ロウボロー大学の研究チームは、物理現象を利用して情報を処理する新しいタイプのチップを開発し、特定の AI タスクのエネルギー効率を最大で 2,000 倍向上できる可能性を見出しました。この研究は「Advanced Intelligent Systems」に掲載され、ソフトウェアに依存する従来の方法ではなく、ハードウェア内で時間変動データを直接処理する技術であることを示しています。 研究を率いたパベル・ボリソフ博士は、人間の脳がニューロン間のランダムな接続を利用する仕組みに着想を得て、ニオブ酸化物のナノメートルサイズの薄膜にランダムなナノ孔隙を形成するデバイスを作製しました。この孔隙が複数の電気経路を作り出し、ニューラルネットワークの隠れ層のような役割を果たすことで、複雑な物理的なプロセス自体が計算の一部を担います。このアプローチは、レザバーコンピューティングと呼ばれる手法をハードウェア上で実現したもので、時間的なデータパターンを特定し予測する能力を持っています。 テストでは、バタフライ効果で知られる複雑なカオス現象の予測モデルや、ピクセル化された数字の画像認識、基本的な論理演算などにこのデバイスが適用されました。その結果、カオスシステムの短期的な振る舞いを正確に予測し、欠損データを再現し、画像認識を成功させるなど、多様なタスクを単一のデバイスで処理できることが確認されました。特にエネルギー消費量は、従来のソフトウェアベースのソリューションと比較して最大 2,000 倍も低いことが示されています。 AI システムの高度化に伴い、エネルギー需要の増大が持続可能性の観点から課題となっており、このハードウェアベースの計算へのシフトは重要な解決策となり得ます。研究者たちは、現時点では比較的低い複雑さのタスクでのテストに留まっていたと指摘し、今後の課題としてネットワークの複雑さを高めること、よりノイズの多い実世界データを導入しての性能評価、そして技術をスケーラブルかつ産業利用可能な小規模デバイスへと展開することを挙げています。理論物理学者のセルゲイ・サベリエフ教授は、この成果が基礎物理学が現代の計算にどのように貢献し、物理システムの複雑さを高次元フィルターとして活用することで計算オーバーヘッドを回避できるかを示す好例であると評価しています。