人工知能
メモリスタがAIをより人間らしくする方法
ニューロモルフィック、脳に似たAIハードウェアの台頭
As AIがテック業界の中心になるにつれ、拡大する問題が浮上しています: CPUやGPUで実行された場合のAIの膨大な計算量とエネルギー需要です。
研究者はニューロンを模倣したAIハードウェアであるニューロモルフィックチップ、別名ニューラルプロセッシングユニット（NPU）に注力しています。
“私たちのチップやコンピュータがやっていることに対して十分に強力でないわけではありません。効率が足りないのです。エネルギーを使いすぎています。”
教授 Joshua Yang – University Of Southern California
脳にインスパイアされたハードウェアへの転換は、人工知能へのアプローチを変える可能性があります。ニューロモルフィック設計は従来のチップに比べて3つの大きな利点を提供します:
- 適応型アーキテクチャ: トレーニングデータに基づいて自己再構成できる回路。
- 抜本的なエネルギー効率: 場合によってはGPUの電力の1/100th以下で動作します。
- 低熱出力: 現在のAIデータセンターを悩ませる高コストな冷却要件を削減します。
(こちらでこのトピックについて。）
“実際の神経活動を模倣するマイクロチップを開発できることは、スタンバイ時や機械が使用されていない時に多くの電力を必要としないことを意味します。
これは計算上および経済上の大きな潜在的利点となり得ます。」
研究者はニューロモルフィックチップを作成するための有望な手法をいくつかテストしています。あるアプローチは初期強誘電性の活用です—これはまだ十分に理解されていない現象で、適切な条件下で材料が自発的に電気分極を切り替えることを可能にします。別のアプローチはバナジウムまたはチタン製のアクティブ基板に焦点を当てており、これらの材料は電気特性を動的に変化させて脳に似た信号伝達を模倣できます。
おそらく最も広く議論されている道はメモリスタの使用です—抵抗変化によって情報を保存できる革命的な電子部品のクラスです。これらのデバイスは通常の電力消費の1/800thでAIタスクを実行でき、開発中の最もエネルギー効率の高いソリューションの一つです。
メモリスタがシナプスを模倣する方法
スワイプしてスクロール →
| 機能 | CPU | GPU | NPU / メモリスタチップ |
|---|---|---|---|
| アーキテクチャ | シーケンシャル、汎用 | 並列、マトリックス指向 | 脳にインスパイアされた、適応型 |
| エネルギー使用 | 高 | 中程度から高 | 極めて低（1/100–1/800 の電力） |
| 学習効率 | 遅い、外部メモリ | 高速トレーニング、外部メモリ | メモリ内、自己適応 |
| 最適使用ケース | 汎用コンピューティング | AIモデルのトレーニング | エッジAI、ロボティクス、低電力AI |
メモリスタはニューロン接続シナプスを模倣する電子部品です 電源が切れた後にどの電気状態に切り替えられたかを記憶することで。
これにより、プロセッサとメモリ間でデータをやり取りする際に失われるエネルギーと時間を大幅に削減できます。
メモリスタの主要な強みの一つは、ロボティクスや自律走行車への応用に不可欠な、効率的で自己適応的なインシチュ学習能力です。
さらに、メモリスタの低消費電力は、エネルギー効率が最重要視されるロボティクスや自律走行車に特に有益です。
最高のメモリスタを作成するための多くの道が探求されています。比較的従来型のチタン酸化物メモリスタから、実際のヒトニューロン（オルガノイド）や、さらにはキノコの使用までです。
有機材料、特に実際のニューロンを使用してニューロンの活動を模倣するという考えは理論的には理にかなっています。しかし、実際にはそのような「コンピュータ」を従来のITシステムと接続することは課題があります。
“私たちの既存のコンピューティングシステムは、膨大なデータを処理したり、数例だけで自律的に学習するようには設計されていませんでした。
エネルギーと学習効率の両方を向上させる一つの方法は、脳で観察された原理に従って動作する人工システムを構築することです。
この非効率性は人間の脳と比較すると驚異的です。幼い子どもは各数字の数例を見るだけで手書き数字を認識できるのに対し、コンピュータは同じタスクを達成するために通常は数千例が必要です。
さらに、人間の脳は約20Wの電力でこの成果を達成しますが、最新のAIデータセンターはGW規模、すなわち約1億倍以上の電力を消費しています。
新たな中間的選択肢として、基本原理でニューロンのように機能する人工チップを作成することが考えられます。これは、南カリフォルニア大学、カリフォルニア大学、マサチューセッツ大学、シラキュース大学、空軍研究所、NASAエイムズ研究センターの研究者が取っている道です。
彼らはその結果を Nature Electronics1 に掲載し、タイトルは「単一拡散メモリスタ、単一トランジスタ、単一抵抗器に基づくスパイキング人工ニューロン」です。
拡散メモリスタを用いたニューロンの発火再現
ニューロンはどのように機能するか？
ニューロンが相互作用し、最終的に情報を処理する方法は、電気信号と化学信号の両方を使用します。
信号が十分に強い場合、正に帯電したナトリウムイオンが細胞内に流入することで、アクションポテンシャルと呼ばれる電気インパルスが生成されます。
この電気信号が受信されると、神経伝達物質の放出が引き起こされます。
これまで、電子メモリスタと相補型金属酸化膜半導体（CMOS）回路は電気信号を用いてこの機能を仮想的にシミュレートしてきましたが、ニューロンをシミュレートするには数百個のトランジスタが必要でした。
代わりに、研究者は「拡散メモリスタ」と呼ばれるデバイスを開発し、実際の化学相互作用を利用して計算プロセスを開始します。
拡散メモリスタとは何か、そしてどのように機能するか？
従来のシリコンシステムが電子を利用して計算を行うのに対し、拡散メモリスタは原子の動きを利用します。酸化物材料に埋め込まれた銀イオンを使用して、自然な脳機能を模倣する電気パルスを生成します。
