脳にヒントを得たAIアーキテクチャが、処理速度を向上させると同時に消費電力を大幅に削減する

デュアルメモリ経路の抽象化。アルゴリズムレベルでは、各層は、遅い文脈的ダイナミクスを捉え、高速なスパイク活動を調整する、共有された低次元の状態を維持する。ハードウェア側では、この分離は、コンパクトな状態をオンチップに保持し、効率的な実行のために疎な計算と密な計算を融合させるヘテロジニアスアクセラレータによって反映されている。 出典：Sun et al.

スパイクニューラルネットワーク（SNN）は、生物学的ニューロンの通信方法に着想を得たAIモデルである。電気インパルスを通じて情報を交換する生物学的ニューロンとは異なり、SNNは「スパイク」と呼ばれる短時間の信号に依存している。

SNNは、開発者が情報を継続的に処理するのではなく、意味のある変化が生じたときにのみ処理を行うように設計できるため、消費電力の削減に有望視されている。現在のAIシステムが膨大なエネルギーを消費していることを考えると、これは大きな利点である。

初期のSNNの中には有望な結果を達成したものもあったが、長期間にわたって有用なコンテキストを維持することが困難な場合が多かった。この課題は、モデルのデータ保存容量が限られている場合や、エネルギー制約の下で動作する場合に特に顕著になる。

インペリアル・カレッジ・ロンドンとチューリッヒ工科大学（ETH Zurich）の研究者らは最近、この制限を克服できるハードウェアとソフトウェアの共同設計を発表しました。『Nature Machine Intelligence』誌に掲載された論文で説明されている彼らのアーキテクチャは、エネルギー効率に優れ、データ保存のニーズを低減しつつ、長シーケンスのタスクを効果的に処理します。

「スパイキングニューラルネットワークは、イベント駆動型のセンシングに優れている」と、Pengfei Sun氏、Zhe Su氏ら共同研究者は記している。「しかし、厳しいエネルギーおよびメモリの制約を遵守しつつ、アルゴリズムおよびハードウェアの両面で、長期間にわたりタスクに関連するコンテキストを維持することは、依然として中核的な課題である。 我々は、アルゴリズムとハードウェアの共同設計を通じてこの課題に取り組んでいる。」

DMPアーキテクチャのハードウェア設計。出典：『Nature Machine Intelligence』（2026）。DOI: 10.1038/s42256-026-01255-3

脳に着想を得た新しいデュアルメモリシステム

これまでの研究により、神経プロセスには極めて高速なものもあれば、比較的遅いものもあり、その組み合わせによって脳は情報をより長く保持できることが示されている。Sun、Suらによって開発されたアーキテクチャは、この高速および低速の神経プロセスの組み合わせを模倣している。

研究チームは、脳の「高速・低速」組織化の原理を参考に、互いに補完し合うソフトウェアとハードウェアのコンポーネントを共同で設計した。ソフトウェアは、低速な記憶経路と高速スパイク活動を組み合わせた多層SNNで構成されている。

「アルゴリズムのレベルでは、脳の大脳皮質の『速い－遅い』組織構造に着想を得て、明示的な遅い記憶経路を備えたニューラルネットワークを導入した。これは、高速スパイク活動と組み合わさることで、デュアルメモリ経路アーキテクチャを実現する。 このアーキテクチャでは、各層が最近の活動を要約し、スパイクのダイナミクスを調整するコンパクトな低次元状態を維持している」と著者らは記している。

「この明示的なメモリは、イベント駆動型の疎性を維持しつつ学習を安定化させ、同等の最先端スパイクニューラルネットワークよりも40～60％少ないパラメータで、長シーケンスのベンチマークにおいて競争力のある精度を達成している。」

デュアルメモリアーキテクチャの主な利点は、タスクに関連する重要な情報をコンパクトな形で保持しつつ、入力データを効率的に処理できる点にある。また、研究チームは、このSNNの実行に最適化された専用ハードウェアも設計した。

「ハードウェアレベルでは、コンパクトな共有状態を維持しつつ、異種であるスパース・スパイク経路と高密度メモリ経路間のデータフローを最適化することで、デュアルメモリ経路アーキテクチャの利点を最大限に活用する『ニアメモリ・コンピュート（near-memory-compute）』アーキテクチャを導入した」と、Sun氏、Su氏ら共同研究者は記している。

初期の結果と実世界での応用可能性

研究者らは、一連の初期テストを通じて、SNNおよび共同設計したハードウェアを評価した。彼らは、固定時間内における長シーケンスタスク（長いデータストリームの処理）の完了速度、エネルギー消費量、およびデータスループットを測定した。

「実験結果によると、最先端の実装と比較して、スループットが4倍以上向上し、エネルギー効率が5倍以上改善したことが示された」と著者らは記している。 「これらの成果は総合的に、生物学的原理が、アルゴリズム的に有効かつハードウェア効率に優れた機能的抽象化を導くことができることを示しており、リアルタイムのニューロモーフィック計算および学習のためのスケーラブルな共同設計フレームワークを確立している。」

Sun氏、Su氏、およびその同僚たちが開発した新しいSNNとハードウェアは、さらに改良され、より幅広いタスクで検証される可能性がある。将来的には、エネルギー制約の下で大量のデータをリアルタイムに迅速に分析することを可能にするだろう。これは、ロボティクス、ウェアラブルデバイス、エッジAI、および複数のセンサーが接続されたネットワークなどのアプリケーションにおいて有用となる。

本記事は、筆者のイングリッド・ファデッリが執筆し、ギャビー・クラークが編集、ロバート・イーガンが事実確認と校閲を行った、入念な人的作業の成果です。私たちは、独立した科学ジャーナリズムを維持するために、読者の皆様の支援に頼っています。この報道が重要だとお考えでしたら、寄付（特に月額寄付）をご検討ください。 感謝のしるしとして、広告非表示のアカウントをご提供いたします。