IBMの科学者らは、初めて相変化材料を使って人工スパイクニューロンを作成したと主張し、AIに使用できるニューラルネットワークを構築する可能性を開いた。
脳は、認知コンピューティングに取り組んでいる研究者にとって最大のインスピレーションの源です。脳がどのように学習するかを説明する正確なメカニズムは依然として謎ですが、研究者たちは、脳がどんなコンピューターよりもはるかに優れた働きをすることを知っています。
知性の本質を捉えるため、研究者たちは脳の模倣に着目した。IBMは、発火して電気パルスを伝達できる人工ニューロンを開発し、灰白質で起こる生物学的プロセスを再現した。
生物学対テクノロジー
生物のニューロンでは、2つの薄い脂質層が細胞内の電荷を保持しています。樹状突起（ニューロンの長い棘）を伝わるインパルスが十分に大きい場合、脂質層間の電位を励起し、ニューロンは電気を発射します。
写真提供：Shutterstock
一方、人工ニューロンでは、脂質層が電極に置き換えられ、その間にカルコゲナイド系相変化材料の層が挟まれています。入力信号は人工ニューロンを通過し、電極の電位を上昇させます。電圧パルスが十分に大きければ、通過する電流によって相変化材料が溶解し、導電性が向上します。
そこに流れる電流が増加します。コンダクタンスが閾値レベルに達すると、電気パルスが十分に大きくなり、発火し、相変化デバイスがリセットされます。カルコゲナイド系材料は結晶相に戻ります。
「統合して発火する」メカニズムは、脳（10Hz の更新周波数に対応する10 8ナノ秒）およびそれ以上の、さまざまな時間スケールと周波数にわたって一貫しています。
相変化材料のリセット能力は、人工ニューロンの再利用を可能にする。結晶相と非晶質相の間のスイッチングサイクルは10の12乗回繰り返すことができ、人工ニューロンが100Hzの周波数で動作した場合、300年以上の動作に相当すると、ビッグブルーの論文には記されている。
IBM が生物学を模倣する際に実現したもう 1 つの特徴は、人工ニューロンのランダム性、つまり確率性と呼ばれる特徴です。
人工ニューロンが積分発火プロセスを経た後、物質内の原子の位置は決して同じではありません。位相の変化により、発火とリセットのたびに物質の厚さが変化し、発火イベントごとにわずかに異なる状態になります。
これがニューロモルフィック・コンピューティングが従来のコンピューティングと異なる点だと、この研究の主執筆者であり、IBMチューリッヒ研究所の研究員であるトーマス・トゥマ氏はThe Registerに語った。
「従来のコンピューターは決して完璧ではありませんが、ランダム性は抑制されます。しかし、ニューロモルフィック・コンピューティングでは、ランダム性は問題になりません。実際、このランダムな動作は脳と並行しています。脳内のすべてのニューロンが同じように機能するわけではなく、一部のニューロンは死んでいるか、それほど効果的ではありません」とトゥマ氏は述べた。
研究の共著者でチューリッヒ研究所のIBMフェローであるエヴァンゲロス・エレフテリオウ氏は、確率性はニューラルネットワークの能力をフルに活用する上で実際に不可欠であると付け加えた。
機械知能
AI で使用される機械学習の一種である教師なし学習では、単一のニューロンはニューロンのネットワークほど効果的ではありません。
この人工ニューロンは、入力信号となる大量のデータストリーム内の相関関係を検出する能力を備えています。IBMは、相互に相関関係にある100個のバイナリイベントストリームを1,000個使用し、これを入力信号としました。
当初、ニューロンは信号間の相関関係を見つけようと、高い頻度で発火しました。しかし、時間の経過とともにシステムは進化し、フィードバックループによって無相関信号は抑制されやすくなり、相関信号が優勢になり始めます。
信号間の相関の強さによって電気パルスが増大し、相関する 100 個の信号が特定されると、最終的に大きなスパイクが発生します。
ニューラルネットワークは、多数のニューロンから生成される計算能力がより高いレベルに達するにつれて、データをより迅速に理解する能力が向上します。入力信号は他のニューロンから供給される信号である可能性があり、これによりデータ間の相関関係をより徹底的かつ迅速に探索できるようになります。ニューロンから送られる出力信号は、ニューロン層を通過するにつれて、より洗練されたものになります。
人工ニューロンの仕組みを示す図。写真提供：Nature NanotechnologyおよびTumaら
パターン認識は機械学習の主な目的だと、IBMの研究には関わっていないスターリング大学の認知計算研究グループの研究者、レスリー・スミス教授は語った。
「ニューロンが発火することで、リアルタイムでパターンを捉えることができるのです」とスミス氏はThe Register紙に語った。「例えば、自動運転車に画像を一枚一枚分析させるのは望ましくありません。周囲環境に適応するためには、常に画像を見てデータを分析する必要があるのです」とスミス氏は述べた。
ニューロモルフィック・コンピューティングは比較的新しい分野ですが、人気が高まっています。「1960年代にマービン・ミンスキーとシーモア・パパートによって発展し、1980年代に衰退しました。しかし、再び注目を集めています」とスミス氏は語ります。
ニューロモルフィック・コンピューティングの応用範囲はAIだけにとどまりません。IBMによると、IoT（モノのインターネット）のブームにも活用でき、コグニティブ・コンピューティングで動作するセンサーは、エッジで収集された大量の気象データを収集・分析し、より迅速な予報に活用できる可能性があるとのことです。
膨大なデータセットを迅速かつ低消費電力で処理する必要性はますます高まっています。「私たちはコンピューティングのコグニティブ時代を迎えています」とトゥマ氏はThe Register紙に語りました。「将来的には、ニューロモルフィックチップは、メインプロセッサを補助するコプロセッサとして、様々なアプリケーションで利用されるようになるかもしれません」と彼は主張しました。®
この研究は今月のネイチャー・ナノテクノロジー誌に掲載された。
