量子超イオン伝導体に基づくマルチモーダルイオンゲートトランジスタ：深層学習向けのインメモリ演算

脳に着想を得たより賢いチップ

現代の人工知能は驚くべき性能を発揮しますが、メモリと演算部の間でデータを往復させ続けるために多くのエネルギーを消費します。本稿は、シナプス（神経細胞の接続）に近い振る舞いをする新しい種類の小型電子デバイスを報告します。計算と信号の整形を同一箇所で行えるため、将来のAIハードウェアはより高速でエネルギー効率が大幅に向上し、スマートフォンから自動車や医療用ウェアラブルのエッジセンサーまで幅広く恩恵をもたらす可能性があります。

なぜ現在のAIハードウェアは無駄が多いのか

多くのAIアルゴリズムは二つの核となる処理に依存しています：信号を組み合わせるための乗算・加算（multiply-and-accumulate）と、その結果に対してどのパターンが重要かを判断するための非線形な「活性化」ステップです。従来のチップではこれらの処理が別々のブロックで行われ、データのデジタル・アナログ変換やチップ内の反復移動が必要となり、時間と電力を消費します。接続の強さを保持しつつ活性化に相当する非線形性も同時に与えられる単一の物理デバイスが望まれますが、従来の電子部品は通常どちらか一方にしか適しておらず、両方を無理に担わせると不安定になったり精度が落ちたりします。

新しいトランジスタの構成要素

著者らは、この課題を驚くべき方法で解決する極薄の積層結晶から作られたトランジスタを紹介します。デバイスはCdPS3-Liという二次元のイオン伝導層と、電流を担うもう一つの二次元半導体MoS2を積み重ねた構造になっています。CdPS3-Li層には一方向には移動しやすいリチウムイオンが存在し、電荷を捕える空孔（バカンシー）も備えます。電気パルスを与えるとリチウムイオンはMoS2との境界に移動して留まり、伝導性を大きく変化させます。一方、光照射ではMoS2で生成されたキャリアがこれらの空孔に引き込まれ、時間依存の豊かな応答を生み出します。

光と電気を脳のような信号へ変換する

この設計により、同一のトランジスタが二つの異なるが補完的な振る舞いを自然に示します。電気パルス下では、連続的で予測可能に変化する多数の安定した抵抗レベルを提供し、ニューラルネットワークの可変重みのように機能します。これらのレベルは不揮発性で、パルス終了後も保持され、複数の明確な状態を摩耗なく刻むことが可能です。しかし光パルス下では、電流は立ち上がった後に曲線的に減衰し、深層学習で一般的に用いられる活性化関数でよく近似される挙動を示します。光の強さ、持続時間、パルス数を調整することで、応答の減衰速度を制御でき、ハードウェア上で異なる活性化プロファイルを「プログラム」することができます。

単一デバイスから動作するAIアレイへ

これは単なる実験室の好奇心以上であることを示すために、研究チームはこれらのトランジスタを配列化し、実際のニューラルネットワークの一部を動作させました。一つのアレイは乗算・加算ステップを実行します：各デバイスの保存抵抗が重みを表し、グリッドに電圧を印加すると回路物理に従って電流が自然に合算されます。別の小さなアレイは時間を合わせた光パルスにさらされ、その減衰する電流が活性化ステップを実現します。これら二つのモジュールを従来の制御電子回路と協調させることで、手書き数字を認識するネットワークを訓練し、97パーセントを超える精度を達成しました。これは純粋にデジタルなシステムと同等の性能でありながら、メモリと処理を本質的に兼ね備えたコンポーネントで実現されています。

日常の技術にとっての意義

非専門家にとっての要点は、これらのイオンベースで光に敏感なトランジスタが従来のシリコンスイッチよりも生物学的シナプスに近い働きをするということです。接続の強さを記憶し、電気と光という異なる刺激に対して異なる応答を示し、しかも非常に低エネルギーで動作します。すぐにでもあなたのスマートフォン内のチップを置き換える準備ができているわけではありませんが、AIハードウェアがより高密度で効率的、そしてより脳に近い方向へ進む未来を示唆します。こうした進展は、強力な学習システムを小型でバッテリー駆動のデバイスに搭載し、データが生成される場所の近くでより賢いセンシングと意思決定を可能にする可能性があります。

引用: Tong, B., Du, T., Du, J. et al. Multimodal ion-gated transistor based on 2D superionic conductor for in-memory computing in deep learning. Nat Commun 17, 4127 (2026). https://doi.org/10.1038/s41467-026-70587-w

キーワード: ニューラモルフィックコンピューティング, インメモリコンピューティング, イオンゲートトランジスタ, 2次元材料, 深層学習ハードウェア