MoTe2ベースのシナプス接続型メムリスタによる脳志向コンピューティング：MLP‑CNNフレームワークを用いたニューロモルフィック性能評価

なぜ小さな電子“シナプス”が重要なのか

スマートフォンやコンピュータは賢くなってきていますが、メモリとプロセッサ間でデータを行き来させる際に多くのエネルギーを浪費しています。これに対して人間の脳は、情報を同じ場所で保存し処理する大量のエネルギー効率の高いシナプスネットワークを用いています。本論文は、層状結晶MoTe2を一般的なポリマーに混ぜた新しい種類の微小電子部品を調査します。これは生物学的シナプスに似た振る舞いを示し、将来の人工知能向けの脳志向ハードウェア構築に寄与する可能性があります。

新しい種類のスイッチを作る

本研究の中心はメムリスタと呼ばれる素子で、これは電気抵抗を変化させ記憶する二端子デバイスです。研究者らは、MoTe2フレークをポリビニルアルコール（PVA）に混ぜた薄膜を下部のインジウムスズ酸化物（ITO）電極と上部の銀電極ではさんでメムリスタを作製しました。MoTe2は高品質な単結晶を慎重に成長させ、その後剥離して多層フレークとして得られ、PVA中に分散して電流が流れる連続的だが制御されたネットワークを形成します。顕微鏡観察や分光測定により、MoTe2は安定した結晶構造と明瞭な化学結合を保っていることが確認され、複合薄膜の厚さは約100ナノメートルでデバイス領域にわたり均一です。

デバイスが記憶する仕組み

電圧を印加すると、上部電極の銀原子がイオンとしてMoTe2‑PVA層に移動し、両電極をつなぐ狭い金属フィラメントを形成します。このフィラメントは低抵抗経路を作り、ON状態を表します。電圧を逆にするとフィラメントが溶解または細くなり、デバイスは高抵抗のOFF状態に戻ります。著者らは適切なMoTe2:PVA比（3:1）を選ぶことが重要であることを示しています。ポリマーが多すぎると導電経路が途切れ、MoTe2が多すぎるとデバイスの制御が難しくなります。最適配合では、デバイスは少なくとも125サイクルにわたって安定した“両極性（バイポーラ）”スイッチング―逆の電圧極性でON/OFFを切り替える挙動―を示し、必要電圧のばらつきが小さく、数千秒にわたる良好なデータ保持を示しました。

単純な記憶から脳のような学習へ

導電率が電気パルスで段階的に調整可能であるため、MoTe2メムリスタは活動に応じて強化や弱化する生物学的シナプスの様子を模倣できます。短い電圧パルス列を適用することで、研究チームは電子的なシナプス挙動の類似を実証しました：長期増強および抑圧（接続強度の持続的な増減）、二つのパルスの順序が学習に影響するタイミング依存学習ルール、パルス数やレートへの依存性などです。デバイスはまた短期促進も示し、最初のパルスの直後に到来する二つ目のパルスがより強い応答を生む、いわば“準備ができた”ニューロンに似た挙動を示します。これらの挙動は、データを別メモリへ常に移動させることなく、ハードウェア上で豊かな学習ダイナミクスを実現できる可能性を示唆します。

素子に“連合”を教え、パターンを読み取らせる

より複雑な機能を示すために、研究者らはパブロフの有名な条件付け実験を電子的に再現しました。弱い“中性”パルスと強い“意味のある”パルスをベルと食べ物の代替として用いました。最初は強いパルスのみが大きな電流応答を引き起こしましたが、両者を繰り返し同時に印加した後は、弱いパルス単独でもより強い応答を引き起こすようになり、連合学習を示しました。同じデバイスは短いパルスと長いパルスを異なる電流レベルとして区別でき、モールス信号のような時間的配列をパターンとして認識することが可能でした。測定されたデバイス特性をソフトウェアモデルに変換することで、研究チームはこれらのメムリスタ様シナプスが人工ニューラルネットワークでどの程度機能するかを検証しました。多層パーセプトロンと畳み込みニューラルネットワークの両方を用いて、広く使われるCIFAR‑10データセットの画像分類で高い精度を達成しており、観察されたデバイス挙動が実用的なニューロモルフィックコンピューティングに適していることを示しています。

将来のAIハードウェアにとっての意味

平易に言えば、本研究はMoTe2フレークをポリマー結合材に溶液プロセスで積層した単純な構造が、安定で調整可能な電子シナプスとして機能し得ることを示しています。可逆的な銀フィラメントでON/OFFを確実に切り替え、長時間記憶を保持し、接続の強化・弱化といった基本的な学習ルールから連合学習や時間的パターン認識まで、多様な脳に似た学習ルールをサポートします。これらの挙動をニューラルネットワークモデルに翻訳すると、効果的な画像認識システムを支えることが可能です。望ましくないフィラメント成長の抑制やポリマーの保護など実用化に向けた課題は残りますが、本研究はメモリと計算が密接に結びついた低コストでエネルギー効率の高いチップへの道を示し、日常の電子機器を脳の情報処理に一歩近づけるものです。

引用: Bhunia, R., Jana, R., Saraswati, A. et al. MoTe₂-based synaptic-bridge memristor for brain-inspired computing: neuromorphic performance evaluation using MLP-CNN frameworks. npj 2D Mater Appl 10, 45 (2026). https://doi.org/10.1038/s41699-026-00682-5

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, MoTe2, 人工シナプス, インメモリコンピューティング