デジタルトランスフォーメーション（DX）が国内外で�|ばれている。IoTを�~使して業��改��や�攵掚向�屐�働き�飢�革などを進める�}段として期待が�jきいからだ。この�jきなテーマを�盜颪呂匹�進めているか、�盜餾濬擦�AEC/APC Symposium Japanの�i川耕司��がその�k端をレポートしている。長�jなため連載形式で寄�Mしていただく。その��1�vは5Gを巡る�盜颪林X況である。日本の5Gは、�毬f中と比べ��れている、という�mを聞くが、誤りである。日本は、ガラパゴス化と言われた3Gでの失�`を�cけるため、世�cと歩調を合わせて進めている。�盜颪任�5Gの最新�X況を�i川��がレポートする。(セミコンポータル��集室) [→��きを読む]
いよいよ最終章の最後にやってきた。ここでは、今後の動向を中心に紹介する。GoogleやIntelがこれからどの�妓�に向かうのか、どのようなアルゴリズムが出てくるか、さらには半導��IC化する場合の消�J電��はどうなるか、などこれまでのデータを元にこれからの�妓�を議�bする��（セミコンポータル��集室） [→��きを読む]
ここでは、GoogLeNetやResNetの良い点を�Dり込んだ、Squeeze Netと�}ぶシンプルなモデルについて検討している。その圧縮�\術に適��した�T果も紹介している��（セミコンポータル��集室） [→��きを読む]
このシリーズ最後の��5章は、動向を今後について述べている。��に、IBMが開発したTrueNorthニューロモルフィックチップについて、��にデ��ープラーニングという�菘世�ら見た�v路構成や��長などについて解説している��（セミコンポータル��集室） [→��きを読む]
ニューロチップの代表例として、（4-3）では圧縮�\術を��いたチップの開発例として、Googleが開発したニューロチップTPU（Tensor Processing Unit）、およびStanford�j学を中心に研�|されている圧縮�\術Deep Compressionを紹介する。圧縮は、量子化ビット数を32ビットなどから16ビットあるは8ビットに削��する�\術で、ニューロチップの電��効率を�屬欧襪發痢�少々長いが、チップ化には��要な�\術である��（セミコンポータル��集室） [→��きを読む]
ニューロチップの代表例として、（4-2）ではDNN（デ��ープニューラルネットワーク）の開発2例を紹介する。中国科学院のDaDianNaoチップと、�f国KAISTのDL/DI（Deep Learning/Deep Inference）チップを紹介している。（セミコンポータル��集室） [→��きを読む]
��4章では、ニューロチップの代表的なものを9つ紹介している。��4章の1ではCNN、��4章の2ではDNN、そして��4章の3では圧縮を��いたチップについて、それぞれの��徴や機�Δ砲弔い童掬贄�の��瀬啓��が解説している。（セミコンポータル��集室） [→��きを読む]
��3章の3.3では、これまで開発されたチップを、CNNとDNN/���T合層に分け分類している。それぞれのチップがどのような位��づけにあるのかも理解できるようにグラフ化している。��3章のこれまでの参考�@料をまとめている。（セミコンポータル��集室） [→��きを読む]
��3章3.2では、ニューロチップで�_要な2次元の入��データと、学�{の�_みに相当するフィルタを積和演�Qで、スキャンしていく基本演�Qについて述べている。積和演�Qを基本とするためGPUやCPU、DSPなどで演�Qできる��（セミコンポータル��集室） [→��きを読む]
��3章以�Tは、ニューラルアーキテクチャを半導��チップ�屬納存修靴拭▲縫紂璽蹈船奪廚砲弔い�、元STARC/東��に在籍し、現在���L�O�j学に����する��瀬啓��が解説する。これからのAI（人工���Α砲鮑絞眠修垢訃}段の�kつが半導��チップであることから、今後きわめて�_要な解説�b文となる可��性がある。ただ、この寄�Mは長いため分割・掲載する��（セミコンポータル��集室）
[→��きを読む]
