西安電子科技大学の項水英教授らが率いる研究チームは、光子を介したスパイクニューラルネットワークの学習と意思決定における鍵となる課題を克服する新規な光集積回路システムを開発しました。従来の光スパイクシステムでは、信号が線形計算しか処理できず、学習や意思決定に不可欠な非線形計算を行うためには電気信号への変換が必要でした。この変換プロセスは遅延を引き起こし、光子技術が持つ高速・省エネルギーの利点を損なっていました。 今回開発された2チップ構成のシステムは、16チャンネルの光子ニューモルフィックチップと、272の学習可能パラメータを備え、複数の光信号ストリームを並列処理しつつ学習を通じて結合を調整する能力を持っています。このシステムは、光のドメイン内で線形および非線形計算の両方を可能にする大規模プログラマブルな非干渉型光子ニューモルフィック計算システムとして機能します。 研究チームは、ハードウェアとソフトウェアを協働させるトレーニング・推論フレームワークを開発しました。このアプローチにより、モデルをまずソフトウェアでグローバルに訓練し、次いでチップ上でのトレーニングを経て、最後に変動を補正するためにソフトウェアで微調整を行います。このシステムは、動くカートの上に棒をバランスさせる「CartPole」タスクや、振り子を上向きに保つ「Pendulum」タスクといった複雑な強化学習タスクで実証されました。 実験結果は、ハードウェアによる判断がソフトウェア単独の精度とほぼ同等であることを示しました。CartPoleタスクでは1.5%、Pendulumタスクでは2%の僅かな精度低下に留まり、リアルタイムでの正確な再現能力を確認しました。特に、ハードウェアとソフトウェアを併用した組み合わせシステムは、CartPoleで完全な達成を、より複雑なPendulumでも良好な結果を実現しました。 エネルギー効率と計算密度についても高い成果を収めています。光線形計算では1ワットあたり1.39テラオペレーション、非線形計算でも987.65ギガオペレーションを実現し、GPUクラスに匹敵する性能を達成。さらに、チップ内での計算遅延はわずか320ピコ秒という驚異的な速さを誇ります。 今後は、128チャンネルのより大規模な光スパイクニューラルネットワークチップの開発により、自律ナビゲーションなどより高度な強化学習タスクへの対応を目指します。コンパクトなハイブリッド集積化の実現は、エッジコンピューティングにおける実用化に向けた重要なステップとなります。