Approximate computing

コンピュータを構成するプロセッサやメモリには性能・電力・コスト（価格）・信頼性の間にトレードオフがあり、これら全てを解決することは難しいです。従来のコンピューティングではプログラムを順次実行する逐次処理を行うため、エラーを許容できませんでした。一方、機械学習を用いた画像認識や音声認識では、ある程度のエラー・不正確さが許容されます。そもそも人間の認識も完璧ではありません。竹内研究室が取り組む機械学習向けのApproximate computingでは、プロセッサやメモリといったLSIのレベルではエラー・不正確さを許容します。それにより、性能や電力の向上を図ります。一方、アプリケーションレベルにおける機械学習の認識では、従来のコンピューティングと同様に正確な認識を行います。このように今後のAI応用を狙い、各応用に最適化したDomain-specific computingの研究を行っています。