フェムトジュール閾値で再構成可能な全光学的非線形アクチベータ：ピコ秒パルス光学ニューラルネットワーク向け

なぜ微小な光の一撃が将来のAIを動かす可能性があるのか

現在の人工知能は、電力を大量に消費する電子チップの大規模な群れで動作しています。より賢いスマートフォン、車、データセンターを求めるにつれ、電力消費と発熱が大きな制約になってきました。本論文は、その重い計算負荷の一部を電子ではなく光で担う方法を報告します。小さな光学デバイスがニューラルネットワークの「活性化」スイッチのように働きます。これらのスイッチは極めて小さな光エネルギーで動作し、非常に高速で、超高速かつエネルギー効率の高いAIハードウェアの可能性を示しています。

遅く熱い電子機器から、速く冷たいフォトニクスへ

従来のコンピュータチップは金属配線とトランジスタを通じて電荷を移動させます。この方式は長年有効でしたが、速度とエネルギー効率の両面で限界に近づいています。光ニューラルネットワークは、移動する電荷の代わりに導波路を伝わる光子を用います——要するにチップ上の微小な光路です。光は情報を高速に、多色で同時に、かつほとんど発熱せずに運べます。しかし実用的な全光学ニューラルネットワークを構築するには重要な要素が必要です：入力光信号を受け取り、ニューロンのように閾値を越えたときにだけ発火するような非線形な変換を行う小型デバイスです。これまで、そうした全光学的“活性化”素子は大きすぎる、遅すぎる、あるいは消費電力が多すぎる傾向がありました。

信号を曲げることを学ぶ微視的な光のトラップ

著者らはまずシリコンフォトニック結晶共振器を設計します——特定の波長の光を閉じ込めて遅くする穴あきシリコン薄板です。穴を並べる配置を慎重に設計することで、短い光パルスが共振して強度を高める極小領域を作り出します。これにより、光が強くなると屈折率がわずかに変化するシリコンのカー効果が増強されます。そのわずかな変化が共振器の好む波長をずらし、それに応じて通過する光パルスの透過量が変わります。入力波長を共振ピークに対してどこに置くかを選ぶことで、研究者らは線形、ReLUに似た（整流線形）、シグモイドに似た応答など、機械学習で使われる複数の活性化曲線のように振る舞わせることができます。純粋なシリコン版でも、このアクチベータは約15マイクロメートル×10マイクロメートルとごく小さく（塵粒子より小さい）応答時間は2兆分の1秒未満です。

超低エネルギーでのスイッチングのためにグラフェンを追加

閾値をさらに低くするために、チームはシリコン共振器の上に単原子層のグラフェンを統合します。グラフェンは光を吸収しますが、高強度では吸収が飽和します：多くの電子が励起されると、追加の光子がより容易に通過します。この「飽和吸収」と共振器の遅延光増強を組み合わせることで、デバイスは飽和エネルギーわずか4フェムトジュールを達成します——これは数万個の通信光子が運ぶエネルギーに相当し、応答時間は約1ピコ秒です。近傍の波長では、同じ構造がシリコンのカー効果を引き続き利用して必要に応じて活性化曲線を再形成でき、シグモイド様、ReLU様、ほぼ線形といった振る舞いを30フェムトジュール程度の閾値まで切り替えられます。速度と必要エネルギーの観点で、この性能指標は従来のチップ上光学アクチベータを数桁上回ります。

チップ上にパルス駆動の光学的脳を構築する

これらのアクチベータを構成要素として用い、著者らは連続光ではなく超高速の光パルスで駆動される全光学ニューラルネットワークのアーキテクチャを概説します。高繰り返し率のパルスレーザーがピコ秒スパイクの列を生成し、高速変調器でデータがエンコードされ、多波長に分配されます。チップ上では、特殊な波長分割コンポーネントが非揮発性の相変化材料を用いてこれらの色を経路制御・重み付けし、設定を消費電力なしで保持します。線形重み付けの後、信号はグラフェン・シリコンアクチベータを通過し、望ましい非線形応答を刻印してから次の層へと送られます。シミュレーションでは、活性化エネルギーが約30フェムトジュール未満であれば、このようなシステムは面積あたり毎秒約10^3兆（10^15）回の演算密度と、ワット当たり面積あたり約10^6兆（10^18）回のエネルギー効率に到達する可能性が示され、従来の電子アクセラレータをはるかに凌駕します。

日常のAIにとって何を意味するか

これらの特殊な光学的活性化が電子的な対応物と同様に振る舞うかを検証するため、チームは測定された活性化曲線をソフトウェアモデルに組み込み、単純な2次元パターンから手書き数字（MNIST）、カラー画像（CIFAR‑10）といった標準的な分類タスクで学習させました。グラフェン・シリコンアクチベータは、特に難しい画像タスクでReLU様の振る舞いが特に有効であり、単純な線形応答に匹敵するかそれを上回る結果を示しました。簡単に言えば、丁寧に構造化されたシリコンとグラフェンからなる親指大のチップが、将来、電気ではなく小さな光のパルスを使ってAI計算の重要なステップを担える可能性を示しています。成熟したフォトニクス技術と統合・スケールアップされれば、このような全光学的非線形アクチベータは次世代の人工知能のために、より速く、冷たく、効率的なハードウェアをもたらす助けとなるでしょう。

引用: Liu, R., Wang, Z., Zhong, C. et al. Femto-joule threshold reconfigurable all-optical nonlinear activators for picosecond pulsed optical neural networks. Light Sci Appl 15, 128 (2026). https://doi.org/10.1038/s41377-025-02175-4

キーワード: 光ニューラルネットワーク, グラフェンフォトニクス, フォトニック結晶共振器, 非線形活性化, エネルギー効率の高いAIハードウェア