計算負荷を劇的に省力化するイオン型物理リザバーのAI素子をNIMSなどが開発

• 

  (左)今回の研究で開発されたイオン型物理リザバー。(右)典型的ベンチマーク試験で達成された計算負荷の低減(出所:共同プレスリリースPDF)

同成果は、NIMS 若手国際研究センターの西岡大貴リサーチフェロー、NIMS ナノアーキテクトニクス材料研究センター(MANA) ニューロモルフィックデバイスグループの土屋敬志グループリーダー(理科大客員教授兼任)、同・北野比菜 NIMSジュニア研究員(理科大連携大学院 大学院生兼任)、NIMS MANA イオニクスデバイスグループの並木航研究員、同・寺部一弥グループリーダー、神戸大大学院 工学研究科 電気電子工学専攻の相馬聡文准教授らの共同研究チームによるもの。詳細は、米国化学会が刊行するナノサイエンス/テクノロジーを扱う学術誌「ACS Nano」に掲載された。

エッジAIデバイスの普及に期待

近年、AIによる電力消費量やクラウドとの通信量は指数関数的に増加しており、深刻な社会問題となっている。そのため、高性能を維持しながら、低消費電力かつ小型で集積性に優れたAIデバイスが強く求められている。そうした背景から、材料・デバイスが入力に対して示す物理現象の「非線形応答」を計算に利用する高効率な脳型情報処理方式の「物理リザバーコンピューティング」が注目を集めている。

物理リザバーコンピューティングではこれまで、アナログ回路、光学素子、ソフトマテリアル、ナノワイヤネットワークなど、多種多様な材料・デバイスの研究開発が進められてきた。だが、ソフトウェア型機械学習に比べて計算性能が低く、デバイスの応答速度や利用する物理現象の特性によって、処理できる時系列情報の時間スケールが制約されることが課題だった。

• 

  物理リザバーコンピューティングの模式図(入力数が1の場合)。計算負荷は出力と物理リザバー間に限られるため、ソフトウェア型機械学習よりも非常に小さい。図中の◯は、情報を受け取ったり、渡したりする結び目の役割を果たすノードを表す(出所:共同プレスリリースPDF)

そこで研究チームは今回、従来の材料・デバイスでは解決が困難だった低い計算性能や、情報処理可能な時間スケールの幅の狭さという課題を、新しい「イオントロニクス型」の物理リザバーコンピューティングで解決を目指したという。

今回の研究では、チャネル材料にグラフェン、電解質にイオンゲル「EMIm-TFSI」を用い、電気二重層トランジスタ(EDLT)が作製された。このEDLTのゲート電極に電圧を印加すると、イオンゲル内部でイオンが移動する。その際、グラフェンとイオンゲルとの界面近傍で形成される電気二重層によってグラフェンの電子キャリア密度が変化し、グラフェンを流れるドレイン電流の制御が可能となる。

パルス状の電圧を印加すると、電気二重層の充放電が起こり、ドレイン電流が過渡応答を示す。その応答は、電気二重層の充放電だけでなく、分子吸着や電荷トラップといったイオンと電子の複雑な振る舞いに起因する。その結果、時定数約100ナノ秒の高速応答から数10ミリ秒の低速応答まで5桁に及ぶ幅広い応答時定数領域と、グラフェンの両極性輸送に由来する高い非線形性という物理リザバーコンピューティングに好適な諸特性が得られたという。

• 

  (左)今回の研究で、イオン型物理リザバー素子として利用されたEDLTの断面図。(中央)素子中の長さが異なるチャネルで測定されたドレイン電流-ゲート電圧特性。(右)パルス電圧印加に対するドレイン電流応答(出所:共同プレスリリースPDF)

これらの特性により、処理できる時系列情報の時間スケールの狭さという課題を大きく改善された。研究チームはこの結果を受け、生体信号を始めとする多様な時系列情報の解析において、幅広い時間スケールに対応できる点、および信号に含まれるさまざまな周波数成分の特徴を効果的に抽出・認識する上で有用である点が示されたとした。

次に、開発された素子を用いて、典型的なベンチマーク試験である「Mackey-Glass(M-G)方程式予測タスク」が実施された。実験では、M-G方程式から得られる現在の情報を電極に入力してイオンを駆動させ、対応するドレイン電流の時間変化が6個のドレイン電極で測定された。そして、得られた電流値と出力重みの線形和を用いて、M-G方程式に基づき1ステップから10ステップ先の未来状態が予測された。

1ステップ先の未来予測結果では、正解波形と予測波形が非常に良く一致し、正解との誤差は4.63×10^-5と極めて小さく(試験)、99％以上の高精度で予測に成功した。さらに、より困難な10ステップ先の未来予測について、既存の物理リザバーとの比較が行われた。その結果、最も高い計算性能であることが確認された。ソフトウェアを用いた高性能な深層学習と同等の予測精度を得つつ、その際に必要な計算負荷が約100分の1に低減されたのである。

• 

  イオン型物理リザバーでM-G方程式予測タスクにおける、今回の研究の予測結果と正解との比較。正解波形と予測波形が非常に良く一致しており高い性能を有することが裏付けられた(出所:共同プレスリリースPDF)

今回開発された素子の計算負荷の小ささは、ソフトウェアAIに伴う高消費電力問題の解決に寄与するのに加え、利用可能な電力資源が限られるエッジ環境においても、高性能AI機能を実装できる可能性が示唆されたとする。研究チームは、マテリアルの性質を活用する、高集積かつ高性能なAIデバイスへの新展開が期待されるとしている。