逆設計されたナノフォトニックニューラルネットワークアクセラレータによる超小型光学コンピューティング

なぜ光でできた計算機を小さくすることが重要なのか

現代の人工知能は莫大な電子ハードウェア上で動作しており、大量のエネルギーを消費し熱を発生させます。本研究はまったく異なる道を探ります：電子の流れの代わりに、チップ上のごく小さな光のパターンを用いてニューラルネットワークの計算の一部を実行する方法です。著者らは、ナノスケールで光を「彫刻」することで、手書き数字や医療画像を認識する超小型の光学アクセラレータを構築できることを示し、今日の電子回路に比べて空間的に大幅に小さく、理論上はエネルギー消費もはるかに少なくできる可能性を示しています。

光で考える微小チップ

配線やトランジスタの代わりに、これらのアクセラレータは赤外光の波長より小さい穴やチャネルがパターン化された平坦なシリコン片を用います。画像からのデータはまず少数の数値に圧縮され、それが単一の通信波長で複数の狭い導波路に入る光の明るさとして符号化されます。この光がパターン領域に流れ込むと散乱し、自己干渉し、いくつかの出力導波路へと再配向されます。各出力はMNISTデータセットの10桁のいずれかや、MedNISTと呼ばれる医療画像セットの6カテゴリのいずれかといった可能なクラスに対応します。出力での光強度の分布は、デジタルニューラルネットワークの最終層と同じ役割を果たします。

アルゴリズムに光学設計図を描かせる

こうした構造を手作業で設計することはほぼ不可能です。なぜなら材料のごく小さな「ボクセル」ひとつひとつが光の振る舞いに影響を与えるからです。研究者たちは代わりに逆設計アプローチを用います：ランダムなシリコンとガラスのパターンから始め、三次元で光がどのように伝播するかをシミュレーションし、分類誤差を測る損失関数を減らすようにパターンを調整します。これは光を支配するマクスウェル方程式の線形性を利用して効率化されています。すべての訓練画像を個別にシミュレートする代わりに、各入力チャンネルを一度だけシミュレートし、これらの事前計算された場の線形結合としてすべての画像の場を再構成します。随伴法と呼ばれる数学的手法は、各ボクセルをどのように微調整すれば性能が向上するかを示す正確な勾配を提供します。

砂粒ほどの大きさのコンパクトな画像分類器

この手法を用いて、チームは標準的なシリコンオンインシュレータ基板上に二つのナノフォトニックニューラルネットワークアクセラレータを設計しました。1つは20×20マイクロメートルの面積でMNISTの手書き数字を分類し、もう1つは30×20マイクロメートルでMedNISTの医療画像を分類します。シミュレーションでは、これらの極小デバイスはそれぞれ97.8%と99.1%の精度を達成しました。同じ設計を実際に製造しレーザーと検出器で試験したところ、MNISTで89%、MedNISTで90%の精度に到達しました—チップの極小サイズを考えれば注目に値する数値です。これらの光学構造はおよそ16万〜24万の学習可能なパラメータを塵より小さい面積に詰め込み、面積あたり約4億パラメータに相当します。

速度・効率・スケールのために作られている

デバイスは受動的であり（推論中に可動部や再プログラム可能な要素がないため）、一度製造されれば継続的な調整を必要としません。ニューラルネットワークの「重み」はナノ構造の幾何にハードワイヤードされているため、計算は光速で実行され、事実上インメモリ処理が行われます：符号化されたデータを含む光が入射し、既に混合されたクラススコアとして出射します。訓練手法もスケーラブルに設計されています。最適化の各ステップはデータセットの大きさではなく入力と出力の数で決まる固定数の全物理シミュレーションのみを必要とし、これらのシミュレーションは複数のGPUに分散できます。著者らはさらに、複数の光学コアをフォトディテクタを挟んで積み重ねることでディープニューラルネットワークの層のように構成したり、波長や時間での多重化によりスループットを増やせることも示唆しています。

将来のAIハードウェアにとっての意味

簡単に言えば、本研究はガラスやシリコンを「育てて」専用のニューラルネットワーク層のように振る舞わせることが可能であり、その面積は単一チップ上に何百〜何千も収められるほど小さいことを示しています。完全な光学コンピュータが登場するのはまだ先かもしれませんが、これらの逆設計されたナノフォトニックアクセラレータは、AIワークロードの中で最もエネルギーを消費する部分を電子プロセッサからオフロードできる可能性があります。高速変調器、検出器、巧妙なシステム設計と組み合わせれば、電気だけでなく光が機械学習の大部分の重い処理を担う、コンパクトで低消費電力のハードウェアへの道を示しています。

引用: Sved, J., Song, S., Li, L. et al. Inverse-designed nanophotonic neural network accelerators for ultra-compact optical computing. Nat Commun 17, 1059 (2026). https://doi.org/10.1038/s41467-026-68648-1

キーワード: フォトニックニューラルネットワーク, ナノフォトニクス, 光学コンピューティング, ハードウェアアクセラレータ, 逆設計