集積型再構成可能フォトニックテンソルプロセッサ上での深層ニューラルネットワーク推論

なぜより速い思考機械が重要なのか

顔認証でスマートフォンのロックを解除したり、音声アシスタントに話しかけたり、AIが映像中の物体を検出したりするたびに、背後では膨大な数値計算が行われています。人工知能モデルが大規模化し高機能化するにつれて、必要なエネルギー、ハードウェア、処理時間は増大します。本稿では、重い計算を電気だけでなく光で実行する新しい「光の脳」を紹介し、将来のAIをより高速かつ省エネルギーにすることを目指す取り組みを解説します。

計算の新しい手段としての光

現代のAIは深層ニューラルネットワークに支えられており、本質的にはテンソルと呼ばれる大きな数値表に対する類似した数学操作の反復です。現在これらの操作はGPUなどの電子チップ上で実行されており、速度や電力消費の限界に近づいています。著者らはフォトニクス、つまりチップ上の微小構造で光を利用する技術に目を向け、同じ演算を実行します。光は高速で多くのチャネルを同時に扱えるため、フォトニックプロセッサは理論的には並列に多くの計算を低遅延で実行でき、従来の電子機器が抱える一部のエネルギー損失を回避できます。

光駆動の数値演算エンジンの構築

研究チームは標準的な19インチラックに収まるフォトニックテンソルプロセッサを設計し、他のサーバ機器と似た形状にしました。中核には産業的な製造プロセスで作られたシリコンフォトニックチップがあり、こうしたデバイスが将来的にスケール生産される可能性を高めます。このチップ上で、データを表す入力電気信号は特殊な変調器によって光のパターンに変換されます。これらの光信号は、各交差点が通過する光を強めたり弱めたりできる可変接続の行列のように振る舞う微小な導波路の格子を通過します。各列の末端にある内蔵光センサーは、合成された光の明るさを電気信号に戻し、行列-ベクトル乗算という多くのニューラルネットワーク層で中心となる演算の結果に対応させます。

光の安定化と計算精度の確保

チップに給電するために、研究者らはマイクロコームと呼ばれる単一の高度な光源を使用します。これは多数の等間隔の波長（色）を同時に生成し、それぞれの色が入力データの一部を運ぶ個別チャネルとして機能するため、複数の計算を並列で進められます。ただし、アナログの光信号を扱うことはノイズや欠陥を伴います。著者らは慎重な較正でこれに対処します：各変調器と検出器の応答を測定し、所望の数学的重みが特定の光学設定に対応するように制御電圧や光強度を調整します。チャネル間のクロストークや光学パッケージングによる歪みも補償します。必要に応じて測定を繰り返して平均化することで、わずかな追加時間と引き換えに精度を高めることができます。

光で実際のAIタスクを動かす

システムが単なる実験室の好奇心ではないことを示すために、チームはフォトニックプロセッサを広く使われるAIソフトウェアフレームワークであるPyTorchに直接接続しました。彼らはまず2つの画像認識ニューラルネットワークをデジタルで訓練し、ハードウェアが導入するノイズの種類をモデル化しながら微調整しました。訓練が済むと、同じネットワークはチップ向けに再設計することなくフォトニックプロセッサ上で実行できます。手書き数字データセットMNISTでは、光学システムは高精度モードで約98.1％、低遅延モードで91％の精度を達成し、デジタル基準に近い結果を示しました。より厳しいCIFAR‑10のカラー画像データセットでは、精度モードで72％に到達し、デジタル版より低いものの、実用的な性能を困難な課題で示しました。

AIハードウェアの未来に対する含意

現時点のプロトタイプは最先端の電子アクセラレータよりもエネルギー効率が劣りますが、消費電力の大半は光コアではなく周辺の支援電子機器に費やされています。結果は、ラックマウント可能でプログラム可能なフォトニックプロセッサが、実際のニューラルネットワークにおけるほとんどの重い線形代数演算を安定して実行でき、速度と精度の間で調整可能なバランスを持つことを示しています。光学コアの大型化、波長数の増加、より優れた変換器の登場に伴い、こうした光ベースのテンソルプロセッサは超高速で低遅延のAIエンジンを提供し、従来のチップを補完したり一部の負荷をオフロードしたりして、将来のシステムが増大するAIワークロードをより効率的に処理する助けとなる可能性があります。

引用: Meyer, L., Dijkstra, J., Tebeck, S. et al. Deep neural network inference on an integrated, reconfigurable photonic tensor processor. Nat Commun 17, 3396 (2026). https://doi.org/10.1038/s41467-026-71599-2

キーワード: フォトニックコンピューティング, 光学AIアクセラレータ, 深層ニューラルネットワーク, シリコンフォトニクス, テンソル処理