チャージトラップ型IGZOシナプス型トランジスタの重み更新特性に対するプログラミングパルス特性の影響

脳に触発されたより賢いAIハードウェア

今日の人工知能は主に電力を大量に消費するデジタルチップ上で動作しています。本研究は別の道を探り、より脳のシナプスに近い振る舞いをし、学習をハードウェア上に直接記憶できる特殊な電子デバイスを用います。研究者たちは電圧パルスの時間特性を慎重に設計することで、これらの微小デバイスがごく少ないエネルギーでより良く記憶するようになることを示しており、携帯機器やセンサー、エッジ機器でのより効率的なAIへの前進を意味します。

シナプスのように学習する小さなスイッチ

本研究はアモルファス酸化インジウム亜鉛ガリウム（IGZO）で作られた薄膜トランジスタに焦点を当てています。IGZOは一部のディスプレイ技術でも使われる透明な半導体です。これらのデバイスではチャネル下の低温シリコン酸化膜に多くの欠陥があり、電子を一時的にトラップして放出します。各トランジスタは、これらのトラップにどれだけの電子が存在するかによって強さが決まるシナプスのように振る舞い、生体シナプスが信号のやり取りで強化・弱化するのと似た動作をします。ゲートに一連の電気パルスを送ることで、流れる電流を徐々に下げたり上げたりでき、学習中のシナプス重みの変化を模倣します。

パルスのタイミングが電子記憶を形作る仕組み

重要な問いは、各プログラミングパルスの幅がこの電子的記憶にどのように影響するかです。著者らはパルス高さ、総訓練時間、デューティサイクルなどの条件を厳密に管理した上で、1.5秒、3秒、6秒の3種類のパルス幅を比較します。短いパルスはエネルギーが小さいため深いトラップへ移動する電子が少なく、非常に長いパルスは読み出し段階でデバイスがリラックス（回復）する時間を与えすぎる場合があります。3つのパルス方式を全て同じ総オン・オフ時間で与えた場合、中間の3秒が最も弱い状態と強い状態の振れ幅（すなわち利用可能な重みのレンジ）を最大にし、学習重みを記憶する上で最も大きな有用範囲を提供しました。

真の学習と単なる回復を分離する

トランジスタは読み出し中に自然に元の状態に戻ろうとするため、研究チームは回復（リカバリー）と実際の学習を分離するための二回目の実験を行いました。今回はパルス数とパルス間の回復時間を固定し、デューティサイクルを調整して長いパルスでも同じ読み出し条件になるようにしました。このより公平な比較の下では、パルスが長いほど酸化膜に多くの電子がトラップされ、デバイスはより深い記憶状態に入ります。その結果、デバイス導電率をどれだけ調整できるかを示す動的比（ダイナミック比）が着実に増加し、6秒パルスが最も広く制御しやすい重み範囲を与えました。

単一デバイスから手書き数字認識へ

実際の計算で何を意味するかを見るため、研究者たちは測定したデバイス挙動をアナログAIアクセラレータのシミュレータに入力しました。MNISTデータセットから手書き数字を認識する人工ニューラルネットワークをモデル化し、多数のこうしたシナプストランジスタを仮想クロスバーアレイに配線します。デバイスはサブスレッショルド領域で非常に低電流で動作するため、ノイズや回復効果が保存された重みをぼやけさせることがあります。それでもネットワークはパルス幅1.5秒、3秒、6秒でそれぞれ約80%、87%、90%の認識精度を達成しました。利用可能な重みの範囲と認識精度が密接に対応していることは、チャージトラッピングのより良い制御が学習品質を直接向上させることを示しています。

将来の低消費電力AIにおいてパルス設計が重要な理由

平たく言えば、本研究はこれらの酸化膜トランジスタがどれだけ長く、どれだけ強くパルスを与えられるかによって情報を記憶することを示しています。これは繰り返しの活動で変化する脳のシナプスと似ています。非常に短いパルスは深い記憶状態へ十分な電荷を押し込めず、非常に長いパルスは読み出し中の忘却速度とバランスを取る必要があります。パルス幅とパルス間の休止頻度の両方を調整することで、動作電圧を上げることなく記憶範囲を拡大し、パターン認識を向上させることが可能です。この洞察は、膨大な格子状のシナプストランジスタに知識を直接格納・更新することで効率的にAIタスクを実行する脳に着想を得たハードウェアの方向性を示しています。

引用: Ko, Y., Ryu, J., Pi, J. et al. Influence of programming-pulse properties on weight-update characteristics of charge-trapping IGZO synaptic transistors. Sci Rep 16, 15031 (2026). https://doi.org/10.1038/s41598-026-44949-9

キーワード: ニューロモルフィックハードウェア, シナプス型トランジスタ, IGZO, プログラミングパルス幅, アナログAI