GT Themes: 2026 | GTテーマ：2026年

Slides

From joining to graduation / 卒業までの流れ

Laboratory guidelines / 研究室ガイドライン

1. 🇬🇧 Our group consists of 4 Master students and 7 undergraduate students (see Group Members).
   🇯🇵 当研究室には、修士課程4名、学部生7名が在籍しています（メンバー一覧参照）。
2. 🇬🇧 Group meeting: twice a month (1st and 3rd week).
   🇯🇵 グループミーティング：月2回（第1週と第3週）。
3. 🇬🇧 Face-to-face meeting with each student: twice a month (2nd and 4th week). Flexible depending on progress.
   🇯🇵 個別面談：月2回（第2週と第4週）、進捗状況により柔軟に対応。
4. 🇬🇧 Lab meeting: once a week.
   🇯🇵 研究室ミーティング：週1回。
5. 🇬🇧 From 4th year, students must present progress reports.
   🇯🇵 4年次からは進捗報告プレゼンを行います。
6. 🇬🇧 Excellent students are encouraged to submit papers and attend conferences in Japan or abroad.
   🇯🇵 優秀な学生には、国内外の学会発表や論文投稿を推奨します。
7. 🇬🇧 Useful links: How we work, What you can learn
   🇯🇵 関連リンク：研究の進め方、学べること

What you can learn from a GT project / GTプロジェクトで学べること

1. 🇬🇧 Structured schedules, accessible supervisor, and friendly lab environment.
   🇯🇵 明確なスケジュール設定、教授との距離が近く、フレンドリーな研究室環境。
2. 🇬🇧 English-speaking environment with both Japanese and international students (Members).
   🇯🇵 日本人学生と留学生が共に学ぶ英語環境（メンバー一覧）。
3. 🇬🇧 Hands-on prototyping experience (Sample projects).
   🇯🇵 実際の試作経験（学生プロジェクト例）。
4. 🇬🇧 Learn presentation, Q&A, and report writing skills.
   🇯🇵 プレゼン、質疑応答、レポート作成のスキル習得。
5. 🇬🇧 Excellent students learn paper writing and conference presentation (Example B4 paper).
   🇯🇵 優秀な学生は論文執筆・国際会議発表を経験（学部4年生論文例）。

Topics / 研究テーマ

Power-Efficient AI Chip / 省電力AIチップ

🇬🇧 Research and implement an adaptive, low-power neural network system in hardware based on our communication network.
Features:

1. Efficient adaptive configuration for SNN parameters (weights, routing, layers, topology, etc.)
2. Mix of deep NN topologies
3. Fault-tolerant multicast spike routing
4. Efficient on-chip learning

Students can work on software (Python), hardware (VLSI/FPGA), or both.

🇯🇵 通信ネットワークに基づき、省電力かつ適応型ニューラルネットワークシステムをハードウェアで実装します。
特徴:

1. SNNパラメータ（重み、ルーティング、層構造、トポロジー等）の効率的な適応再構成
2. 複数の深層NNトポロジーの混合
3. 耐障害性マルチキャストスパイクルーティング
4. 高効率オンチップ学習

学生はソフトウェア（Python）、ハードウェア（VLSI/FPGA）、または両方に取り組めます。

Event Sensor Processing / イベントセンサ処理

🇬🇧 This theme focuses on efficient processing of event-based sensor data. Event sensors detect changes in the environment asynchronously and generate events only when changes occur, enabling low-latency and low-power sensing.

Students will explore event data processing using AI, spiking neural networks (SNNs), FPGA, microcontrollers, and embedded systems. Possible topics include real-time object detection, event filtering and compression, hardware acceleration, and low-power event processing.

The research can cover both software algorithms and hardware implementation, with applications in robotics, edge AI, human detection, and IoT systems.

Students can work on software (Python), hardware (VLSI/FPGA), or both.

🇯🇵 本テーマでは、イベントベースセンサから得られるデータの効率的な処理について研究します。イベントセンサは環境の変化を非同期に検出し、変化が発生したときだけイベントを生成するため、低遅延・低消費電力のセンシングが可能です。

AI、スパイキングニューラルネットワーク（SNN）、FPGA、マイコン、組込みシステムなどを用いて、リアルタイム物体検出、イベントデータのフィルタリング・圧縮、ハードウェアアクセラレーション、省電力処理などを研究します。

ロボット、エッジAI、人物検出、IoTなどへの応用を目指します。

学生はソフトウェア（Python）、ハードウェア（VLSI/FPGA）、または両方に取り組めます。

Demonstration / 実演

FPGA上のSNN SoC 動画:

26th LSI Design Contest (Spiking GAN)

OpenLab: August 2026

Reading materials / 関連資料

• 🇬🇧 Example papers by B4 students: Paper 1, Paper 2, Paper 3
  🇯🇵 B4学生論文例: 論文1, 論文2, 論文3
• 🇬🇧 Example papers by Master students: Paper A, Paper B
  🇯🇵 修士論文例: 論文A, 論文B

Related publications from our group / 研究グループの主な関連論文

• Weight Ternarization / 重み三元化
  Paper / 論文 | Code / コード
• Approximate 3D-Stacked Memory / 近似3Dスタックメモリ
  Paper / 論文
• Approximate Neuron Circuit Design / 近似ニューロン回路設計
  Paper / 論文

Notes / 注意事項

• 🇬🇧 You can propose your own AI application. We welcome startup ideas!
  🇯🇵 独自のAIアプリケーション提案歓迎。スタートアップ構想も歓迎します。
• 🇬🇧 We can help file patents (Our patents).
  🇯🇵 特許申請も支援します（特許一覧）。