多端子メモリスティブ系におけるメモリスタンスとトランスメモリスタンス

小さな記憶回路が重要な理由

人工知能や脳に倣った計算などの現代技術は、単にデータを保存するだけでなく学習・適応できるハードウェアを必要としています。過去の信号を“記憶”して電気抵抗が変化するメモリスティブ素子は、有力な候補として注目されています。本論文は、こうした多数の素子が結線され、複数の電気端子からアクセスされる集合体を、統一的な枠組みで記述・制御する方法を探ります。その枠組みは新しい計算ハードウェアの設計に役立つだけでなく、ナノスケールのワイヤが自己組織化して作る複雑なネットワークを通じた情報の流れを調べるための手段も提供します。

単純なメモリから複雑なネットワークへ

初期のメモリスティブ素子は、抵抗器と同様に2つの端子しか持たず、経験した電気信号に応じて抵抗が変わるというものでした。これらの基本要素はすでに高速で低消費電力のメモリや機械学習アルゴリズムの加速に用いられています。通常はクロスバー格子のような整然とした配列に配置され、それぞれの交差点が特定の抵抗値で数値を表します。しかし研究者たちは、多数の相互作用するメモリスティブ要素から成る、ナノワイヤやナノ粒子の絡み合ったネットワークといったはるかに不規則な系の探究にも着手しています。こうした系では、個々の素子よりむしろネットワーク全体が時間を通じた刺激パターンにどのように集団的に反応するかが振る舞いを決定します。

多くの端子、多様な視点

著者らは通常の2端子記述を拡張し、多端子メモリスティブ系と呼ぶ概念を提示します。入力と出力が一対だけという代わりに、多数の利用可能な端子を持ち、それぞれが電圧で駆動されるかフローティングにされます。メモリスティブ行列と呼ばれる数学的対象が、フローティングでないすべての端子における電圧と電流を結び付け、ネットワークの内部状態が変化するにつれて進化します。任意の二つの端子間で変化する電気的な“距離”を測ることで、刺激に応じてそこに対応する有効抵抗が増減する様子を明らかにできます。この考え方は重要で、ある端子の対で観測されることがネットワーク内部の隠れた再編成を反映していることを意味します。

側面から隠れた変化を観察する

この研究の重要な前進は、メモリスタンス（刺激を受けた端子で観測される抵抗の変化）からトランスメモリスタンスへの拡張です。トランスメモリスタンスは、ある端子対での刺激が別の端子対での信号にどのように影響するかを捉えます。実際には、ある場所に電圧を加え、別の場所で生じる電圧や電流の変化を観測することで、ネットワーク内部の再構成を複数の視点から“傍受”できることを意味します。この概念はまずグラフモデルを用いた理論で展開され、ノードは領域や接合部を、エッジは時間とともに強さが変化するメモリスティブ接続を表します。ネットワークが駆動されると、特定の経路がより導電的になりその後緩和し、これらの変化は異なる端子対間の結合強度に反映されます。

学習する実際のナノワイヤ網

これらの概念が実用に適用できることを示すために、著者らは金属ナノワイヤの自己組織化ネットワークを、電極配列で接触させた系を調べます。各電極は多数のワイヤに接触し、多数のワイヤ–ワイヤ接合が微小なメモリスティブ要素として振る舞います。ある電極対に電圧パルスを印加すると、当該電極での電流応答と測定抵抗は特徴的な“学習と忘却”のパターンを示します：パルス中に抵抗が低下し、その後ゆっくりと緩和します。同時に、刺激を受けていない他の電極対で測定される電圧も相関的に変化し、トランスメモリスティブ挙動を明らかにします。これらの測定をメモリスティブ行列や関連するグラフ解析を通じて解釈することで、個々の接合が直接観測できなくても、ネットワーク内部の結びつきが時間とともにどのように変化しているかを推定できます。

新しい適応型ハードウェアへ向けて

簡潔に言えば、本研究は複雑な多端子メモリスティブネットワークを、駆動され読み出し可能な統一された調整可能な対象として扱う方法を示しています。メモリスタンスは我々が刺激を与えた場所でネットワークがどう応答するかを教えてくれ、トランスメモリスタンスはその応答がシステムの他の部分へどのように波及するかを示します。これらはナノスケール素子の隠れたダイナミクスを反映する実用的な観測量を提供します。この統一的枠組みは回路理論、ネットワーク科学、材料物理学を結びつけ、従来のデジタル論理ではなくメモリスティブネットワークの自然な適応ダイナミクスを用いて計算を実行するハードウェアや新しい特性評価法への道を開きます。

引用: Milano, G., Pilati, D., Michieletti, F. et al. Memristance and transmemristance in multiterminal memristive systems. Sci Rep 16, 5271 (2026). https://doi.org/10.1038/s41598-026-35671-7

キーワード: メモリスティブネットワーク, ニューロモルフィックハードウェア, ナノワイヤネットワーク, リザバーコンピューティング, 適応型エレクトロニクス