ニッケル単原子を導入した還元酸化グラフェン酸化物カソードを備えたペロブスカイトメムリスタに基づくフィードバックニューロン

より賢い機械のための脳に学んだチップ

現代のコンピュータは高速ですが、花を認識するような脳が容易にこなす課題や多数の都市間で効率的な経路を計画するような作業では驚くほど非効率です。本稿は、実際の脳のニューロンに近い振る舞いを示す新しい種類の電子部品を報告します。これは単一の小さなデバイスで「発火（促進）」と「抑制（停止）」の信号を両方扱います。単一原子レベルで材料を精密に設計することで、研究者らはパターンを学習し、今日のプロセッサよりはるかに少ないハードウェアで複雑な最適化問題を解ける人工ニューロンを作り出しました。

ハードウェアに新しい種類のニューロンが必要な理由

生体ニューロンは常に二種類の信号を扱っています。発火を促す興奮性信号と発火を抑える抑制性信号です。これらのバランスは、安定した思考、知覚、意思決定に不可欠です。フィードバックニューロンと呼ばれる特殊なクラスは、入力の「順伝播」信号と「逆方向」の抑制信号を混ぜ合わせ、ニューロン間の競合や、最も強い応答だけが残る勝者総取り（winner-take-all）の決定などを可能にします。電子回路でこの二重かつ精密にバランスした振る舞いを再現するのは困難でした。履歴を記憶する既存の多くのメムリスタは電流を主に一方向にしか伝導せず、緩和が速すぎるため、ミリ秒単位で信号を統合する必要のあるニューロンの代替としては不十分です。

より賢い電子デバイスの構築

研究チームは、伝導率を段階的に変化させられるペロブスカイトベースのメムリスタと、孤立したニッケル原子でデコレートした還元酸化グラフェン（rGO）からなる異例のカソードを組み合わせて、これらの制約に取り組みます。このニッケル単原子層は単なる受動的な接触材ではありません。第一に、界面のエネルギー地形を調整して電子が両方向により対称的に流れるようにし、興奮性と抑制性のバランスを支えます。第二に、ヨウ化物イオンが電極へ移動する際のエネルギー障壁を高めます。イオンは自由に走るのではなく部分的に閉じ込められ、より遅く可逆的に動きます。この制御された運動により、外付けの大型コンデンサを必要とせずに、デバイスの過去信号の「記憶」は生物学的に関連するミリ秒範囲へと伸びます。

原子設計が振る舞いを形作る仕組み

高度な顕微鏡と分光法を用い、研究者らはニッケル原子がグラフェン系層内の酸素部位に個別に固定され、粒子として凝集していないことを確認しました。計算シミュレーションは、この原子配列が炭素シートの電子エネルギーレベルを変化させ、それをより金属的にし下層のペロブスカイトとより良くマッチさせることを示しています。同時に、ニッケル存在下ではヨウ化物イオンの拡散障壁が高くなることも計算で示されます。実験的には、この設計されたカソードを持つデバイスは約1,000段階の異なる導電率を滑らかに刻め、正負の電圧掃引に対してほぼ鏡像対称の応答を示します。刺激後の電流は約780ミリ秒で減衰し、これは実際の神経細胞に近い時間スケールであり、デバイスが漏れ付き積分発火（leaky integrate-and-fire）のダイナミクスを忠実に模倣できることを意味します。

単一デバイスから学習ネットワークへ

これらのメムリスタを調整した電圧パルスで駆動することで、単一デバイスがフィードバックニューロンとして機能することを示しました。入力パルスを総和し、電流が閾値を超えると発火し、その後ゆっくりと静止状態に漏れ戻ります。負のパルスは導電率を抑え、抑制の電子的な形態を提供します。これらのニューロンはクロスバー配列で密に配置され、フィールドプログラマブルゲートアレイ（FPGA）に基づく簡易な制御電子回路と接続されます。1つの実演では、系は花データに対して教師なしの競合学習を行い、測定された特徴に基づき3種類の花をクラスタリングし、各ニューロンが特定の種類に特化しました。別のテストでは、自己組織化マップに基づく協調学習スキームを用いて同種のニューロンが巡回セールスマン問題（物流の古典的課題）を解き、標準的な焼きなまし（シミュレーテッドアニーリング）アルゴリズムより最大で6倍速く効率的な経路へ収束しました。

将来の計算にとっての意味

日常的に言えば、この研究は単純なオン／オフスイッチではなく、小さく調整可能な脳細胞のように振る舞う電子部品をますます作れることを示しています。還元グラフェン系層の適切な位置に単一のニッケル原子を配置することで、電子とイオンの両方を精密に制御でき、興奮、抑制、そしてゆっくりと忘却するという脳に似た振る舞いを実現します。これらの人工フィードバックニューロンは高密度に詰め込め、補助回路をほとんど必要とせず、すでに現実的な学習タスクや最適化問題を扱えます。こうしたデバイスが改良を続ければ、パターン認識からスマートな計画までの応用において、今日の電力消費の大きいデジタルプロセッサの一部を補完するか置き換えるコンパクトでエネルギー効率の高いハードウェアの基盤となる可能性があります。

引用: Li, QX., Li, HX., Sun, T. et al. Feedback neurons based on perovskite memristor with nickel single-atom engineered reduced graphene oxide cathode. Nat Commun 17, 3085 (2026). https://doi.org/10.1038/s41467-026-69805-2

キーワード: ニューロモルフィックコンピューティング, メムリスタ, ペロブスカイトデバイス, グラフェンエレクトロニクス, ハードウェア学習