%になる。D君が目を閉じて一枚取り、コイントスしたところ
表が出た。このときD君が取ったコインが偽物である確率はいくらか? >>10の続き
1) 残っているピザは3/4、残すべきピザは1/3
3/4を基準に考えると、1/3は1/3÷3/4=4/9、食べて良いのは5/9
したがって9等分して5つ食べれば良い。 >>10の続き
2) 仕入れ値をx, 売値をyとする
利益はy-x-0.1*(y-x)、これが売値の10%となるから、
y-x-0.1*(y-x)=0.1*y
y=(9/8)*x
x=1000ならy=1125
1125円で売り、利益112.5円、税金12.5円を支払えば
1125=1000+112.5+12.5で合う。 めんどうだから技術立国の韓国と技術のサムスンに任せた >>2の続き
さて、これを100回行ったとする、人間的にはこの辺が限界だろう。
計算が大変なのでExcelに任せる。ニセ金貨を取ったとする。
これを投げれば、60回表40回裏になるはず。表が60回、裏が
40回出たときの偽物である確率は、
P(偽物である確率|60回表が出る)=0.882 88.2%となる。
P(本物である確率|60回表が出る)=1-0.882 11.8%となる。 >>2の続き
Eさんは機械メーカーの技術者である。
彼は警察から押収された偽金貨と本物の金貨を借りてきた。
Eさんの作った機械は内部で自動的に金貨を100回振り、
データを取り、その真贋の結果を教えることで区別することが
できた。彼の機械は60回以上表の出る金貨を偽物とし
88%以上の確率で真贋を見極めた。
CCDカメラで出荷可のきゅうりと不良品のきゅうりを分ける
ことにする。画像前処理を行い縦横の長さを認識できる
ようにしておく。熟練の農家の人が出荷可と不良品を
ボタンで教える。一定の形状の分布に差が出てきたところで
学習終了とする。後は、自動的に分別できるように
選別器を付ける。
画像処理・文章の判断・数値データ、全て分布の差がでる
ところを学習させるのがいまの機械学習。 学習とは正しい結果を与えられなければ、ゆがむだけでデタラメな原理だって
理解できない頭の弱い子が多すぎる、なんで万能とか思ったの?
使う側が上手に使えない時点で、道具はごみだってことよ Ryzenの分岐予測でディープラーニングやってるのよね
畳み込みまでしないけど >>2
これを機械学習と言うか?
どこに学習の要素があるのだろう? >>1
>Session 12:DRAMでは、インターフェース技術として18Gビット/秒/ピンのGDDR6が登場し(Samsungが講演番号 12.1で発表)
GDDR6の開発製造はサムスンではなく、マイクロンが先行していると記憶している >>21
知らない人がバズはせてるだけだから良いんじゃね?
俺は単価上がったし 昨今は、ベイズ統計=機械学習、的な発想を持ってる奴が意外といるよな イコールじゃないが一種ではある
機械学習で最初に習ったのがベイズだったし、これで十分な用途も多い
なのに猫も杓子もディープラーニングでバランスが悪い ディープか否かの明確な定義はしらんが、「辞書(メモリ)へ記憶≒学習」それを
コンピュータに繰り返し行わせることで正解率があがる、
∴人工知能っていう詭弁でしょ。 一昔流行ったファジーとかと同じ。
○○はワシが育てたみたいな、先に言ったもん勝ちのネーミングライツ。
今、人工知能と呼んでいるものが進化しても、コンピュータが自我をもつような
ことはないし、自動プログラムで知能を得るなんてこともない。 >>27
今は機械学習ブーム、更に言えば深層学習ブームで、人工知能とは違う
でも一般向けには人工知能と言った方が通りは良いし、リトマス試験紙にもなる便利ワード >>26
あーなるほど
スレの最初延々確率の問題貼ってる奴がいるのはそれでか
確率の話を手計算するとこなんかごちゃごちゃ書かんでええやんけ…… 俺も仕事でAIやってよとか言われて、とりあえず機械学習でもやってみるかと。何から始めていいのか分からんwww >>30
何から初めてって、まずはどんな問題を解きたいかによるだろ
いずれ複雑な問題やるんなら最初から深層学習でいい >>3 >>8
極端な例え話をしてみます。
Oは裏しか出ないコイン(表が出る確率は0%)
Qは表しか出ないコイン(表が出る確率は100%)
OとQの2枚のコインから1枚を選んでトスしたら表が出ました!
あなた方は選んだコインがQでない可能性があると思いますか? 光の三原色、赤、緑、青のそれぞれの確率を求めるものがあり、
黒、赤、緑、黄(赤+緑)、青、紫(赤+青)、水色(緑+青)、白を
三原色の確率の組み合わせで表現した色と比較して学習させると
これら8色の色を識別できるようになるって感じで合ってるかしら。 >>27
AI「過渡期においては自我だの知能だのは必要とされる場面があるなら既存のものに依存すれば済むので人工物に固執する必要なし 記憶容量、DRAMの10倍以上へ 東北大が新素子
東北大学の大野英男教授らは電子の磁石の性質を利用しデータを記憶する半導体メモリー「MRAM」で、新型の素子を開発した。
携帯端末やパソコンに搭載するDRAMの10倍以上の記憶容量が期待でき、省エネにも役立つ。
企業と組んで5年後の製品化を目指し、DRAMの代替を狙う。
開発したのはスマートフォン(スマホ)などの中で演算素子と組み合わせ、高速演算中のデータを保存するメモリー素子。
電流で磁石の向きを変えてデータを書き換える記録方式で「STT―MRAM」と呼ぶ。
電源がオフの状態でも情報を保つ。この方式は2018年度にも製品化される見通しだが、素子の線幅が約20ナノ(ナノは10億分の1)メートルにとどまっている。
研究チームは素子の形などを工夫し微細化を実現した。
線幅8.8ナノメートルの素子を作り、動作することを確かめた。
深見俊輔准教授は「数百ギガ(ギガは10億)ビットの大容量メモリーが実現できる」と話す。
https://www.nikkei.com/article/DGXMZO27057540X10C18A2000000/ ■ このスレッドは過去ログ倉庫に格納されています