ニューロモルフィック計算と非線形活性化のための再構成可能な光感受性スプリット浮遊ゲートメモリ

エッジでより賢いハードウェア

携帯電話、カメラ、そして小型のインターネット接続機器には、現在リアルタイムで「見る」「認識する」「反応する」ことが求められています。しかし今日の多くのシステムは、生のデータを分離されたセンサー、メモリ、プロセッサの間で往復させることでこれを実現しており、その通信がエネルギーを消費し処理を遅くしています。本論文は、光を感知し、情報を記憶し、さらに人工知能の重要な処理を単一のデバイス内で実行できる新しい種類の小型電子ブロックを紹介します。これにより、日常技術に使われるスマートハードウェアの高速化と効率化が期待されます。

脳が新しいチップに与える示唆

我々の眼と脳はデジタルカメラとは非常に異なる方法で視覚を扱います。ヒトの視覚系では、網膜は単に画像を取り込むだけでなく、重要な特徴を即座にフィルタリングし、圧縮し、強調してから視神経を通じて視覚野へとコンパクトな信号を送ります。対照的に、多くの機械はまず完全な画像を収集し、それを保存してから別の場所で処理するため、時間と電力を浪費します。研究者たちは生物学的戦略をハードウェアで模倣することを目指しました。すなわち、局所で感知と処理の両方を行い、現代のニューラルネットワークが複雑な判断に依存する非線形の「活性化」ステップも適用できるデバイスを作ることです。

1つのデバイスで3つの役割

チームはマルチモーダルなスプリット浮遊ゲートメモリデバイスと呼ぶものを開発しました。平たく言えば、これは非常に薄い材料を積み重ねた構造で、二つの独立して制御できる領域をもつ柔軟なトランジスタのように振る舞います。これらの領域に微小な電荷を注入し捕捉することで、デバイスは必要に応じて再プログラムできます。ある構成では、感度を精密に調整でき、正にも負にもできる自己駆動型の光センサーとして動作します。別の構成では、電気伝導を多値の安定なレベルに設定できるメモリ要素として機能し、ニューラルネットワークの接続の強さ、すなわち「重み」を格納するのに理想的です。

ニューロンの“スパーク”をチップ上で

ニューラルネットワークは単に数を加算・乗算するだけではありません。各層の後には結果を非線形の活性化関数（一般にReLUやシグモイドとして知られる関数）に通します。これらの処理は通常、別個で電力を多く消費する回路によって行われます。本研究では、同じデバイスが感知と記憶だけでなくこれらの活性化も実行できます。特定の状態にプログラムすると、ある入力レベルを超えたときだけ電流を流すようになり、ReLUを模倣します。再プログラムすれば電流–電圧曲線が滑らかでS字状になり、シグモイドに似た挙動を示します。重要なのは、これらのモード切り替えがチップの物理構造を変えることなく、電気的に迅速に行える点です。

視覚タスクのための小さなハードウェア脳

何が可能になるかを示すために、著者らはこれらのデバイスを多数配列して小規模なハードウェアベースの視覚システムを構築しました。いわゆるセンサーモードでは、デバイスの配列が光のパターンを直接重み付き信号に変換し、画像センサー内部でニューラルネットワークの最初の層を実行しました。メモリモードでは、同様の配列がより深い層で典型的な行列演算を担いました。活性化モードの別個のデバイスがReLUやシグモイド演算を適用しました。この構成により、システムは手書き数字の標準データベースMNISTを用いた分類をソフトウェアのみのモデルに近い精度で行え、またオートエンコーダを用いてノイズのある画像を復元することもできました。学習された重みは不揮発性の形でローカルに保存されます。

日常技術にとっての意味

専門外の方への主要な結論は、研究者たちが感知、記憶、そして人工知能の非線形な「判断ステップ」を単一の再構成可能なデバイスに統合したことです。微小なエネルギーパルスでプログラムでき、ナノ秒スケールで動作し、電源がなくても設定を保持できるため、このようなハードウェアは将来のカメラ、ウェアラブル機器、その他のエッジデバイスをはるかに効率的にする可能性があります。生データを遠くのプロセッサやクラウドへ送り出す代わりに、データが生まれる場所で意味を抽出できる——私たちの目と脳が行うように——小型で低電力、かつリアルタイムで世界を見て理解する機械への道を開きます。

引用: Zhang, ZC., Li, Y., Yao, J. et al. A reconfigurable photosensitive split-floating-gate memory for neuromorphic computing and nonlinear activation. Nat Commun 17, 1697 (2026). https://doi.org/10.1038/s41467-026-68402-7

キーワード: ニューロモルフィックハードウェア, インセンサーコンピューティング, インメモリ計算, 非線形活性化, エッジAI