画像中の特定の物体を検出したり、画像を各カテゴリの領域に分割するといった画像認識を高精度に実現する最先端技術のひとつとして、畳み込みニューラルネットワーク（CNN）やVision Transformerといったニューラルネットワークによる認識技術の活用が期待されています。

Nueral networks, such as Convolutional neural networks (CNNs) and Vision Transformer, are used as ones of the most advanced technologies to achieve highly accurate image recognition, such as detecting specific objects in an image or dividing an image into regions of each category.

ニューラルネットワークの推論処理は大量の積和演算を実行する必要があるため、発熱量や消費電力に厳しい制約のあるエッジデバイスでリアルタイム推論処理を実現するために、電力効率の良い専用アクセラレータが必要です。

Because the CNN inference process requires the execution of a large number of multiply-accumulate operations, a dedicated, power-efficient accelerator is needed to realize real-time inference processing on edge devices with severe limitations on heat generation and power consumption.

本研究では，ニューラルネットワークの各計算の高速化と消費エネルギーの削減を目指し，入力データのスパース性（ほとんどの値がゼロ）や近似計算を応用した計算アルゴリズムとFPGAを用いたエッジAIアクセラレータの開発に取り組んでいます。

We are developing computational algorithms and edge AI accelerators that apply sparsity of input data (most values are zero) and approximate computation to speed up and reduce the energy consumption of each neural network computation.

補足 / Supplimental Information

FPGA (field-programmable gate array)は自由に回路を書き換えられる再構成可能デバイスです。実際に回路をFPGAに書き込んで動作を確認でき，動作が正しく場合には回路を修正してすぐに動作検証を行うことが可能です。このため，書き換え不可能な特定用途向け集積回路ASIC(application specific integrated circuit)に比べて開発期間が短く，比較的安価なシステムを構築できる特徴があり，多くのエッジデバイスで活用されています。

FPGAs (field-programmable gate arrays) are reconfigurable devices that allow you to rewrite circuits freely. If a circuit is not working properly, the circuit can be modified, and the operation can be verified immediately. Therefore, compared to application-specific integrated circuits (ASICs), which are not rewritable, FPGAs have the advantage of shortening the development period and enabling the construction of relatively inexpensive systems, and are used in many edge devices.