Natureサブジャーナル：ニューロモルフィックコンピューティングがさらに進歩し、科学者はニューロンとシナプスの人工シミュレーションを実現した

ニューロモルフィック コンピューティングは、人間の脳を構成するニューロンとシナプスのメカニズムを模倣することで人工知能 (AI) を実現することを目指しています。現在のコンピュータでは提供できない人間の脳の認知能力にヒントを得て、ニューロモルフィック デバイスが広く研究されてきました。

しかし、現在の相補型金属酸化膜半導体 (CMOS) ベースのニューロモルフィック回路は、人工ニューロンとシナプスを相乗的な相互作用なしに接続するだけであり、ニューロンとシナプスの同時実現は依然として課題となっています。

これらの問題に対処するため、韓国科学技術院材料科学工学部のKeon Jae Lee教授が率いる研究チームは、人工ニューロンとシナプスデバイスを電気的に接続する従来の方法に代えて、単一のメモリセルにニューロンとシナプスの相互作用を導入することで、人間の生物学的動作メカニズムを実装しました。

「メムリスティブシナプスを用いたシナプス可塑性と固有可塑性の同時エミュレーション」と題された研究結果は、2022年5月19日にネイチャーコミュニケーションズ誌に掲載された。

ケオン・ジェ・リー教授は、「ニューロンとシナプスは相互作用して記憶や学習などの認知機能を確立するため、両者をシミュレートすることが脳にヒントを得た人工知能の重要な要素です。開発されたニューロモルフィックメモリデバイスは、ニューロンとシナプス間の正のフィードバック効果を実現することで忘れられた情報を素早く学習できる再トレーニング効果も模倣しています」と説明した。

人間の脳は、1000億個のニューロンと100兆個のシナプスからなる複雑なネットワークです。学習や記憶などの人間の脳の知的能力は、シナプスによって相互接続された約 1,000 億個のニューロンの複雑なネットワークから生まれます。ニューロンはシナプス前入力刺激を組み合わせて電気インパルスを発し、シナプスは隣接するニューロンを接続してネットワーク全体に信号を伝達します。

さらに、ニューロンやシナプスの機能や構造は外部刺激に応じて柔軟に変化し、周囲の環境に適応することができます。過去の経験に基づいて、ニューロンとシナプスの機能を変更し、神経経路を再編成することができます。シナプス可塑性、つまりシナプスが接続の強さを適応的に変化させる能力は、学習と記憶への貢献で最もよく知られています。

多くの細胞および分子研究では、ニューロンは情報処理に関与しているだけでなく、固有の可塑性を通じて記憶形成を促進し、それによってニューロンの興奮性を調節していることも示されています。シナプス可塑性とニューロンの内在的可塑性は、すべての主要な学習形態で同時に発生し、脳がインテリジェントなタスクを効率的に実行し、確率を処理できるようにします。

ニューロモルフィック コンピューティングは、人間の認知脳にヒントを得て、生物学的ニューラル ネットワークをハードウェアに具現化して人工知能 (AI) を実現することを目的としています。単一ニューロンとシナプスのデバイス実装は、CMOS ベースのアプローチに比べてエネルギー効率とスケーラビリティが優れているため、広く研究されてきました。

(出典: Pixabay)

メモリスタの出現により人工シナプスの開発が大きく加速され、メモリスタはヒステリシス抵抗スイッチング特性を示します。抵抗スイッチング動作はシナプス可塑性と非常に似ているため、不揮発性メモリスタは短期および長期のシナプス可塑性の両方のシミュレーションに効果的に使用されています。揮発性メモリスタを使用して、生物学的に妥当な積分発火モデルから生物物理学的ホジキン・ハクスリー (HH) モデルに至るまでのニューロン モデルをシミュレートする人工ニューロンも実証されています。

人工ニューロンとシナプスの統合は、高度な認知機能を備えたニューロモルフィックインテリジェントコンピュータの開発に不可欠です。これまで、パターン認識と単純な意思決定が可能なメモリスタ ニューラル ネットワークが報告されており、従来のフォン ノイマン アーキテクチャよりも優れたパフォーマンスを示しています。

しかし、学習と記憶における重要な役割にもかかわらず、人工ニューロンにおける固有の可塑性のシミュレーションを実証した研究はほとんどありません。さらに、古典的条件付け、空間学習、再訓練など、さまざまな形態の学習には、内因性可塑性とシナプス可塑性の相乗的な相互作用が関与しているはずです。

これまでの研究では、単一のデバイスで揮発性スイッチングと不揮発性スイッチングの実証が報告されていますが、これらの研究では、シナプスと相互作用する両方のスイッチングメカニズムの共存ではなく、揮発性スイッチングから不揮発性スイッチングへの移行が示されました。脳に着想を得た認知 AI における神経可塑性に同時に対処するには、ニューロンの興奮性とシナプスの重みの変化を単一のデバイスで実現する必要があります。

図 | 神経膜構造（左）と TS-PCM の対応する回路表現（右）（出典：Nature）

この最新の研究で、研究者らは、シナプス可塑性と固有可塑性を単一ユニットで模倣し、さらに神経可塑性に伴う相乗的相互作用に基づいて正のフィードバック学習ループを確立するシナプスデバイスを報告しています。最後に、閾値スイッチング相変化メモリ（TS-PCM）の同時可塑性とフィードバック学習ループを採用することで、4×4パターンの記憶と再トレーニングに成功しました。

これは、ニューロンとシナプスの特性をそれぞれシミュレートする揮発性メモリデバイスと不揮発性メモリデバイスを使用して、短期記憶と長期記憶が共存する、単一ユニットでニューロンとシナプスを同時にシミュレートできるナノスケールのニューロモルフィックメモリデバイスです。閾値スイッチングデバイスは揮発性メモリとして使用され、相変化メモリは不揮発性デバイスとして使用されます。 2 つの薄膜デバイスは中間電極なしで統合されており、ニューロモルフィック メモリにおけるニューロンとシナプスの機能的適応性を実現します。

図 | 下部揮発性メモリ層と上部不揮発性メモリ層で構成され、それぞれニューロンとシナプスの特性をエミュレートするニューロモルフィックメモリデバイス（出典：KAIST）

市販のグラフィック カードと同様に、これまで研究されてきた人工シナプス デバイスは、人間の脳の動作メカニズムとは大きく異なる並列コンピューティングを高速化するために使用されることがよくあります。研究チームは、生物学的神経ネットワークのメカニズムをシミュレートし、ニューロモルフィックメモリデバイス内のニューロンとシナプス間の相乗的な相互作用を実現しました。さらに、開発されたニューロモルフィック デバイスは、複雑な CMOS ニューロン回路を単一のデバイスに置き換えることができるため、拡張性とコスト効率に優れています。

研究者らは、これは半導体デバイスで人間の脳を厳密に模倣するニューロモルフィック・コンピューティングの目標に向けた新たな一歩だと述べている。​