電気光学的アナログメモリを備えたニューロモルフィック光フォトニクス計算

より速く、より省エネなAIの重要性

現在の人工知能は、メモリとプロセッサ間でデータを頻繁に往復させる電力消費の大きいチップ上で動作しています。この通信渋滞はエネルギーを浪費し、特にAIモデルが大規模かつ複雑になるほど処理を遅くします。本論文の研究は、光を用いた新しい計算回路と組み込みのアナログメモリを導入し、こうしたデータ移動を大幅に削減して将来のAIハードウェアをより高速かつはるかに省エネルギーにすることを目指しています。

計算の新しい手段としての光

金属導線中の電子だけに頼る代わりに、ニューロモルフィック光プロセッサは光のパルスを使って情報を運び、結合し、ニューロンのネットワークで信号が流れる様子を模倣します。光は同一経路上で多色（多波長）を同時に伝送できるため、膨大な並列処理と極めて低い遅延を可能にします。これにより、ニューラルネットワークで支配的な乗算加算（multiply-and-add）演算に光子チップが魅力的になります。しかし、既存の多くの光プロセッサは固定された「重み」を用い、それらはデジタルハードウェア上で事前に学習されてから書き込まれる必要があるため、適応性に制限があり従来のメモリや変換回路に大きな負担が残ります。

光のそばにメモリを置く

著者らは、ニューラルネットワークの重みを表す小さな光学素子それぞれの隣に、単純でファウンドリ対応のアナログメモリを直接追加することでこの問題に取り組みます。鍵となる構成要素は動的電気光学アナログメモリ（DEOAM）で、微小なシリコンリングに接続された通常のコンデンサです。コンデンサに蓄えられた小さな電圧がリングと通過する光との相互作用をわずかに変え、実質的にニューラル接続の強さを設定します。コンデンサはこの電圧を短時間保持できるため、専用のデジタル→アナログ変換器が各リングを常時駆動する必要はなくなります。代わりに、はるかに少数の変換器が多くのリングを順次更新でき、アナログメモリがプログラムされた値を保持します。

プロトタイプチップの動作

研究チームは商用の90ナノメートルのシリコンプロセス上でニューロモルフィック光回路を製造し、標準的な電子回路とナノフォトニクスを単一チップ上に統合しました。リング共振器のアレイを作り、各々にキャパシティブメモリセルと書き込み・保持・リセット用の単純なスイッチを組み合わせています。電圧が書き込まれるとリングのレーザー光に対する応答が変わり、書き込み回路が切り離されるとコンデンサが電圧を保持し、その電荷が徐々に漏れるまで光はプログラムされた重みを「見る」状態が続きます。研究者たちは重要な特性を測定しました：メモリは数十ナノ秒で書き込め、実用的な情報を約千分の一秒保持し、概ね五ビット相当のアナログ精度を提供します。光は光学経路をピコ秒で通過するため、計算そのものはメモリ値が有効な時間に比べて極めて高速です。

実用的なニューラルネットワークでの試験

これらのハードウェア制約が実際のAIにとって何を意味するかを評価するために、著者らはこのような重みバンクが手書き数字のMNISTデータセットで訓練された小さな画像認識ネットワーク内でどのように振る舞うかをシミュレートしました。784入力、50隠れニューロン、10出力の三層ネットワークをリングとアナログメモリの現実的な配列にマッピングし、ノイズ、有限な精度、保持時間、その他の不完全性を含めています。研究は、推論時に少なくとも約4ビット分の制御があり、完全なオンチップ学習時にはより多くがあれば、システムは95パーセントを超える分類精度に到達できることを示しています。また、メモリの保持時間が入力がネットワークを通過する時間の少なくとも100倍であれば、重みがゆっくり「漏れて」も精度は90パーセント以上を維持することがわかりました。つまり、保持時間が控えめで漏れやすいアナログメモリでも、光学計算が非常に高速である限り有用であり得るのです。

エネルギー削減と設計上のトレードオフ

DEOAMの中心的な利点は、デジタル→アナログ変換器（DAC）の数を劇的に削減できる点です。従来設計では、各光学重みにそれぞれ変換器が必要で、ネットワークサイズの二乗に比例して変換器数が増えます。DEOAMでは変換器を行または列で共有できるため、変換器数は線形にしか増えません。プロトタイプの実測値と既存のメモリや変換回路の公開データを用いて、著者らはこの統合アナログメモリ光アーキテクチャが従来のSRAM＋DAC方式に比べて消費電力を26倍以上削減できると推定しています。さらに、ノイズ、学習時のバッチサイズ、アナログメモリの定期的なリフレッシュの必要性が全体性能に与える影響を解析し、将来の大規模システムに向けた実用的な設計ルールを示しています。

将来のAIチップにとっての意味

専門外の読者にとって主なメッセージは、この研究が光に計算をさせつつ単純なアナログメモリで設定を保持することで、極めて高速かつ飛躍的に省エネルギーなAIハードウェアへの現実的な道筋を示しているということです。これらのメモリは徐々に消えていきますが、その「忘却」は正則化の一形態として過学習を防ぐのに役立つ場合もあります。メモリをチップの光学構造に直接織り込み、高価な変換ステップを大幅に削減することで、本方式のニューロモルフィック光プロセッサはオンザフライで学習し、条件変化に適応し、高速で動作しながら今日のデータセンターが抱える巨大なエネルギー負担を回避するような将来のAIシステムを支える可能性があります。

引用: Lam, S., Khaled, A., Bilodeau, S. et al. Neuromorphic photonic computing with an electro-optic analog memory. Nat Commun 17, 2472 (2026). https://doi.org/10.1038/s41467-026-69084-x

キーワード: ニューロモルフィック・フォトニクス, アナログメモリ, 光学計算, 省エネルギーAI, シリコンフォトニクス