リザバーコンピューティング(リザバーコンピューティング)

深層学習時代の注目技術、初の解説書!

「リザバーコンピューティング」は、深層学習 (ディープラーニング) の最大の難点である「計算コスト」の問題を克服すべく精力的に研究が進められ、
・直近では、時系列パターン認識用の高速機械学習手法として、
・近い未来には、高効率な機械学習デバイスの基礎原理として、
・将来的には、「 AI ハードウェアの基盤」になりうる技術として、
高い期待を集めています。

本書では、この技術を数理・アルゴリズムの視点 (ソフトウェア実装) とデバイス開発・実装の視点 (ハードウェア実装) の両面から解説。読者のバックグラウンド・モチベーションを問わず入門できるよう、ニューラルネットの原理や、デバイス・ハードウェア選定の発想から順を追って紐解きます。時系列パターン認識問題への実行例を Python サンプルコードとともに示し、リザバーコンピューティングの「使い方」も体感しながら読み進められるよう配慮されています。
第 1 章 はじめに
第 2 章 人工ニューラルネットワーク
第 3 章 エコーステートネットワーク
第 4 章 時系列パターン認識の基礎問題
第 5 章 時系列パターン認識の応用問題
第 6 章 リキッドステートマシン
第 7 章 物理リザバーコンピューティング
第 8 章 物理リザバーコンピューティングの要素技術
第 9 章 将来展望

ニューラルネットワークの学習といえば勾配降下法が定番ですが、リザバコンピューティングはその常識を覆します。高次元のダイナミクスを持つ「リザバ」に入力を投げ込み、出力層だけを線形回帰で学習する。この極端にシンプルな構造が、時系列予測やカオス再現で深層モデルに匹敵する性能を出せるのはなぜか。本書はその理論的背景から物理実装までを体系的に論じた、国内では数少ない専門書です。

対象はリカレントニューラルネットワークの基礎を一通り学んだ人で、線形代数とダイナミカルシステムの知識が前提になります。エコーステート条件やリアプノフ指数といった概念が数式とともに展開されるため、学部上級から大学院レベルの数学的体力が求められます。一方で、ソフトウェアだけに閉じず、光学系やスピントロニクスを用いた物理リザバの研究動向にも紙幅を割いているのが特徴的です。

深層学習一辺倒の風景の中で、計算の物理的実体に立ち返る視点を得たい研究者・大学院生にとって、分野の見取り図と出発点を同時に手に入れられる一冊です。