inflearn logo
知識共有
inflearn logo

AI半導体設計のための必須理論 — ニューロンからLLMまで

NPU・トランスフォーマーアクセラレータ・mini LLMのようなAI半導体を直接設計するには、その内部の演算がなぜ行われるのかを理論として知る必要があります。この講義は、一つのニューロンからCNN・トランスフォーマー・LLMまで、ハードウェア設計に不可欠な理論のエッセンスだけを抽出して3編に凝縮しました。数式の暗記ではなく「なぜそうなるのか」という直感を通じて、半導体産業30年の経歴を持つ現職教授が、ソフトウェア理論とハードウェア実装を一つに繋ぎます。

1名 が受講中です。

難易度 入門

受講期間 無制限

Deep Learning(DL)
Deep Learning(DL)
Machine Learning(ML)
Machine Learning(ML)
CNN
CNN
transformer
transformer
LLM
LLM
Deep Learning(DL)
Deep Learning(DL)
Machine Learning(ML)
Machine Learning(ML)
CNN
CNN
transformer
transformer
LLM
LLM

受講後に得られること

  • ニューロン・ニューラルネットワーク・CNN・トランスフォーマー・LLMの作動原理を直感的に理解する能力

  • 学習・勾配降下法・量子化など、AIハードウェア設計に必要な核心理論の土台

  • ChatGPT・GPT・BERTがどのように作られるのか、原理レベルの理解

  • AI理論が実際の半導体回路(NPU・アクセラレータ)にどのようにつながるのかを見る大きな全体像

  • その後、AIアクセラレータ・NPU設計実習を理解しながら進めるための理論的基礎

■ この講義はなぜ必要なのか

NPU、トランスフォーマーアクセラレータ、mini LLM — このようなAI半導体を自ら設計するには、その中でどのような演算がなぜ行われているのかを理論として知っておく必要があります。回路をなぞって描くだけでは限界に突き当たります。この講義は、これからAIハードウェアを設計するために不可欠な理論的土台を、必要なエッセンスだけを抽出して3編に凝縮した講義です。

ニューロン一つの乗算から始まり、CNN、アテンション、トランスフォーマー、LLMまで — 膨大なAI理論の中から「ハードウェア設計に実際に必要なもの」だけを厳選しました。学問的な深みのための理論ではなく、自ら作るための理論です。

■ この講義が他と違う理由

市中のAI理論講義は、ソフトウェアと数学の観点で止まっています。この講義は最初から「ハードウェアで作るための理論」を目指します。ニューロンの乗算・加算がチップでどのように電力になるのか、なぜトランスフォーマーの行列演算が専用アクセラレータ(NPU)を必要とするのか、なぜ低電力AI半導体が未来なのか――AI理論を半導体設計者の視点で解き明かします。半導体産業30年の経歴を持つ現職教授が、ソフトウェア理論とハードウェア実装を一つに繋ぎます。

■ この講義は出発点です

この講義は、今後続くハードウェア設計講義の理論的な出発点です。

· この講義(理論) → NPU設計 → トランスフォーマー・アクセラレータ → mini LLM SoC

ここで固めた理論があってこそ、以降の講義で「なぜこの回路がこのように設計されるのか」を理解しながら進めることができます。逆に、理論なしで回路だけを見ると暗記になってしまい、応用することができません。

■ 3部作構成

・第1部 ニューロンからCNNまで — 学習の原理(勾配降下法)、パーセプトロンとXORの壁、深層ニューラルネットワーク(DNN)、畳み込みニューラルネットワーク(CNN)

・第2部 RNNからTransformerまで — 順次データとRNN、ワード埋め込み、アテンションメカニズム、トランスフォーマー

・第3部 TransformerからLLMへ — 事前学習・転移学習、BERTとGPT、ChatGPTとRLHF、そして低電力半導体へ

この3編は一つの物語としてつながっています。順番に学習することで、ニューロンからLLMに至る全体像が完成します。

■ このような方におすすめします

· 今後、NPU・AIアクセラレータ・AI SoCを自ら設計しようとしている方(その理論を土台として)

· AIハードウェア設計の講義を受ける前に、背景理論をエッセンスとして固めておきたい方

· AIを原理から理解しつつ、学術的な深さよりも「作るための核心」を求める方

· 用語(CNN・アテンション・トランスフォーマー・LLM)は聞いたことがあるが、作動原理が掴めていない方

■ このような講義です

· ハードウェア設計に必要な理論だけを厳選 — 膨大なAI理論のエッセンス

· 数式の暗記ではなく直感中心 — 「なぜそうなるのか」を図解と比喩で

・ニューロン一つからLLMまで、途切れることなく続く一つの物語

· AI理論と半導体ハードウェアをつなぐ、稀有な視点

· 別途の実習・ボード・インストールなしで、動画のみで完走可能

■ 参考

・この講義は理論編です。FPGAで直接AIアクセラレータを作る実習は、別の講義で扱います。この講義の理論が、それらの実習講義の土台となります。

・本講義のすべての内容は講師が制作しており、ナレーション(音声)はTTSで制作されました。

こんな方に
おすすめです

学習対象は
誰でしょう?

  • 今後NPU・AIアクセラレータ・AI SoCを直接設計しようとしているが、理論的土台がない方

  • AIハードウェア設計の講義を受ける前に、背景理論のエッセンスを固めておきたい

  • CNN・アテンション・トランスフォーマー・LLMといった用語は知っているが、作動原理がよく分からない方

  • AIを原理から理解しつつ、学術的な深さよりも「作るための核心」を求める方

前提知識、
必要でしょうか?

  • 特別な事前知識がなくても理解できるように、直感を中心に説明します

  • 高校レベルの数学(関数・グラフ)を知っていると、よりスムーズです。

  • コーディング・実習は不要です(理論編)

こんにちは
EdgeChipLabです。

半導体産業30年の経歴(サムスン電子)を持つ、現職の大学教授です。

サムスン電子DS部門システム半導体研究員、イギリス・ドイツ法人Director、システムLSIマーケティング・営業グループ長を経て、現在は大学で次世代半導体設計を教えています。

トランジスタからCPU・NPU・AI SoCまで、自ら設計した回路が実際のFPGAで動作する過程を教えます。特に本講義は、インターネットの断片的な知識を集めたものではなく、講師自身の学術研究と検証済みの設計を実際のFPGAハードウェアで実装し、Bit-Trueで検証した成果物です。独自開発したRISC-V CPUを含むすべてのソースコードはGitHubで公開されており、普及型FPGA(Arty S7-25)と無料ツール(Vivado)だけで、誰でも直接再現し検証することができます。

すべての講義は一つのカリキュラムとして繋がっています。AI理論から始まり、画像処理、AIアクセラレータ(NPU)の設計・検証へと続き、今後はRISC-V CPU、NPU深化、AI SoC、mini LLMに至る高級・専門課程へと拡張されます。(コンテンツは継続的にアップデートされます。)

[検証可能な経歴]

- 自社開発RISC-V CPU — RISC-V国際財団公式コンプライアンステスト(ACT)合格、ソースコード公開

- 単独著者 学術論文4編(KCI著名学術登載誌 IJIBC)

- Amazon出版書籍2冊(AI NPU System Design with Python and Verilogなど、ベストセラー3位にランクイン)

- RV32I CPU・NPU・ビジョン・AURA-Edge SoCをArty S7で動作検証

YouTube @EdgeChipLab · GitHub github.com/estlit

もっと見る

カリキュラム

全体

3件 ∙ (1時間 40分)

講座掲載日: 
最終更新日: 

受講レビュー

まだ十分な評価を受けていない講座です。
みんなの役に立つ受講レビューを書いてください!

EdgeChipLabの他の講座

知識共有者の他の講座を見てみましょう!

似ている講座

同じ分野の他の講座を見てみましょう!

期間限定セール

¥149,066

28%

¥1,293