Machine Translated by Google

Diterima 27 Oktober 2020, diterima 8 November 2020, tanggal terbit 16 November 2020, tanggal versi terkini 8 Desember 2020.
Pengenal Objek Digital 10.1109/ ACCESS.2020.3038161

Pengkondisian Klasik yang Terinspirasi Amygdala

Model Diimplementasikan pada FPGA untuk
Robot Layanan Rumah

YUICHIRO TANAKA 1,2, (Anggota Mahasiswa Pascasarjana, IEEE),

TAKASHI MORIE 1,3, (Anggota, IEEE), DAN
HAKARU TAMUKOH 1,3, (Anggota, IEEE)
1Sekolah Pascasarjana Ilmu Hayati dan Rekayasa Sistem, Institut Teknologi Kyushu, Fukuoka 808-0196, Jepang
2 Masyarakat Jepang untuk Promosi Ilmu Pengetahuan, Tokyo 102-0083, Jepang

3Pusat Penelitian Perangkat Keras AI Neuromorfik, Institut Teknologi Kyushu, Fukuoka 808-0196, Jepang

Penulis koresponden: Yuichiro Tanaka (tanaka.yuichiro483@mail.kyutech.jp)

Pekerjaan ini didukung oleh JSPS KAKENHI di bawah Hibah 19J11524.

ABSTRAK Penelitian ini mengembangkan sistem cerdas robot layanan rumah tangga yang meniru fungsi otak manusia yang dapat
mengelola pengetahuan umum yang dapat diterapkan pada lingkungan apa pun dan pengetahuan lokal yang mencerminkan
lingkungan spesifiknya. Pembelajaran mendalam efektif untuk memperoleh pengetahuan umum karena kinerja pembelajaran
mendalam bergantung pada jumlah pelatihan dan data pelatihan besar yang dapat diakses untuk pengetahuan tersebut; namun,
pembelajaran mendalam tidak efektif untuk memperoleh pengetahuan lokal karena tidak ada data pelatihan yang besar untuk
pengetahuan tersebut. Oleh karena itu, kami mengusulkan model dan sistem pembelajaran yang terinspirasi dari otak untuk
memperoleh pengetahuan lokal menggunakan data pelatihan kecil. Kami fokus pada amigdala karena pengkondisian rasa takut
klasiknya efektif untuk pelatihan menggunakan data pelatihan kecil. Kami mengusulkan model pengkondisian klasik yang terinspirasi
dari amigdala yang terdiri dari beberapa peta yang mengatur dirinya sendiri (inti lateral) dan jaringan saraf yang terhubung
sepenuhnya (inti pusat), meniru fungsi dan struktur amigdala. Model yang diusulkan diterapkan pada tugas robot pelayan di restoran,
dan model tersebut dapat mempelajari preferensi pelanggan hanya setelah beberapa interaksi manusia-robot. Kami mempercepat
komputasi model dan mengurangi konsumsi daya dengan mengusulkan algoritma berorientasi perangkat keras untuk model dan
desain perangkat keras digitalnya dan mengimplementasikannya dalam susunan gerbang yang dapat diprogram di lapangan
XCZU9EG. Algoritma yang berorientasi pada perangkat keras mengurangi operasi perkalian dan fungsi eksponensial yang
memerlukan sumber daya perangkat keras yang besar. Performa perangkat keras yang dioperasikan pada 150 MHz 1.273 kali lebih
cepat dibandingkan implementasi perangkat lunak pada Arm Cortex-A53, dan konsumsi daya chip sebesar 5,009 W.

ISTILAH INDEKS Amygdala, pengkondisian klasik, field programmable gate array (FPGA), perangkat keras, robot layanan rumah.

I. PENDAHULUAN
Baru-baru ini, karena populasi yang menua dan berkurangnya angkatan
kerja, robot layanan rumah [1] telah menarik banyak perhatian. Robot
semacam itu harus mendukung ingatan manusia dan membantu
pengambilan keputusan manusia saat bekerja dan tinggal bersama
pemiliknya di lingkungan rumah tangga; oleh karena itu, sistem cerdas
seperti otak diperlukan. Oleh karena itu, kami mengembangkan sistem
yang meniru fungsi otak manusia. Penelitian ini berfokus pada fungsi
perolehan pengetahuan secara cerdas
Editor rekanan yang mengoordinasikan peninjauan naskah ini dan
menyetujuinya untuk diterbitkan adalah Yiming Huo . gambar
sistem. Secara umum, robot layanan rumah harus memperoleh dua jenis
pengetahuan, yaitu pengetahuan umum, yang berlaku di semua lingkungan,
dan pengetahuan lokal, yang hanya berlaku di lingkungan tertentu.
Misalnya, untuk menanggapi permintaan pemilik untuk membawakan
''teh hijau'', robot harus memiliki pengetahuan umum tentang apa itu ''teh
hijau''. Pembelajaran mendalam (DL) [2] adalah alat yang ampuh untuk
memperoleh pengetahuan umum karena sejumlah besar data pelatihan
tentang pengetahuan umum dapat disiapkan. Pengenalan gambar adalah
contoh umum tugas yang memerlukan perolehan pengetahuan umum.
Jaringan saraf dalam telah banyak digunakan dalam tugas pengenalan

212066 Karya ini dilisensikan di bawah Lisensi Creative Commons Attribution 4.0. Untuk informasi lebih lanjut, lihat https://creativecommons.org/licenses/by/4.0/
JILID 8, 2020
Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah
data pelatihan substansial tersedia untuk memberikan hasil yang canggih [3] –
[5]. Dengan demikian, penelitian sebelumnya telah mengusulkan
penggunaan DL untuk robot layanan rumah [6]–[8].
Namun pengetahuan lokal secara kualitatif berbeda. Untuk
Misalnya, jika pemilik meminta robot untuk membawa ''itu'', maka
robot harus memahami arti lokal dari ''itu.'' DL berkinerja buruk dalam perolehan
pengetahuan lokal karena
kinerjanya bergantung pada ukuran kumpulan data pelatihan,
dan kumpulan data pengetahuan lokal dalam jumlah besar tidak dapat diperoleh.
Sebaliknya, manusia dengan mudah memperoleh pengetahuan lokal
(misalnya, preferensi dan adat istiadat keluarga), yang memerlukan kontak
minimal dengan lingkungan untuk melakukannya. Demikian pula,
robot layanan rumah harus dapat dengan cepat mendapatkan lokal
pengetahuan hanya melalui sejumlah kecil manusia-robot
interaksi. Oleh karena itu, kami mengusulkan sistem yang terinspirasi dari otak itu
dapat memperoleh pengetahuan lokal, selain DL, dari beberapa orang
interaksi manusia-robot. Kami secara khusus fokus pada amigdala, yaitu area
otak yang berhubungan dengan klasik
pengondisian rasa takut [9]–[13], yang efektif untuk pelatihan
sedikit data.
Untuk membangun sistem cerdas menjadi robot layanan rumah,
kita harus mempertimbangkan keterbatasan dan kekuatan komputasi
konsumsi. Dalam sistem robot servis rumah, bermacam-macam
program perangkat lunak dijalankan secara bersamaan; dengan demikian, membongkar dan
percepatan program efektif. Meskipun unit pemrosesan grafis (GPU) sering
digunakan untuk mempercepat komputasi, unit tersebut cenderung memiliki
konsumsi daya yang tinggi, sangat parah.
mengganggu penggunaan robot layanan rumah, yang seharusnya hanya
menggunakan sedikit daya. Oleh karena itu, GPU modern tidak cocok untuk itu
robot layanan rumah.
Kami menyediakan sistem dengan pemrosesan cepat dan daya rendah
konsumsi dengan merancang dan mengimplementasikan yang cerdas
sistem menjadi array gerbang yang dapat diprogram lapangan (FPGA). Itu
perangkat keras pada FPGA berjalan pada frekuensi yang lebih rendah daripada perangkat lunak
pada unit pemrosesan pusat (CPU) dan GPU. Misalnya,
jaringan saraf konvolusional [3] diimplementasikan pada FPGA
lebih cepat dan mengonsumsi daya lebih sedikit dibandingkan dengan yang
diterapkan pada GPU tertanam [14]. Oleh karena itu, perangkat keras tersebut
dapat mengimplementasikan sistem dengan pemrosesan cepat dan daya rendah
konsumsi.
Dalam penelitian ini, kami mengusulkan model pengkondisian klasik
meniru struktur dan fungsi amigdala biologis. Selain itu, kami mengusulkan
implementasi integrasi skala besar (VLSI) dari model kami menggunakan
FPGA.
Makalah ini disusun sebagai berikut. Bagian II menjelaskan
teori amigdala biologis dan studi terkait
model amigdala, dan Bagian III menjelaskan usulan model pengkondisian
klasik kami dan implementasi perangkat kerasnya. Bagian IV menjelaskan
eksperimen yang mengevaluasi
model yang diusulkan dan perangkat kerasnya. Bagian V menyediakan
diskusi, dan Bagian VI menyimpulkan makalah ini.
II. AMYGDALA
A. KONDISI KLASIK
Amigdala ada di sistem otak otak dan baik-baik saja
dikenal sebagai bagian pemrosesan emosi, khususnya yang terkait
JILID 8, 2020
dengan pengkondisian rasa takut [9] – [13]. Pengkondisian rasa takut adalah sebuah tipe
pengkondisian klasik, yang terkenal dengan Pavlovian
anjing [15] di mana seekor anjing belajar dari pengalaman yang berulang-ulang; itu
anjing menerima makanan setiap kali ia mendengar suara bel,
dan oleh karena itu, ia mengasosiasikan suara bel dengan makanan.
Pendekatan pengkondisian klasik efektif untuk memperoleh
pengetahuan lokal dari pengalaman.
GAMBAR 1. Mekanisme pengkondisian rasa takut.
Gambar 1 menunjukkan mekanisme pengkondisian rasa takut. Selama
pengkondisian rasa takut, masukan rangsangan sensorik diklasifikasikan sebagai salah satunya
rangsangan tak terkondisi (AS) atau rangsangan terkondisi (CS). KITA
menyebabkan tanggapan tanpa syarat, sedangkan CS netral dan
melewati berbagai area otak: thalamus, neocortex,
dan hipokampus. Rangsangan ini kemudian dimasukkan ke dalam suatu bagian
amigdala disebut nukleus lateral (LA) melalui dua
jalur [11]. Salah satunya adalah jalur langsung dari thalamus
di mana informasi sensorik disampaikan dengan cepat, dan yang lainnya
adalah jalur tidak langsung melalui korteks tempat informasi
disampaikan secara perlahan. Pada jalur langsung, fitur rangsangan sensorik
dimasukkan ke dalam LA. Pada jalur tidak langsung,
pengenalan objek, konsep, dan konteks dimasukkan ke dalamnya
LA. Oleh karena itu, LA merupakan bagian yang mengintegrasikan CS dari
berbagai wilayah otak. Apalagi neuron yang bereaksi
rangsangan tertentu terletak berdekatan satu sama lain [11], [16]. Itu
LA mengkondisikan CS ke AS [17]. Setelah terintegrasi, rangsangan
dimasukkan ke dalam bagian amigdala yang disebut pusat
inti (CE). Setelah pengkondisian, CE mengeluarkan respons terkondisi (CR)
bahkan jika CS dimasukkan ke dalam amigdala
tanpa kami.
Singkatnya, proses pengkondisian rasa takut di
amigdala melibatkan pengenalan stimulus sensorik dan pengkondisian CS ke
AS. Dalam pengenalan stimulus sensorik, CS adalah
diklasifikasikan berdasarkan fitur rangsangan tanpa sinyal yang diawasi. Oleh
karena itu, amigdala dapat mengklasifikasikan hal-hal yang tidak diketahui
rangsangan sensorik menggunakan sistem pengenalan yang mengatur dirinya sendiri.
Dalam proses pengondisian, amigdala mempelajari hubungan-hubungan tersebut
antara CS dan AS. Sebagai hasil dari proses tersebut, amigdala dapat
memprediksi nilai emosional dari rangsangan sensorik yang ada
awalnya netral.
B. MODEL BERDASARKAN AMYGDALA BIOLOGIS
Beberapa penelitian tentang ketakutan dan model pengkondisian klasik
berdasarkan amigdala biologis telah
diusulkan [18] – [21]. Armoni dkk. [18] mengusulkan model amigdala untuk
pengkondisian rasa takut dengan mempertimbangkan hubungan antara
amigdala, thalamus pendengaran, dan sistem pendengaran.
212067
Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah
korteks. Model tersebut melakukan pengkondisian rasa takut antara input
pendengaran sebagai CS dan AS.
Morén dan Balkenius [19] mengusulkan model hubungan antara amigdala
dan korteks orbitofrontal yang mengontrol kepunahan [22]. Bagian korteks
orbitofrontal dari model menghambat bagian amigdala dan dapat mencapai
efek pemusnahan dalam pengondisian rasa takut.
Izhikevich [20] mengusulkan model neuron spiking untuk pengkondisian
klasik dan instrumental. Model yang diimplementasikan oleh model neuron
Izhikevich [23] menggunakan aturan pembelajaran plastisitas yang bergantung
pada waktu lonjakan yang dimodulasi oleh dopamin. Studi ini mensimulasikan
model yang terdiri dari 1.000 neuron dan mengungkapkan bahwa model
tersebut dapat memecahkan masalah imbalan distal [24] di mana imbalan
diberikan setelah tindakan yang memicu imbalan.
Li dkk. [21] mengusulkan model neuron spiking untuk perolehan dan
pemusnahan memori rasa takut. Model ini didasarkan pada neuron ketakutan,
persisten, dan kepunahan di amigdala dan korteks prefrontal medial. Studi ini
menjelaskan bahwa jaringan yang melibatkan amigdala dan korteks prefrontal
menunjukkan efek kepunahan penguatan parsial [25] – [27], di mana memori
rasa takut yang diperoleh melalui pasangan parsial CS dan AS lebih tahan
terhadap kepunahan dibandingkan yang diperoleh melalui pasangan penuh.
Meskipun penelitian-penelitian ini mengusulkan model ketakutan dan
pengkondisian klasik, tujuan penelitian-penelitian ini berbeda dengan tujuan
penelitian kami. Mereka bertujuan untuk menerapkan model yang masuk akal
secara biologis, sedangkan kami bertujuan untuk mengembangkan sistem
akuisisi pengetahuan lokal untuk robot layanan rumah. Dari sudut pandang
aplikasi robot, kita memerlukan pengenalan stimulus sensorik, yang merupakan
proses penting dalam ketakutan dan pengondisian klasik. Selain itu, kita
harus mempertimbangkan biaya komputasi sistem karena sumber daya dan
daya komputasi dalam sistem robot terbatas.
C. MODEL APLIKASI ROBOT
Beberapa penelitian yang melibatkan model amigdala yang diterapkan pada
robot telah diusulkan [28] – [30]. Sonoh dkk. [28] mengusulkan model ekspresi
emosional amigdala (EMA), yang terdiri dari peta pengorganisasian diri (SOM)
[31] dan jaringan saraf yang terhubung sepenuhnya (FCNN). SOM merupakan
model LA, sedangkan FCNN merupakan model CE. Neuron di SOM dengan
vektor referensi serupa terletak di proksimal.
Fitur SOM dimaksudkan untuk meniru fitur LA. Eksperimen dengan EMA yang
diterapkan dalam FPGA mencapai perilaku pengkondisian klasik antara sinyal
dari sensor warna (seperti CS) dan sinyal dari sensor sentuhan (seperti AS).
Misalnya, ketika EMA secara bersamaan menerima ''merah'' dan ''tamparan''
dari sensor, ia mengkondisikan rangsangan ini.
Setelah pengkondisian, EMA mengeluarkan respons ''takut'' bahkan jika EMA
menerima stimulus ''merah'' tanpa ''ditampar''. Model ini mencakup konsep
amigdala di mana LA mengklasifikasikan rangsangan sensorik dan kemudian
mempelajari hubungan antara CS dan AS. Karena diperkenalkannya SOM
sebagai LA, model tersebut dapat memprediksi respons emosional, meskipun
model tersebut menerima CS yang tidak diketahui. Namun, tugasnya tetap ada
212068
sederhana dibandingkan dengan tuntutan kompleks yang dibebankan pada
robot layanan rumah.
Rizzi dkk. [29], [30] mengusulkan model pembelajaran ketakutan sadar
situasi (SAFEL). Untuk memprediksi situasi yang mengancam, model SAFEL
mempelajari apakah situasi tersebut bersifat permusuhan. Model ini terdiri dari
amigdala, hipokampus, dan modul memori kerja. Modul amigdala digunakan
sebagai pemicu untuk mempelajari situasi yang tidak menyenangkan; ia
menerima stimulus dari lingkungan dan menilai apakah stimulus tersebut tidak
menyenangkan.
Jika modul amigdala menilai bahwa stimulus tersebut bersifat permusuhan,
modul tersebut mengeluarkan sinyal adrenalin ke dalam modul hipokampus
yang menyangga rangsangan sensorik untuk menentukan apakah rangsangan
yang disangga itu bersifat permusuhan. Ketika modul hipokampus menerima
sinyal adrenalin dari modul amigdala, modul tersebut menganggap stimulus
rangkaian waktu (didefinisikan sebagai suatu situasi) tepat sebelum menerima
sinyal adrenalin, sebagai situasi yang tidak menyenangkan. Situasi permusuhan
tersebut kemudian disimpan dalam modul memori kerja. Setelah itu, model
SAFEL dapat memprediksi situasi permusuhan dengan mengacu pada modul
memori kerja. Dalam model ini, model amigdala diimplementasikan melalui
tipe FCNN. Estimasi permusuhan didasarkan pada pengondisian klasik dari
rangsangan permusuhan (seperti AS) dan rangsangan netral (seperti CS).
Pengondisian klasik dilaksanakan dengan pembelajaran asosiatif. Meskipun
konsep modul amigdala didasarkan pada penelitian LeDoux, namun penelitian
ini tidak mempertimbangkan struktur amigdala yang ditunjukkan pada EMA
[28]; oleh karena itu, memprediksi ketidaksukaan dari rangsangan yang tidak
diketahui merupakan hal yang menantang. Selain itu, mereka tidak
mengimplementasikan model tersebut pada perangkat keras.
AKU AKU AKU. MODEL
YANG DIUSULKAN Dalam penelitian ini, untuk menerapkan sistem akuisisi
pengetahuan lokal pada robot layanan rumah, kami fokus pada konsep
amigdala di mana LA dan CE didasarkan pada pengkondisian klasik daripada
sepenuhnya meniru amigdala biologis. Kami mengikuti konsep EMA [28]
karena memiliki sistem pengenalan stimulus sensorik yang diterapkan oleh
SOM yang dapat menerima beberapa jenis CS. Selain itu, kami memperluas
fungsi model untuk mengadaptasi tugas-tugas kompleks untuk robot layanan
rumah.
A.STRUKTUR
Kami mengusulkan model pengkondisian klasik yang diilhami oleh amigdala
[32], [32]. Gambar 2 menunjukkan struktur model (sisi kanan gambar), yang
terdiri dari beberapa SOM sebagai LA (dua SOM ditunjukkan pada Gambar 2)
dan FCNN sebagai CE.
Kami mengganti SOM tunggal EMA dengan beberapa SOM yang dapat
dianggap sebagai lapisan jaringan SOM yang dalam [33].
Model secara bersamaan menerima AS dan beberapa CS.
CS ini dimasukkan ke dalam dan diklasifikasikan oleh SOM, dan hasil klasifikasi
diubah sebagai vektor dan digabungkan.
bernama. Vektor-vektor tersebut kemudian dimasukkan ke dalam FCNN,
mempelajari hubungan antara US dan vektor-vektor tersebut (mode pelatihan).
Setelah itu, model mengeluarkan CR meskipun model hanya menerima CS
(mode inferensi).
JILID 8, 2020
Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah

grid (I × J grid), dan posisi neuron di setiap SOM direpresentasikan menggunakan

indeks (i, j) (i = 1, . . . ,I;j = 1, . . .
, J). Indeks (ic, jc) mewakili posisi neuron pemenang. Kemudian, SOM
dapat mengeluarkan vektor yang bergantung pada posisi neuron pemenang.
Vektor keluaran dari SOM hk ÿ R dihitung sebagai
saya × J

2 2
hai,j = exp(ÿd /2ÿ prop), i,j (2)

2 2, (3)
di,j = (i ÿ ic) + (j ÿ jc)

dimana hi,j adalah elemen dari vektor keluaran hk . Dengan

GAMBAR 2. Model pengkondisian klasik dan bagian persepsi.
Sebagai uji kasus, kami menerapkan model tersebut pada robot yang
bekerja di restoran. Untuk ini, kami menambahkan bagian persepsi untuk
interaksi manusia-robot (sisi kiri Gambar 2). Ketika robot menerima perintah, ia
mencoba mengambil informasi dari objek yang dipesan melalui bagian persepsi.
kata lain, satu neuron pada posisi (i, j) di SOM mengeluarkan nilai skalar hi,j .
Variabel di,j adalah jarak dari neuron pemenang ke posisi
(i, j). Selain itu, ÿprop menunjukkan lebar fungsi Gaussian. Semua vektor
keluaran SOM digabungkan sebagai
H = {h1, . . . , hK }. (4)

Informasi objeknya adalah AS. Secara bersamaan, robot mengambil informasi Vektor gabungan H ÿ R M
(M = I × J × K) dimasukkan ke
tentang wajah pelanggan dan lokasi robot melalui bagian persepsi sebagai CS.
dalam FCNN. FCNN mengeluarkan vektor yang mewakili kemungkinan apa
Model mempelajari hubungan antara AS dan CS dalam mode pelatihan. Setelah
yang diinginkan pelanggan. Vektor keluaran FCNN, y ÿ R dihitung melalui
mode pelatihan ini, model dapat memprediksi apa yang diinginkan pelanggan L
persamaan berikut: ,
hanya dengan menggunakan CS dalam mode inferensi.
aku = f (H · v aku
), (5)
M
dimana yl adalah elemen dari vektor keluaran y. vl ÿ R vektor bobot adalah a

Meskipun, dalam penelitian ini, kami menggunakan struktur yang ditunjukkan

yang sesuai dengan neuron l (l = 1, . . . , L),
pada Gambar 2, yang mencakup dua SOM dan tiga bagian persepsi, SOM dan
dan f adalah fungsi aktivasi. Sebagai fungsi aktivasi dapat digunakan fungsi
bagian persepsi dapat diperluas. Misalnya, selain wajah dan tempat pelanggan,
identitas, Sigmoid, dan Softmax.
waktu pelanggan melakukan pemesanan dapat digunakan sebagai CS. Jika
Dalam mode pelatihan, vektor referensi SOM diperbarui melalui pembelajaran
model menerima wajah, tempat, dan waktu sebagai CS, model dapat
kompetitif tanpa pengawasan, yang dapat direpresentasikan sebagai
mempelajari dan memprediksi preferensi pelanggan bergantung pada tempat
dan waktu. Dibandingkan dengan EMA [28], model yang diusulkan lebih
2 2
menguntungkan karena dapat mempertimbangkan kombinasi beberapa faktor wi,j = ÿ(xk ÿ wi,j)exp(ÿd /2ÿ belajar), i,j (6)
dalam lingkungan. Secara khusus, model yang ditunjukkan pada Gambar 2 baru lama
dengan saya, j + wi,j, = w i,j (7)
memprediksi apa yang diinginkan pelanggan berdasarkan kombinasi wajah dan
tempat. Lebih jauh lagi, dengan menetapkan berbagai faktor di lingkungan dimana ÿ adalah kecepatan pemelajaran dan ÿlearn adalah lebar fungsi Gaus-
sebagai CS, kita dapat menggunakan model tersebut meskipun kita tidak sian; vektor bobot FCNN diperbarui oleh aturan delta.
mengetahui faktor mana yang memicu US.

vl = ÿÿ(yl ÿ tl)f (H · v lama baru + vl, v = v ll aku

)H, (8)

B.ALGORITMA (9)
Pada penelitian ini keluaran dari bagian persepsi dimasukkan ke dalam model
di mana tl adalah sinyal yang diawasi. Dengan kata lain, tl adalah elemen dari
LA dan CE pada perangkat keras. L
vektor AS, t ÿ R . ÿ adalah kecepatan pembelajaran.
Mode inferensi diterapkan seperti yang dijelaskan di sini. (k = 1, . . . ,K)
N
Jika beberapa vektor CS xk ÿ R dengan diberikan, C. ALGORITMA BERORIENTASI PERANGKAT KERAS
K adalah bilangan CS (K = 2 dalam kasus model pengkondisian klasik yang
Untuk mengimplementasikan model pengkondisian klasik ke dalam FPGA,
ditunjukkan pada Gambar 2) dan N adalah dimensi vektor, maka CS dimasukkan
diperlukan algoritma berorientasi perangkat keras yang mengurangi sumber
ke dalam SOM. Modul LA ini terdiri dari K SOM. Jadi, xk dimasukkan ke dalam
k daya perangkat keras karena terbatasnya sumber daya FPGA.
SOM. Di setiap SOM, neuron pemenang dengan vektor referensi yang paling
Secara khusus, pengurangan operasi perkalian algoritma diperlukan karena
mirip dengan vektor masukan dipilih berdasarkan persamaan berikut:
terbatasnya pengali dalam irisan FPGA (digital signal processor (DSP)). Dalam
kasus FPGA XCZU9EG [34], perangkat target dalam penelitian ini, terdapat
2.520 irisan DSP, 274.080 tabel pencarian (LUT), dan 548.160 flip flop (FF).
(ic, jc) = arg min i,j xkÿ wi ,j, (1) Selain itu, fungsi eksponensial harus dihindari karena memerlukan sumber
daya perangkat keras yang besar. Di sini, kami mengembangkan yang
N
dimana wi,j ÿ R adalah salah satu vektor referensi SOM. berorientasi pada perangkat keras
Neuron di setiap SOM terletak pada dua dimensi

JILID 8, 2020 212069

Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah

algoritma untuk model pengkondisian klasik dan diimplementasikan

menggunakan bilangan fixed-point atau integer, karena implementasi
perangkat keras yang menggunakan bilangan floating-point memerlukan
sumber daya perangkat keras yang lebih besar dibandingkan dengan yang
menggunakan bilangan fixed-point dan integer.
Pada (1), jarak vektor xkÿwi,j dihitung. Dalam kasus algoritma SOM
asli, norma L2, xk ÿ wi,j2 = n=1 (xk,n ÿ wi,j,n) sering digunakan untuk jarak.
N 2
Namun, norma L2 mencakup , operasi perkalian yang harus dikurangi
untuk implementasi perangkat keras. Jadi, alih-alih menggunakan norma GAMBAR 3. Perangkat keras model pengkondisian klasik.
L2, kita menggunakan norma L1, xk ÿ wi,j1 = n=1 |xk,n ÿ wi,j,n|, yang tidak
N
memerlukan perkalian apa pun. Dalam algoritme, kami menggunakan
bilangan bulat delapan bit sebagai variabel untuk xk dan wi,j .

Persamaan (2), (3), dan (6) menggunakan berbagai operasi perkalian

dan fungsi eksponensial. Kami mengganti operasi perkalian dan fungsi
eksponensial ini dengan operasi bit-shift. Algoritma ini dioperasikan
berdasarkan persamaan berikut:

GAMBAR 4. Perangkat keras modul LA.

hai,j = 2 ÿDi,j , (10)

Di,j = |i ÿ ic| + |j ÿ jc|, wi,j = 2 ÿ (11)

(A+Di,j) (xk ÿ wi,j), (12) 1) MODUL LA

baru old +
(13) Gambar 4 menunjukkan konfigurasi perangkat keras modul LA. Modul LA
dengan saya, j dengan A wi,j, = w i,j
memiliki neuron I × J , dan semua perhitungan neuron dijalankan secara
adalah bilangan bulat positif dan 2ÿA adalah learning rate yang sesuai dengan ÿ pada (6). Dalam (10) dan
paralel. Modul LA mencakup memori akses acak (RAM) untuk vektor
(12), kita menggunakan pangkat dua, bukan fungsi eksponensial. Pangkat dua dapat direpresentasikan referensi wi,j dan beberapa unit komputasi, termasuk unit komputasi norma
sebagai operasi pergeseran bit aritmatika. Dalam (10), kita menggunakan bilangan titik tetap delapan bit
(Norm), unit pemilihan pemenang (Winner), unit komputasi jarak (Dist), unit
dengan dua bit bagian bilangan bulat dan enam bit bagian desimal sebagai variabel untuk hi,j .
keluaran (Output). ), dan perbarui unit (Update). Unit komputasi norma
menghitung norma L1 xk ÿ wi,j1 yang memuat xk dari port input, dan wi,j
dari RAM. Hasil perhitungan dimasukkan ke dalam unit pemilihan pemenang.
Dalam (3), jarak Euclidean di,j digunakan. Alternatifnya, kita Unit pemilihan pemenang memilih neuron pemenang dengan xk ÿwi,j1
menggunakan jarak Manhattan Di,j . Ciri penting persamaan ini
terkecil dan mengeluarkan indeks pemenang (ic, jc). Indeks pemenang
adalah tidak memerlukan operasi perkalian. dimasukkan ke dalam unit perhitungan jarak. Unit komputasi jarak

menghitung jarak antara neuron sendiri dan neuron pemenang Di,j = Di +

Selain bagian LA, kami tidak mengubah algoritma bagian CE yang Dj .
ditunjukkan pada (5) dan (8). Kita menghindari penggunaan bilangan titik-
mengambang dengan menggunakan bilangan titik tetap delapan-bit
dengan dua bit bagian bilangan bulat dan enam bit bagian desimal sebagai Jarak secara bersamaan dimasukkan ke
variabel untuk vl . Selain itu, kami menggunakan fungsi dalam unit keluaran dan pembaruan. Unit keluaran menghitung vektor hk
identitas sebagai fungsi aktivasi f untuk menghindari fungsi eksponensial, Dalam kasus tersebut
menggunakan jarak Di,j . mode pelatihan, unit
seperti pada fungsi Sigmoid dan Softmax. pembaruan menghitung vektor referensi yang diperbarui. Unit pembaruan
secara bersamaan dapat menghitung beberapa elemen vektor. Hasil
D. IMPLEMENTASI PERANGKAT KERAS
komputasi dari unit pembaruan disimpan dalam RAM untuk vektor referensi.
Dengan menggunakan algoritma berorientasi perangkat keras yang
diusulkan, kami merancang perangkat keras khusus untuk model
pengkondisian klasik. Gambar 3 menunjukkan seluruh konfigurasi perangkat
keras model, yang terdiri dari modul K LA dan modul CE.
Vektor xk sebagai CS dimasukkan ke dalam modul LA. Perhitungan modul
LA dijalankan secara paralel secara bersamaan.
Setiap modul LA mengeluarkan hk , dan semua vektor keluaran
digabungkan menjadi H. Vektor gabungan H dimasukkan ke dalam
modul CE. Modul CE mengeluarkan vektor y sebagai CR. Dalam mode GAMBAR 5. Perangkat keras unit komputasi norma.
pelatihan, vektor t, seperti US, dimasukkan ke dalam modul CE.
Kemudian, modul CE memperbarui vektor bobotnya, dan modul LA Gambar 5 menunjukkan unit perhitungan norma. Sub pada gambar
memperbarui vektor referensi. menunjukkan elemen pemrosesan untuk pengurangan, Abs adalah a

212070 JILID 8, 2020

Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah

elemen pemrosesan untuk absolusi, dan Tambah adalah elemen pemrosesan

untuk penambahan. Persegi panjang pada gambar menunjukkan register.
Unit penghitungan norma secara berurutan menerima elemen dari vektor
masukan xk dan vektor referensi wi,j , masing-masing direpresentasikan
sebagai xk,n dan wi,j,n, pada gambar. Pertama, pengurangan elemen-elemen
tersebut (xk,n ÿ wi,j,n) dihitung.
Kemudian, nilai absolut dari pengurangan |xk,n ÿ wi,j,n| dihitung dan
diakumulasikan untuk menghitung norma L1 xk ÿ n=1 |xk,n ÿ wi,j,n|. Secara
N
disimpan bersamaan, hasil dari wi,j1 = pengurangan (xk,n ÿ wi,j,n)
dalam register, dan nilai dalam register dimasukkan ke dalam unit pembaruan
untuk menghitung vektor referensi yang diperbarui.

GAMBAR 7. Perangkat keras unit komputasi jarak.

GAMBAR 6. Perangkat keras unit seleksi pemenang.

Gambar 6-(a) menunjukkan unit pemilihan pemenang. Comp pada gambar

adalah pembanding yang menerima norma L1 dengan indeks dari dua unit
komputasi norma dan mengembalikan norma L1 yang lebih kecil beserta GAMBAR 8. Perangkat keras unit keluaran.
indeksnya. Unit pemilihan pemenang mencakup register I ×J , diilustrasikan

sebagai persegi panjang pada gambar, dan (I × J) 2 pembanding. Output dari

komparator dihubungkan ke paruh pertama register. Untuk memilih pemenang,
adalah 8. Kemudian, 1.0 adalah bit kanan yang digeser dengan nilai jenuh untuk
register pertama diinisialisasi dengan output (norma L1) dari unit perhitungan
menghitung hi,j .
norma dan indeksnya. Kemudian, perhitungan menggunakan pembanding
diulangi log2 (I × J) kali. Perhatikan bahwa jumlah neuron I × J harus pangkat
dua. Jika tidak, register dummy diinisialisasi dengan nilai maksimum variabel
dan pembanding ditambahkan.

Gambar 6-(b) menunjukkan unit pemilihan pemenang yang dibuka sepanjang

waktu. Seperti yang ditunjukkan oleh warna merah pada gambar, norma L1
terkecil dan indeksnya disimpan di elemen pertama register.
Gambar 7 menunjukkan satuan perhitungan jarak yang menerima indeks
pemenang (ic, jc). Pertama, pengurangan indeks pemenang dan indeks sendiri,
ic ÿ i, i ÿ ic, jc ÿ j, dan j ÿ jc dihitung secara bersamaan. Untuk menghitung nilai
GAMBAR 9. Perangkat keras unit pembaruan LA.
absolut Di = |ic ÿ i| dan Dj = |jc ÿ j|, baik ic ÿ i atau i ÿ ic dan jc ÿ j atau jÿjc dipilih
berdasarkan pembanding. Kemudian, unit penghitungan jarak mengeluarkan
jarak dari neuron pemenang Di dan Dj . Gambar 9 menunjukkan unit pembaruan modul LA. Unit pembaruan menerima
jarak Di , Dj , dan koefisien pembelajaran A dan menambahkan nilai-nilai ini.
Kemudian, nilai tambah jenuh dalam rentang dari 0 hingga BIT _WIDTH_W,
Gambar 8 menunjukkan unit keluaran; Sat menggambarkan elemen yang merupakan lebar bit variabel wi,j .
pemrosesan untuk saturasi, dan Shift menggambarkan elemen pemrosesan Dalam penelitian ini, BIT _WIDTH_W adalah 8. Unit pembaruan
untuk operasi bit-shift. Unit keluaran menerima jarak dari pemenang Di dan Dj juga menerima (xk,n ÿ wi,j,n) dari unit perhitungan norma, dan nilainya sedikit
dan menambahkan nilai-nilai ini. Jarak jenuh dalam rentang dari 0 hingga BIT digeser ke kanan. Nilai yang digeser wi,j,n dimasukkan ke dalam RAM untuk
_WIDTH_H, yang merupakan lebar bit variabel hi,j . vektor referensi dan ditambahkan ke wi,j,n.
Dalam penelitian ini, BIT _WIDTH_H

JILID 8, 2020 212071

Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah
GAMBAR 10. Perangkat keras modul CE.
2) MODUL CE
Gambar 10 menunjukkan konfigurasi perangkat keras modul CE. Modul CE
memiliki L neuron (L adalah dimensi US), dan semua komputasi neuron
dijalankan secara paralel. Modul CE mencakup RAM untuk vektor bobot vl dan
beberapa unit komputasi, seperti unit operasi perkalian (Mult), unit pohon
penambah (Adder), unit komputasi selisih (Diff), dan unit pembaruan (Update).
Unit operasi perkalian menghitung perkalian berdasarkan elemen dari H dan
vl . Jadi, hasil komputasinya adalah elemen M(= I × J × K). Hasil komputasi
dimasukkan ke dalam unit pohon penambah yang menjumlahkan keluaran
dari unit operasi perkalian untuk menghitung yl = H · v Dalam kasus mode
pelatihan, hasil komputasi dari unit pohon penambah dimasukkan ke dalam
perhitungan selisih unit yang menerima sinyal yl dan sinyal yang diawasi tl dan
menghitung perbedaannya yl ÿ tl . Terakhir, perbedaannya dimasukkan ke
aku .
dalam unit pembaruan untuk menghitung vektor bobot yang diperbarui. Hasil
komputasi unit pembaruan disimpan dalam RAM untuk vektor bobot.
GAMBAR 11. Perangkat keras unit pohon penambah.
Gambar 11 menunjukkan unit pohon penambah. Unit pohon
penambah mencakup register M(= I × J × K) dan M 2 penambah.
Setiap penambah menerima dua nilai dan menghasilkan keluaran
penjumlahan kedua nilai tersebut. Output dari penambah dihubungkan
ke paruh pertama register. Untuk menghitung operasi tambahan dari
semua nilai yang disimpan dalam register, pertama-tama, register
diinisialisasi dengan keluaran dari unit operasi perkalian.
Kemudian, perhitungan menggunakan penambah diulangi log2 M
kali. Perhatikan bahwa jumlah keluaran dari satuan operasi perkalian
M harus pangkat dua; jika tidak, register dummy diinisialisasi dengan
nol dan penambah dummy
212072
GAMBAR 12. Perangkat keras unit pembaruan CE.
akan ditambahkan. Gambar 11-(b) menunjukkan unit pohon
penambah yang dibuka sepanjang waktu. Seperti yang ditunjukkan
oleh warna merah pada gambar, hasil operasi tambahan semua nilai
disimpan di elemen pertama register.
Gambar 12 menunjukkan unit pembaruan modul CE, dimana Mult
pada gambar adalah pengali. Pengganda menerima dua nilai dan
menghasilkan perkalian kedua nilai tersebut. Unit pembaruan
menerima yl ÿ tl dari unit komputasi perbedaan, dan ÿ adalah
kecepatan pemelajaran. Nilai-nilai tersebut dimasukkan ke dalam
pengganda. Unit pembaruan juga menerima Hm dan menghitung
operasi perkalian Hm dan ÿ(yl ÿ tl). Output dari unit pembaruan vl,m
dimasukkan ke dalam RAM agar vektor bobot dapat diperbarui.
GAMBAR 13. Interaksi manusia-robot dalam percobaan.
IV. EKSPERIMEN
A. PREFERENSI BELAJAR DARI
BEBERAPA INTERAKSI MANUSIA-ROBOT
Kami memverifikasi bahwa model pengkondisian klasik yang
diusulkan dapat mempelajari preferensi pelanggan melalui beberapa
interaksi manusia-robot. Kami menerapkan model pada robot layanan
rumah (TOYOTA HSR [7], [35]) untuk percobaan ini. Bagian persepsi
model diimplementasikan melalui Web Speech API [36] sebagai
pengenalan suara, YOLOv2 [37] sebagai pengenalan visual objek,
dan lokalisasi dan pemetaan simultan sebagai deteksi tempat.
Dengan menggunakan kamera dan telepon mikro yang terpasang
pada robot, model tersebut mengambil CS dan US (Gbr. 13). Kami
menyiapkan dua jenis vektor untuk setiap CS, yaitu gambar wajah
(saluran RGB 64 × 64 piksel) yang mewakili pelanggan A dan B dan
dua vektor (tiga dimensi).
JILID 8, 2020
Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah
TABEL 1. Situasi yang ditentukan.
vektor one-hot) yang mewakili tempat A dan B. Kami juga mendefinisikan
empat situasi (Tabel 1). Dengan menggunakan situasi A sebagai contoh,
setiap kali pelanggan A berada di tempat A, objek A diurutkan (menunjukkan
bahwa preferensi dalam situasi A adalah objek A). Model tersebut menerima
US dan CS dari situasi yang ditentukan dan mempelajari hubungan antara
US dan CS. Pertama, model menerima AS dan CS situasi A sepuluh kali,
setelah itu situasinya diubah. Kemudian, model tersebut menerima US dan
CS dari situasi B sepuluh kali, diikuti dengan prosedur yang sama untuk
situasi C dan D.
Kami menggunakan perangkat lunak model untuk percobaan ini. Dalam
percobaan ini, algoritma berorientasi perangkat keras tidak diterapkan, dan
semua variabel berupa bilangan floating-point 32-bit.
Fungsi aktivasi pada (5) adalah fungsi Softmax. Dengan demikian, keluaran
CE adalah probabilitas.
GAMBAR 14. Probabilitas prediksi objek selama interaksi manusia-robot.
Gambar 14 menunjukkan probabilitas objek yang diperkirakan oleh
model dari situasi selama interaksi manusia-robot.
Dalam setiap situasi baru, tiga atau empat interaksi diperlukan oleh model
untuk mendukung objek yang terurut dengan benar, yang menunjukkan
kemampuan model untuk beradaptasi dengan situasi baru hanya melalui
beberapa interaksi manusia-robot.
Selain itu, untuk memverifikasi performa generalisasi model, kami
menyiapkan 1.000 gambar wajah per pelanggan yang mewakili wajah
yang diambil dari berbagai arah, yang dibagi menjadi 750 gambar untuk
pelatihan dan 250 gambar untuk validasi. Pada interaksi manusia-robot
dalam mode pelatihan, sebuah gambar dipilih secara acak dari 750 gambar
pelatihan. Gambar dan vektor yang mewakili tempat dimasukkan ke dalam
model. Setelah setiap interaksi, kami memasukkan 250 gambar validasi
dan menempatkan vektor situasi ke dalam model untuk memverifikasi
tingkat akurasinya sehubungan dengan gambar validasi. Gambar 15
menunjukkan tingkat akurasi
JILID 8, 2020
GAMBAR 15. Tingkat akurasi model pengkondisian klasik sehubungan dengan
gambar validasi selama interaksi manusia-robot.
model selama interaksi dan menunjukkan bahwa model tersebut
mengadaptasi semua situasi dalam sepuluh interaksi manusia-robot.
B. IMPLEMENTASI PERANGKAT KERAS
Kami merancang dan mengimplementasikan perangkat keras khusus
model pengkondisian klasik ke dalam FPGA. Perangkat targetnya adalah
XCZU9EG FPGA [34], dan lingkungan pengembangannya adalah Xilinx
SDSoC 2018.3 [38].
Kami menetapkan hyperparameter struktur model sebagai berikut:
jumlah SOM di LA adalah K = 2, dimensi vektor referensi SOM adalah N =
12, 288(= 64×64×3), ukuran SOM di LA adalah I×J = 8×8, dan jumlah
neuron di CE adalah L = 3.
Kami merancang perangkat keras menggunakan Vivado HLS [39] dan
mendeskripsikan komputasi model sebagai fungsi perangkat keras dan
mensintesis fungsi perangkat keras. Kami mengukur pemanfaatan logika
perangkat keras yang dioperasikan pada 150 MHz. Tabel 2 menunjukkan
pemanfaatan logika perangkat keras; pemanfaatannya kurang dari 100%.
Dengan demikian, perangkat keras model yang diusulkan dapat
diimplementasikan pada FPGA XCZU9EG. Pemanfaatan BRAM maksimal
pada beberapa jenis sumber daya perangkat keras. Slack negatif terburuk
dan hold slack terburuk pada perangkat keras masing-masing adalah 0,568
ns dan 0,01 ns.
TABEL 2. Pemanfaatan logika perangkat keras yang diusulkan.
Selanjutnya, kami memverifikasi efek dari algoritma berorientasi
perangkat keras yang diusulkan dengan merancang dan mensintesis
fungsi perangkat keras menggunakan algoritma asli dari model dan
bilangan floating-point. Kami merancang dua jenis implementasi perangkat
keras: implementasi sekuensial dan paralel. Dalam implementasi
sekuensial, komputasi perangkat keras dieksekusi secara berurutan.
Dalam implementasi paralel, komputasi perangkat keras dijalankan secara
paralel. Kami menetapkan frekuensi clock 150 MHz di kedua implementasi.
212073
Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah

TABEL 3. Pemanfaatan logika dan latensi dari tiga jenis implementasi

perangkat keras.

Tabel 3 menunjukkan pemanfaatan logika dan latensi perhitungan.

Pemanfaatan logika dan latensi implementasi paralel merupakan
nilai perkiraan oleh Xilinx Vivado dan SDSoC karena sumber daya
perangkat keras yang diperlukan melebihi sumber daya pada
perangkat target dan perangkat keras tidak memenuhi batasan
waktu. Oleh karena itu, perangkat keras tidak dapat diimplementasikan GAMBAR 16. Hasil pengukuran implementasi FPGA: Vektor referensi sebelum dan
pada FPGA. Dalam implementasi sekuensial, pemanfaatan logika, sesudah pra-pelatihan.

kecuali LUTRAM dan BRAM, lebih kecil dibandingkan perangkat

keras yang diusulkan karena unit pemrosesan tunggal
diimplementasikan pada perangkat keras dan dieksekusi secara
berurutan untuk menghitung beberapa elemen vektor. Namun,
SDSoC memperkirakan latensi perangkat keras ini sebesar
62.159.985 CLK, sedangkan latensi perangkat keras yang diusulkan
adalah 15.395 CLK. Oleh karena itu, penerapan sekuensial tidak
efektif. Dalam implementasi paralel, pemanfaatan logika lebih besar
dibandingkan perangkat keras yang diusulkan. Latensi perangkat
keras ini diperkirakan sebesar 95.426 CLK, yang juga lebih tinggi
dari latensi perangkat keras yang diusulkan.

C. KEMAMPUAN PERANGKAT KERAS

Kami mengeksekusi perangkat keras yang diusulkan pada FPGA. Pertama,
kami menjalankan mode pra-pelatihan, memasukkan CS ke LA selama
beberapa iterasi untuk mendapatkan vektor referensi terorganisir dari SOM. GAMBAR 17. Hasil pengukuran implementasi FPGA: Kesalahan SOM di LA antara
vektor referensi neuron pemenang dan data selama pra-pelatihan.
Dalam mode pra-pelatihan, gambar wajah yang digunakan dalam
eksperimen A dimasukkan ke dalam LA untuk wajah. Vektor tiga dimensi,
yang elemennya merupakan nilai acak dari bilangan bulat delapan bit,
dimasukkan ke dalam LA untuk mencari tempat. Kami menetapkan A di (12) sebagai 1.
Dalam kasus SOM untuk wajah, gambar validasi yang digunakan
Gambar 16 menunjukkan vektor referensi sebelum dan sesudah 500
dalam eksperimen A digunakan sebagai data untuk menghitung
iterasi pra-pelatihan. Karena kita mengimplementasikan dua SOM pada
kesalahan. Dalam kasus SOM untuk tempat, vektor one-hot yang
perangkat keras, dua jenis vektor referensi (k = 1, 2) diilustrasikan pada
mewakili tempat A dan B digunakan sebagai data untuk menghitung
gambar. Dalam Gambar. 16-(c) dan 16-(d), masing-masing vektor referensi
kesalahan. Kesalahan SOM di LA Lk ke-k dihitung sebagai berikut:
direpresentasikan sebagai persegi panjang warna RGB karena warna RGB
juga merupakan vektor tiga dimensi dari bilangan bulat delapan bit. Gambar.
1 P 1
16-(a) dan 16-(c) menunjukkan bahwa vektor referensi awal adalah nol, Luka = xk (p) ÿ wic,jc 1, (14)
P N
dan Gambar. Gambar 16-(b) dan 16-(d) menunjukkan bahwa SOM di LA hal=1
diatur sendiri oleh pra-pelatihan. Perhatikan bahwa karena perbedaan
dalam dimensi dan distribusi data, peta yang diatur sendiri antara SOM dimana xk (p) adalah data validasi ke-p dan P adalah jumlah total
berbeda secara signifikan. data validasi. Selama pra-pelatihan, kesalahan berkurang dan
menyatu. Perhatikan bahwa nilai kesalahan maksimum yang
Gambar 17 menunjukkan kesalahan SOM antara vektor referensi diperbolehkan adalah 255 karena vektor masukan dan referensi
neuron pemenang dan data selama pra-pelatihan. adalah nilai bilangan bulat delapan bit.

212074 JILID 8, 2020

Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah
GAMBAR 18. Hasil pengukuran implementasi FPGA: Output CE selama pengkondisian
klasik.
Setelah pra-pelatihan, kami menjalankan tes pengkondisian klasik pada
FPGA, di mana kami secara bersamaan melakukan US dan CS. Kombinasi
US dan CS didefinisikan pada Tabel 1.
Pertama, AS dan CS situasi A diberikan sepuluh iterasi. Kemudian, AS dan
CS situasi B juga diberikan hal yang sama untuk sepuluh iterasi. Prosedur
serupa diikuti untuk situasi C dan D. Kita menetapkan A pada (12) sebagai
4, dan ÿ pada (9) sebagai 0,1. Gambar 18 menunjukkan keluaran CE
selama uji pengkondisian klasik pada FPGA. Pada awal pengujian, keluaran
objek A meningkat, dan keluaran lainnya menurun secara monoton.
Kemudian, situasinya diubah pada iterasi kesepuluh, dan output untuk
objek B meningkat untuk beradaptasi dengan situasi tersebut. Demikian
pula, situasinya berubah pada iterasi ke-30, dan output untuk objek C mulai
meningkat. Hasil eksperimen ini menunjukkan bahwa meskipun perangkat
keras diimplementasikan menggunakan algoritma berorientasi perangkat
keras yang disederhanakan, perangkat keras model tersebut mampu
mempelajari kombinasi CS dan US (juga dianggap sebagai preferensi
pelanggan) dengan beberapa iterasi pelatihan.
GAMBAR 19. Hasil pengukuran implementasi FPGA: Tingkat akurasi model
pengkondisian klasik sehubungan dengan gambar validasi selama interaksi
manusia-robot.
Selain itu, untuk memverifikasi kinerja generalisasi perangkat keras
yang diusulkan, kami menggunakan uji generalisasi yang sesuai dengan
pengujian pada eksperimen A. Gambar 19 menunjukkan tingkat akurasi
model sehubungan dengan validasi
JILID 8, 2020
gambar selama interaksi dan menunjukkan bahwa perangkat keras
menyesuaikan semua situasi dalam sepuluh interaksi robot manusia.
TABEL 4. Waktu eksekusi perangkat lunak.
TABEL 5. Hasil pengukuran implementasi FPGA: Waktu eksekusi
perangkat keras.
TABEL 6. Perkiraan kekuatan chip.
D. KINERJA PERANGKAT KERAS
Kami mengukur kecepatan pemrosesan perangkat keras. FPGA XCZU9EG
yang digunakan dalam percobaan ini adalah FPGA system-on-chip (SoC),
yang mengintegrasikan sistem pemrosesan (PS) dan logika yang dapat
diprogram (PL). Dalam percobaan ini, perangkat keras yang diusulkan
diimplementasikan pada PL. Software pada PS meneruskan data masukan
ke PL dan menerima hasil komputasi dari PL. Kami mengukur waktu
eksekusi mode pelatihan dari awal input data hingga akhir penerimaan hasil
komputasi. Pengoperasian perangkat keras diulang sebanyak 500 kali.
Untuk perbandingan antara kecepatan pemrosesan perangkat keras dan
perangkat lunak, kami mengimplementasikan perangkat lunak dan
mengeksekusinya pada PS di FPGA (Arm Cortex-A53), Intel Core i5 4670K,
dan CPU di NVIDIA Jetson TX2 (Nvidia Denver dan Arm Cortex- A57).
Untuk Arm Cortex-A53 dan Intel Core i5, kami mengimplementasikan model
pengkondisian klasik menggunakan C++. Untuk CPU di Jet-son TX2, kami
mengimplementasikannya menggunakan Python dan NumPy [40].
Selain itu, kami mengganti komputasi model oleh NumPy dengan komputasi
oleh CuPy [41] untuk mengeksekusinya pada GPU di Jetson TX2. Kami
menetapkan mode Jetson TX2 sebagai Max-N di mana semua inti di Jetson
TX2 tersedia. Tabel 4 menunjukkan rata-rata waktu eksekusi perangkat
lunak, dan Tabel 5 menunjukkan rata-rata waktu eksekusi perangkat keras.
Seperti yang ditunjukkan dalam tabel ini, perangkat keras lebih cepat
daripada perangkat lunak bahkan pada GPU. Waktu eksekusi perangkat
keras termasuk waktu transfer data. Kami mengukur waktu eksekusi logika
model saja, dengan mengimplementasikan fungsi perangkat keras yang
tidak menghitung apa pun kecuali menerima CS tiruan dan mengembalikan
CR tiruan. Kami mengukur waktu eksekusi perangkat keras kosong, yang
diukur ketika frekuensi clock untuk transfer data dioperasikan pada 150
MHz.
212075
Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah
TABEL 7. Perbandingan penelitian sebelumnya tentang model amigdala untuk aplikasi robot.
Kami mengukur konsumsi daya perangkat keras (baik seluruh perangkat
keras maupun perangkat keras kosong). Tabel 6 menunjukkan kekuatan chip
yang diperkirakan oleh Vivado. Seperti yang ditunjukkan dalam tabel, FPGA,
termasuk perangkat keras yang diusulkan, mengonsumsi 5,009 W.
V. PEMBAHASAN A.
MODEL
Tabel 7 menunjukkan perbandingan penelitian sebelumnya mengenai model
amigdala untuk aplikasi robot. Dibandingkan dengan EMA [28], model yang
diusulkan dapat diterapkan pada tugas yang lebih kompleks. EMA mengambil
informasi tunggal dari lingkungan untuk CS; oleh karena itu, pendekatan ini
tidak dapat menangani kombinasi berbagai faktor dalam lingkungan. Selain
itu, EMA tidak dapat digunakan jika faktor-faktor yang berhubungan dengan
AS tidak diketahui. Namun, model kami mengambil informasi penting dari
lingkungan untuk CS. Oleh karena itu, model kita dapat menangani kombinasi
faktor-faktor dalam lingkungan, artinya model kita dapat digunakan meskipun
kita tidak mengetahui faktor mana yang berhubungan dengan AS.
Dibandingkan dengan model amigdala di SAFEL [29], [30], model yang
kami usulkan lebih berguna untuk aplikasi robot karena mencakup fungsi LA,
CE, dan bagian persepsi.
Dengan memperkenalkan model LA, model kami dapat menerima rangsangan
yang tidak diketahui. Misalnya, model terlebih dahulu mempelajari situasi di
mana pelanggan laki-laki muda dan pelanggan perempuan tua muncul. Ketika
pelanggan wanita muda muncul, neuron yang terletak di antara neuron pria
muda dan neuron wanita tua akan bereaksi. Misalkan ada hubungan antara
usia, jenis kelamin, dan preferensi, model kami dapat memperkirakan preferensi
pelanggan yang tidak diketahui.
B.PERANGKAT KERAS
Dengan menggunakan algoritma berorientasi perangkat keras yang diusulkan,
perangkat keras modul LA tidak memerlukan pengganda apa pun. Jika kita
mengimplementasikan model pengkondisian klasik dengan struktur yang sama
dengan model pada percobaan, dengan tidak menggunakan algoritma yang
berorientasi pada perangkat keras, maka modul LA memerlukan 6.291.840
operasi perkalian: (1) memerlukan 1.572.864 operasi perkalian, (2) memerlukan
128 operasi perkalian, (3) memerlukan 256 operasi perkalian, dan (6)
memerlukan 4.718.592 operasi perkalian. Oleh karena itu, algoritma yang
diusulkan efektif untuk mengurangi sumber daya perangkat keras (Tabel 3).
Selain itu, meskipun perangkat keras diimplementasikan menggunakan
algoritma berorientasi perangkat keras yang disederhanakan, perangkat keras
model dapat mengatur sendiri vektor referensi modul LA.
212076
(Gbr. 16) dan pelajari kombinasi US dan CS dengan beberapa iterasi pelatihan
(Gbr. 18).
Meskipun Xilinx Vitis AI [42] dapat mengimplementasikan model berbasis
kerangka DL, seperti Keras, TensorFlow, dan Caffe, ke dalam FPGA yang
menggantikan variabel floating-point dengan variabel fixed-point, algoritma
berorientasi perangkat keras yang kami usulkan lebih efektif dalam
mengimplementasikan modelkan ke dalam FPGA karena mengganti operasi
perkalian dan fungsi eksponensial dengan operasi bit-shift secara drastis
mengurangi sumber daya perangkat keras. Vitis AI tidak dapat mencapai
algoritma yang efektif.
Karena kami menggunakan SOM dengan neuron 8 × 8 dalam penelitian ini,
penggunaan variabel titik tetap delapan bit sudah cukup untuk menghitung
algoritma SOM dan menyelesaikan tugas. Selain itu, meskipun perangkat keras
SOM dengan lebih banyak neuron diperlukan dalam beberapa tugas, kita
dapat dengan mudah mengubah lebar bit semua variabel untuk beradaptasi
dengan tugas lain karena perangkat keras tersebut memiliki parameter.
Tabel 4 dan 5 menunjukkan bahwa perangkat keras yang diusulkan
dioperasikan pada 150 MHz adalah 1.273 kali, 111.4 kali, 214.3 kali, dan 94.73
kali lebih cepat dibandingkan perangkat lunak yang dijalankan pada Arm
Cortex-A53, Intel Core i5 4670K, CPU Jetson TX2, dan GPU Jetson TX2,
masing-masing. Temuan ini mengungkapkan bahwa komputasi perangkat
keras yang diusulkan lebih efektif dibandingkan perangkat lunak, bahkan pada
GPU. Selain itu, SDSoC memperkirakan latensi mode pelatihan pada perangkat
keras sebesar 15.395 CLK. Dengan demikian, waktu eksekusi ideal perangkat
keras tanpa transfer data adalah 6,67 ns/CLK × 15,395 CLK = 102,6 µs.
Selain itu Tabel 5 juga menunjukkan bahwa waktu eksekusi logika adalah
197.4 µs - 90.7 µs = 106.7 µs jika waktu transfer data diabaikan.
VI. KESIMPULAN
Dalam penelitian ini, kami mengusulkan model pengondisian klasik yang
terinspirasi dari amigdala yang mempelajari preferensi setelah beberapa kali
interaksi manusia-robot yang berulang. Kami menerapkan model pada FPGA
dengan mengusulkan algoritma berorientasi perangkat keras yang mengurangi
operasi perkalian lebih dari 6.000.000 kali. Dengan menggunakan algoritme
berorientasi perangkat keras, kami merancang perangkat keras khusus untuk
model pada FPGA XCZU9EG yang 1.200 kali lebih cepat dibandingkan
perangkat lunak pada CPU Arm Cortex-A53. Perangkat keras dapat mempelajari
preferensi melalui beberapa iterasi pelatihan, meskipun algoritma yang
disederhanakan digunakan untuk implementasinya.
Dalam penelitian selanjutnya, kami bertujuan untuk mengintegrasikan model
yang terinspirasi dari amigdala dengan model lain yang terinspirasi dari otak.
Model yang diusulkan telah diintegrasikan dengan bagian persepsi, yang
disebut sebagai model neokorteks. Selanjutnya dengan mengenalkan hippocampus
JILID 8, 2020
Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah
dan model korteks entorhinal dan mengintegrasikannya dengan model, fungsi
memori episodik menggunakan representasi tempat dan waktu dapat
diwujudkan.
UCAPAN TERIMA KASIH
Artikel ini didasarkan pada hasil yang diperoleh dari proyek yang ditugaskan
oleh Organisasi Pengembangan Teknologi Industri dan Energi Baru (NEDO).
REFERENSI
[1] L. Iocchi, D. Holz, J. Ruiz-del-Solar, K. Sugiura, dan T. van der Zant, ''RoboCuphome:
Analisis dan hasil kompetisi yang berkembang untuk robot domestik dan layanan,'' Artif.
Intell., jilid. 229, hlm. 258–281, Desember 2015. [Online]. Tersedia: http://
www.sciencedirect. com/science/article/pii/S0004370215001174 [2] GE Hinton, S.
Osindero, dan Y.-W. Teh, ''Algoritme pembelajaran
cepat untuk jaring keyakinan yang mendalam,'' Neural Comput., vol. 18, tidak. 7, hlm. 1527–
1554, Juli 2006.
[3] Y. Lecun, L. Bottou, Y. Bengio, dan P. Haffner, ''Pembelajaran berbasis gradien diterapkan
pada pengenalan dokumen,'' Proc. IEEE, jilid. 86, tidak. 11, hal.2278–2324, 1998.
[4] A. Krizhevsky, I. Sutskever, dan GE Hinton, ''Klasifikasi ImageNet dengan jaringan saraf
konvolusional dalam,'' di Proc. NIPS, jilid. 1, 2012, hlm.1097–1105.
[5] J. Redmon dan A. Angelova, ''Deteksi genggaman waktu nyata menggunakan jaringan
saraf konvolu-sional,'' di Proc. IEEE Int. Konf. Robot. Otomatis. (ICRA), Mei 2015, hlm.
1316–1322.
[6] S. Hori, Y. Ishida, Y. Kiyama, Y. Tanaka, Y. Kuroda, M. Hisano, Y. Imamura, T. Himaki, Y.
Yoshimoto, Y. Aratani, K. Hashimoto, G. Iwamoto , H. Fujita, T. Morie, dan H. Tamukoh,
''Makalah deskripsi tim Hibikino-MusashiHome 2017,'' 2017, arXiv:1711.05457.
[On line]. Tersedia: http://arxiv.org/abs/1711.05457
[7] T. Ono, Y. Tanaka, Y. Ishida, Y. Abe, K. Kanamaru, D. Kamimura, K. Nakamura, Y.
Nishimura, S. Tokuno, Y. Mii, M. Yamauchi, Y. Uemura , T. Hashimoto, Y. Nakamura, I.
Uchino, D. Kanaoka, T. Hanyu, K. Tsukamoto, T. Morie, dan H. Tamukoh, ''Makalah
deskripsi tim Hibikino-MusashiHome 2020,'' 2020, arXiv: 2005.14451. [On line]. Tersedia:
http://arxiv.org/abs/2005.14451 [8] Y. Ishida dan H. Tamukoh, ''Pembuatan kumpulan
data semi-otomatis untuk deteksi dan
pengenalan objek serta evaluasinya pada robot layanan domestik,'' J. Robot. Mechtron., jilid.
32, tidak. 1, hlm.245–253, Februari 2020.
[9] L. Weiskrantz, ''Perubahan perilaku terkait dengan ablasi kompleks amyg-daloid pada
monyet.,'' J. Comparative Physiol. Psikologi., jilid. 49, tidak. 4, hal.381–391, 1956.
[10] JE LeDoux, Otak Emosional: Dasar Misterius Kehidupan Emosional. New York, NY, AS:
Simon dan Schuster, 1996.
[11] JP Aggleton, Amygdala: Analisis Fungsional. Oxford, Inggris: Universitas Oxford. Pers,
2000.
[12] ET Rolls, Penjelasan Emosi. Oxford, Inggris: Universitas Oxford. Pers, 2005.
[13] EA Phelps dan JE LeDoux, ''Kontribusi amigdala terhadap pemrosesan emosi: Dari model
hewan hingga perilaku manusia,'' Neuron, vol. 48, tidak. 2, hlm. 175–187, Oktober 2005.
[14] H. Nakahara, H. Yonekawa, T. Fujii, M. Shimoda, dan S. Sato, ''GUIN-NESS: Kerangka kerja
jaringan saraf dalam binerisasi berbasis GUI untuk pemrogram perangkat lunak,'' IEICE
Trans. Inf. Sistem., jilid. E102.D, tidak. 5, hal.1003–1011, 2019.
[15] IP Pavlov, Refleks Terkondisi: Investigasi Aktivitas Fisiologis Korteks Serebral. Oxford,
Inggris: Universitas Oxford. Pers, 1927.
[16] J. LeDoux, C. Farb, dan D. Ruggiero, ''Organisasi topografi neuron di thalamus akustik
yang memproyeksikan ke amigdala,'' J. Neurosci., vol. 10, tidak. 4, hlm. 1043–1054,
April 1990.
[17] E. Tsvetkov, WA Carlezon, FM Benes, ER Kandel, dan VY Bolshakov, ''Pengkondisian
rasa takut menghalangi peningkatan transmisi sinaptik prasinaptik yang diinduksi LTP
di jalur kortikal ke amigdala lateral,'' Neuron, vol. 34, tidak. 2, hlm. 289–300, April 2002.
[18] JL Armony, D. Servan-Schreiber, JD Cohen, dan JE LeDoux, ''Model jaringan saraf
pengondisian rasa takut yang dibatasi secara anatomis.,'' Perilaku. Ilmu Saraf, jilid.
109, tidak. 2, hal.246–257, 1995.
[19] J. Morén dan C. Balkenius, ''Model komputasi pembelajaran emosional di amigdala,''
dalam Proc. Hewan Animat, Int ke-6. Konf. Simulasi Beradaptasi. Perilaku, 2000,
hlm.115–124.
[20] EM Izhikevich, ''Memecahkan masalah penghargaan distal melalui hubungan STDP dan
sinyal dopamin,'' Cerebral Cortex, vol. 17, tidak. 10, hlm. 2443–2452, Oktober 2007.
JILID 8, 2020
[21] Y. Li, K. Nakae, S. Ishii, dan H. Naoki, ''Kepunahan memori ketakutan yang bergantung
pada ketidakpastian dalam model sirkuit saraf amigdala-mPFC,'' PLOS Comput. Biol.,
jilid. 12, tidak. 9 September 2016, Pasal. TIDAK. e1005099.
[22] ET Rolls, ''Sebuah teori emosi dan kesadaran, dan penerapannya untuk memahami dasar
saraf emosi,'' dalam The Cognitive Neuro-sciences, 1995, hlm. 1091–1106.
[23] EM Izhikevich, ''Model sederhana dari neuron spiking,'' IEEE Trans. saraf
Jaringan, jilid. 14, tidak. 6, hlm. 1569–1572, November 2003.
[24] CL Hull, Prinsip Perilaku: Pengantar Teori Perilaku.
New York, NY, AS: D. Appleton-Century, 1943.
[25] DW Leonard, ''Efek penguatan parsial dalam pengkondisian permusuhan klasik pada
kelinci dan manusia.,'' J. Fisiol Komparatif. Psikologi., jilid. 88, tidak. 2, hal.596–608,
1975.
[26] RA Rescorla, ''Penguatan parsial mengurangi perubahan asosiatif yang dihasilkan oleh
nonpenguatan,'' J. Experim. Psikologi. Perilaku Hewan. Proses, vol. 25, tidak. 4, hal.
403–414, 1999.
[27] NJ Mackintosh, Psikologi Pembelajaran Hewan. New York, NY,
AS: Akademik, 1974.
[28] S. Sonoh, K. Horio, S. Aou, dan T. Yamakawa, ''Model ekspresi emosional yang terinspirasi
oleh amigdala,'' Int. J.Inovasi. Komputasi, Inf. Kontrol, jilid. 5, hlm. 1147–1160, Mei 2009.
[29] C. Rizzi Raymundo dan CG Johnson, ''Mekanisme plastisitas sinaptik buatan untuk
pengkondisian klasik dengan jaringan saraf,'' dalam Kemajuan dalam Jaringan Syaraf
Tiruan—ISNN, vol. 8866. Cham, Swiss: Springer, 2014, hlm.213–221.
[30] C. Rizzi Raymundo, CG Johnson, dan PA Vargas, ''Ketakutan belajar untuk pengambilan
keputusan yang fleksibel di robocup: Sebuah diskusi,'' di Piala Dunia Robot.
Cham, Swiss: Springer, 2017.
[31] T. Kohonen, ''Pembentukan peta fitur topologi yang benar secara mandiri,'' Biol. Cybern., jilid.
43, tidak. 1, hal.59–69, 1982, doi: 10.1007/BF00337288.
[32] Y. Tanaka dan H. Tamukoh, ''Implementasi perangkat keras model amigdala yang
terinspirasi otak,'' di Proc. IEEE Int. Gejala. Sistem Sirkuit. (ISCAS), Mei 2019, hlm.1–5.
[33] T. Shinozaki, ''Pembelajaran terawasi umpan depan yang terinspirasi secara biologis untuk
jaringan peta yang mengatur dirinya sendiri secara mendalam,'' di Proc. Lokakarya NIPS Mewakili.
Mempelajari. Artif. biologi. Jaringan Syaraf. (MLINI), 2016, hlm.1–7.
[34] Zynq UltraScale+ MPSoC. Diakses: 26 Oktober 2020. [Online]. Tersedia: https://
www.xilinx.com/products/silicon-devices/soc/zynq-ultrascale-mpsoc.html
[35] T. Yamamoto, K. Terada, A. Ochiai, F. Saito, Y. Asahara, dan K. Murase, ''Pengembangan
robot pendukung manusia sebagai platform penelitian manipulator seluler domestik,''
ROBOMECH J. , jilid. 6, tidak. 1 Desember 2019.
[36] G. Shires dan H. Wennborg, ''Spesifikasi API ucapan web,'' Grup Komunitas W3C,
Laporan Akhir, 2012.
[37] J. Redmon dan A. Farhadi, ''YOLO9000: Lebih baik, lebih cepat, lebih kuat,'' di Proc.
Konferensi IEEE. Hitung. Vis. Pengenalan Pola. (CVPR), Juli 2017, hlm.6517–6525.
[38] Lingkungan Pengembangan SDSoC. Diakses: 26 Oktober 2020. [Online].
Tersedia: https://www.xilinx.com/products/design-tools/software-zone/sdsoc.html
[39] Sintesis Tingkat Tinggi Vivado. Diakses: 26 Oktober 2020. [Online]. Tersedia: https://
www.xilinx.com/products/design-tools/vivado/integration/esl-design.html [40] TE Oliphant,
A Guide to NumPy,
vol. 1. New York, NY, AS: Trelgol Publishing, 2006.
[41] R. Okuta, Y. Unno, D. Nishino, S. Hido, dan C. Loomis, ''Cupy: Pustaka yang kompatibel
dengan numpy untuk perhitungan GPU nvidia,'' di Proc. Sistem ML. Bengkel NIPS,
2017, hal. 151.
[42] Vitis AI. Diakses: 26 Oktober 2020. [Online]. Tersedia: https://www. xilinx.com/products/
design-tools/vitis/vitis-ai.html
YUICHIRO TANAKA (Anggota Mahasiswa Pascasarjana,
IEEE) menerima gelar BE dan ME dari Institut Teknologi
Kyushu, masing-masing pada tahun 2016 dan 2018, di mana
ia saat ini sedang mengejar gelar Ph.D. gelar dengan Sekolah
Pascasarjana Ilmu Hayati dan Teknik Sistem. Sejak 2019, ia
juga menjadi Research Fellow di Japan Society for the
Promotion of Science (JSPS). Ia juga merupakan Anggota
Mahasiswa IEICE.
212077
Machine Translated by Google
Y. Tanaka dkk.: Model Pengkondisian Klasik Terinspirasi Amygdala yang Diimplementasikan pada FPGA untuk Robot Layanan Rumah
TAKASHI MORIE (Anggota, IEEE) menerima gelar BS dan
MS di bidang fisika dari Universitas Osaka, Osaka, Jepang,
masing-masing pada tahun 1979 dan 1981, dan Dr.Eng. gelar
dari Hokkaido University, Sapporo, Jepang, pada tahun 1996.
Dari tahun 1981 hingga 1997, beliau menjadi anggota Staf
Peneliti di Nippon Telegraph and Tele-phone Corporation
(NTT). Dari tahun 1997 hingga 2002, beliau menjadi Associate
Professor di Departemen Teknik Elektro, Universitas
Hiroshima, Higashihiroshima, Jepang. Sejak tahun 2002,
beliau menjadi Profesor di Graduate School of Life Science and Systems Engineering, Kyushu
Institute of Technology, Kitakyushu, Jepang. Minat penelitiannya mencakup implementasi
VLSI pada jaringan saraf dan perangkat nano fungsional baru.
212078
HAKARU TAMUKOH (Anggota, IEEE) menerima gelar B.Eng.
gelar dari Miyazaki University, Jepang, pada tahun 2001, dan
M.Eng. dan Ph.D. gelar dari Kyushu Institute of Technology,
Jepang, masing-masing pada tahun 2003 dan 2006. Beliau
adalah Peneliti Pasca-doktoral di Pusat Program Unggulan
Abad 21, Institut Teknologi Kyushu, dari April 2006 hingga
September 2007.
Beliau menjabat sebagai Asisten Profesor di Universitas
Pertanian dan Teknologi Tokyo dari Oktober 2007 hingga
Januari 2013. Saat ini beliau menjabat sebagai Associate Professor di Sekolah Pascasarjana
Ilmu Hayati dan Rekayasa Sistem, Institut Teknologi Kyushu. Minat penelitiannya meliputi
sistem kompleks perangkat keras/perangkat lunak, desain perangkat keras digital, jaringan
saraf, komputasi lunak, dan robot layanan rumah. Ia juga anggota IEICE, SOFT, JNNS, JSAI,
dan RSJ.
JILID 8, 2020