訓練可能な非線形接続を持つ低電力アナログニューラルネットワークによる連続制御

AI（人工知能）の世界で、もっと賢く、もっと省エネなコンピューターチップを作るための新しいアイデアが出てきました。皆さんが普段使っているスマホやパソコン、これらは電気をたくさん使って動いていますよね。AIも例外ではなく、学習させるためにはかなりの電力が必要です。そこで研究者たちは、電気の代わりに「アナログ」という、より自然でアナログな性質を利用して計算するチップを考えてきました。これを「物理ニューラルネットワーク」と呼んでいます。アナログデバイスの持つ物理的な特性をそのまま計算に使うことで、電力消費を劇的に減らせる可能性があるのです。

でも、これまでのやり方にはちょっとした課題がありました。アナログデバイスの特性を、AIが理解できる「重み」という数字に無理やり当てはめようとすると、うまく表現できないことがあったのです。そこで今回の研究では、コルモゴロフ＝アーノルドネットワークという考え方を取り入れ、AIが学習できる「非線形関数」を、コンピューターチップの「接続」部分に組み込むことにしました。これにより、一つ一つの接続が、ただの線ではなく、自分で学習できる賢い部品になったのです。

この新しい仕組みを、実際に「フィールドプログラマブルアナログアレイ」という、プログラムで設定を変えられるアナログチップの上で試してみました。すると、このチップは、ロボットの動きをスムーズに制御したり、太陽光パネルが一番効率よく電気を作れるように調整したりといった、滑らかで連続的な変化を扱うのが得意なことがわかりました。これは、従来のAIチップ（多層パーセプトロン）よりも、ずっと少ない部品で実現できたのです。ただし、画像認識のように、はっきり「これか、あれか」を分けるようなタスクでは、この方法のメリットはあまり見られませんでした。

この研究で開発されたAIチップは、約3万5千個の接続で、実際のハードウェアにそのまま移せる忠実度を持っているそうです。さらに、専用のCMOSという半導体技術で作られた場合、わずか30マイクロワット（100万分の3ワット）という、驚くほど少ない電力で動くと予測されています。これは、電池で動く小さなセンサーや、IoTデバイスなど、電力供給が限られる場所でのAI活用に大きな可能性を開くかもしれません。