世界が人工知能（AI）に夢中になっているが、それには理由がある。AIシステムは、一見超人的な方法で膨大な量のデータを処理することができるからだ。
しかし、現在のAIシステムは、人工ニューラルネットワークに基づく複雑なアルゴリズムを実行するコンピューターに依存している。これらは膨大なエネルギーを消費し、リアルタイムで変化するデータを扱おうとすれば、さらにエネルギーを消費する。
私たちは、そうした「機械知能」に対し、まったく違ったアプローチから取り組んでいる。人工ニューラルネットワーク・ソフトウェアを使用する代わりに、より効率的に動作する物理的なニューラルネットワークをハードウェアで開発したのだ。
銀のナノワイヤーから作られた私たちのニューラルネットワークは、手書きの数字を認識し、数字の羅列を記憶することをその場で学習することができる。この成果は、シドニー大学およびカリフォルニア大学ロサンゼルス校の研究者らと共同で『Nature Communications』誌に発表された。
小さなワイヤーのランダムなネットワーク
ナノテクノロジーを使って、我々は髪の毛の1000分の1ほどの幅の銀ナノワイヤーのネットワークを作った。これらのナノワイヤーは、棒拾いゲームにおける棒の山のように、自然にランダムなネットワークを形成する。
ナノワイヤーのネットワーク構造は、私たちの脳内のニューロンのネットワークによく似ている。我々の研究はニューロモルフィック・コンピューティングと呼ばれる分野の一部であり、ニューロンやシナプスの脳のような機能をハードウェアでエミュレートすることを目的としている。
我々のナノワイヤーネットワークは、電気信号に反応して脳のような振る舞いを示す。外部からの電気信号によって、ナノワイヤーが交差するポイントでの電気の伝わり方が変化するが、これは生物学的なシナプスの働きと似ている。
典型的なナノワイヤーネットワークでは、シナプスのような交差点が何万個も存在することがあり、これはネットワークが電気信号によって運ばれる情報を効率的に処理し、伝達できることを意味する。
リアルタイムでの学習と適応
我々の研究では、ナノワイヤーネットワークは時間的に変化する信号に反応することができるため、オンライン機械学習に使用できることを示している。
従来の機械学習では、データはシステムに投入され、バッチ処理される。オンライン学習アプローチでは、データを時間的に連続したストリームとしてシステムに導入することができる。
それぞれの新しいデータによって、システムはリアルタイムで学習し適応する。私たち人間は得意だが、現在のAIシステムは苦手とする「オン・ザ・フライ」学習を実証している。
我々のナノワイヤーネットワークが可能にするオンライン学習アプローチは、AIアプリケーションにおける従来のバッチベースの学習よりも効率的である。
バッチ学習では、大規模なデータセットを処理するために大量のメモリが必要であり、システムはしばしば同じデータを何度も処理して学習する必要がある。これは高い計算資源を要求するだけでなく、全体としてより多くのエネルギーを消費する。
我々のオンライン・アプローチでは、データが連続的に処理されるため、より少ないメモリしか必要としない。さらに、我々のネットワークは各データサンプルから一度だけ学習するため、エネルギー消費を大幅に削減し、プロセスを非常に効率的にする。
数字の認識と記憶
手書き数字のMNISTデータセットを用いたベンチマーク画像認識タスクでナノワイヤネットワークをテストした。
画像のグレースケール画素値は電気信号に変換され、ネットワークに供給された。各桁のサンプルの後、ネットワークはパターンを認識する能力を学習・改良し、リアルタイム学習を表示した。
同じ学習方法を用いて、ナノワイヤネットワークに、電話番号を記憶する過程によく似た、数字のパターンを含む記憶タスクもテストした。このネットワークは、パターン内の前の数字を記憶する能力を示した。
全体として、これらの課題は、脳のような学習と記憶をエミュレートするネットワークの可能性を示している。われわれの研究は今のところ、ニューロモルフィック・ナノワイヤ・ネットワークにできることのほんの表面をなぞったに過ぎない。
コメントを残す