メムリスタが完全アナログのハードウェア型ニューラルネットワークでの活用を実証

「AI処理に対する要求が、現在のCMOS技術の限界に到達しつつある中で、ニューロモルフィック・コンピューティング――人間の脳の構造を模倣するハードウェアとソフトウェア――は、情報をより高速かつ効率的に処理するのに役立ちます。ビスマス・セレナイドの2D層から作られた新しいメムリスタは、長期データ保持とアナログ調整を組み合わせることで、AIのエネルギー効率と処理速度を高めます。

ミシガン大学工学部の研究は、「published」 ACS Nanoに掲載されています。

（ビスマス・セレナイドの）メムリスタは、これまで実用的なメムリスタがいずれも両立できていなかった3つの技術的要件を実証しました。長期データ保持、アナログ風のメモリ状態、そして回路内でレギュレータなしで動作できることです。デモンストレーションでは、このメムリスタが、完全にアナログでオールハードウェアのリザーバ・コンピューティング・ネットワークの一部として、バランスレバーを正常に制御しました。

「私たちの研究は、ハードウェアベースのニューラルネットワークを構築するための重要コンポーネントを作る新たな道筋を示すものです。提示されたメムリスタは、AI回路設計者が本当に気に入る形で動作し得るのです」と、U-Mの機械工学の教授であり本研究の責任著者でもあるXiaogan Liang氏は述べています。

メムリスタは、過去の電流または電圧に基づいて電気抵抗を調整するデバイスで、ニューロモルフィック・コンピューティングにおける必須の構成要素であるインメモリ・コンピューティングを可能にします。同一デバイス内で情報を保存し処理できることにより、データを別々のメモリと演算処理ユニットの間で絶えずやり取りしなければならない従来のコンピューティングにおけるボトルネックが解消されます。

ハードウェアベースのニューラルネットワークに必要なメムリスタの特性は、通常互いに相反します。非揮発性メモリによる長期データ保持を備えたデバイスは、急なスイッチングを防ぐために外部の電流レギュレート装置が必要です。一方で、アナログ風のメモリ状態、つまり二値のスイッチングではなく連続的な調整を備えたものは、データ保持が不十分になりがちです。「