2024年6月27日
ニューロモルフィック・コンピューティング（ニューロモルフィック・エンジニアリングとも呼ばれます）は、人間の脳の働きを模倣するコンピューティング手法です。情報処理のために脳の神経とシナプスの構造と機能をシミュレートするハードウェアとソフトウェアを設計する必要があります。
ニューロモルフィック・コンピューティングは新しい分野のように思えるかもしれませんが、その起源は1980年代にまで遡ります。この10年間に、神経学者のミシャ・マホウォルドとその学術アドバイザーであったカーバー・ミードが、ニューロモルフィック・コンピューティング・パラダイムの先駆けとなる初のシリコン製網膜と蝸牛、そして初のシリコン製ニューロンとシナプスを開発しました。1
今日、人工知能（AI） システムの規模が拡大するにつれ、その背後には最先端のハードウェアとソフトウェアが必要になります。ニューロモルフィック・コンピューティングは、AI の成長アクセラレーターとして機能し、高性能コンピューティングを強化し、人工スーパーインテリジェンスの構成要素の1つとして機能します。ニューロモルフィック・コンピューティングと量子コンピューティングを組み合わせる実験は現在も進行中です。2
ニューロモルフィック・コンピューティングは、経営コンサルティング会社であるGartner社によって、企業にとって最も重要な新興テクノロジーとして挙げられています。3同様に、プロフェッショナル・サービス・プロバイダーのPwC社は、ニューロモルフィック・コンピューティングは急速に進歩しているものの、まだ主流になるほど成熟していないため、組織が慎重に検討すべき重要なテクノロジーであると指摘しています。4
最新のAIニュース + インサイト
AIやクラウドなどについて、専門家が厳選したインサイトやニュースを、Thinkニュースレターで毎週お届けします。
ニューロモルフィック・コンピューティングは人間の脳からヒントを得ているため、生物学と神経科学から多くの知識を借用しています。
オーストラリアにあるクイーンズランド脳研究所によると、ニューロンは「脳と神経系の基本単位」です。5これらの神経細胞はメッセンジャーとして、脳のさまざまな領域間や体の他の部分との間で情報を中継します。ニューロンが活性化、つまり「スパイク」すると、シナプスと呼ばれる接続点のネットワークを介して伝達される化学信号と電気信号の放出が引き起こされ、ニューロン同士の通信が可能になります。6
これらの神経学的および生物学的メカニズムは、スパイキング・ニューラル・ネットワーク（SNN）を通じてニューロモルフィック・コンピューティング・システムでモデル化されます。スパイキング・ニューラル・ネットワークは、スパイキング・ニューロンとシナプスで構成された人工的なニューラル・ネットワークの一種です。
スパイキング・ニューロンは生物学的ニューロンと同様にデータを保存および処理し、各ニューロンには独自の電荷、遅延、しきい値があります。シナプスはニューロン間の経路を作成し、それに関連付けられた遅延値と重み値も持っています。これらの値（ニューロン電荷、ニューロンとシナプスの遅延、ニューロン閾値、シナプスの重み）はすべて、ニューロモルフィック・コンピューティング・システム内でプログラムできます。7
ニューロモルフィック・アーキテクチャーでは、シナプスはトランジスター・ベースのシナプス・デバイスとして表現され、回路を使用して電気信号を伝送します。シナプスには通常、学習コンポーネントが含まれており、スパイキング・ニューラル・ネットワーク内のアクティビティーに応じて時間の経過とともに重み値を変更します。7
従来のニューラル・ネットワークとは異なり、SNNはタイミングを操作に考慮します。ニューロンの電荷値は時間の経過とともに蓄積され、その電荷がニューロンに関連付けられた閾値に達すると急上昇し、シナプスウェブに沿って情報が伝播します。しかし、電荷値が閾値を超えない場合、電荷は消散し、最終的には「漏れ」ます。さらに、SNNはイベント駆動型であり、ニューロンとシナプスの遅延値によって非同期の情報伝達が可能になります。7
過去数十年にわたり、ニューロモルフィック・コンピューティングにおける多くの進歩は、ニューロモルフィック・ハードウェアの形で実現されてきました。
学術界では、初期の実装の1つに米スタンフォード大学が発表した人間の脳の回路を模した電子回路基板「Neurogrid」があり、そのアナログとデジタルを混合したマルチチップ・システムは「数十億のシナプス接続を持つ100万個のニューロンをリアルタイムでシミュレート」できます。8一方、超微細電子工学と情報技術分野の研究所として世界的に有名なIMECは自己学習型ニューロモルフィック・チップを開発しました。9
政府機関もニューロモルフィック研究の取り組みを支援しています。例えば、2023年に終了した10年間の取り組みであった欧州連合のヒューマン・ブレイン・プロジェクトは、脳をより深く理解し、脳疾患の新しい治療法を見つけ、脳にヒントを得た新しいコンピューティング技術を開発することを目的としていました。
これらのテクノロジーには、大規模なSpiNNaker および BrainScaleS ニューロモルフィック・マシンなどがあります。SpiNNakerは、スパイク交換の最適化のためのパケットベースのネットワークを備え、デジタル・マルチコア・チップ上でリアルタイムに実行されます。一方のBrainScaleSは、ニューロンとシナプスのアナログ電子モデルをエミュレートする高速マシンです。これには、第1世代のウェハスケール・チップ・システム（BrainScaleS-1）と第2世代のシングル・チップ・システム（BrainScaleS-2）があります。10
テクノロジー業界におけるニューロモルフィック・プロセッサーには、Intel のLoihi、GrAI Matter LabsのNeuronFlow、IBM®のTrueNorthおよび次世代のNorthPoleニューロモルフィック・チップなどがあります。
ほとんどのニューロモルフィック・デバイスはシリコンで作られており、CMOS（相補型金属酸化膜半導体）テクノロジーを使用しています。その一方で、研究者たちは、強誘電体や相変化材料などの新しいタイプの材料の研究も進めています。「メモリー」と「トランジスター」を組み合わせた造語であるメモリスタと呼ばれる不揮発性電子メモリー素子は、スパイキング・ニューロンにおけるメモリーとデータ処理の共存を実現するためのもう1つのモジュールです。
推論を実行するには、重みの正規化やアクティベーション関数などのマッピング戦略を使用して、事前トレーニング済みのディープ・ニューラル・ネットワークをスパイキング・ニューラル・ネットワークに変換できます。ディープ・ニューラル・ネットワークは、ニューロンがスパイク・ニューロンのようにアクティブ化されるようにトレーニングすることもできます。
これらの生物学にヒントを得たアルゴリズムは、突然変異、再生、選択などの生物学的進化の原理を採用しています。進化型アルゴリズムは、SNNを設計またはトレーニングするために使用でき、時間の経過とともにパラメーター（遅延やしきい値など）や構造（ニューロンの数やシナプスを介したリンクの方法など）を変更および最適化します。
スパイキング・ニューラル・ネットワークはグラフ表現に適しており、SNNは有向グラフの形をとります。グラフ内のノードの1つが急上昇すると、他のノードも急上昇する時間は、発信元ノードからの最短パスの長さと一致します。
神経科学において、神経可塑性とは、人間の脳と神経系が損傷に応じて神経経路とシナプスを修正する能力を指します。ニューロモルフィック・アーキテクチャーでは、シナプス可塑性は通常、スパイク・タイミング依存の可塑性を通じて実装されます。この操作は、ニューロンの相対的なスパイク・タイミングに応じてシナプスの重みを調整します。
リカレント・ニューラル・ネットワークに基づくリザーバー・コンピューティングは、「リザーバー」を使用して入力を高次元の計算空間にキャストし、リザーバーの出力を読み取るようにトレーニングされた読み出しメカニズムを備えています。
ニューロモルフィック・コンピューティングでは、入力信号はリザーバーとして機能するスパイキング・ニューラル・ネットワークに送られます。SNNはトレーニングされていません。代わりに、ネットワーク内の再帰接続とシナプス遅延を利用して、入力を高次元の計算空間にマッピングします。
ニューロモルフィック・システムは、計算上の大きな可能性を秘めています。このタイプのコンピューティング・アーキテクチャーが提供する潜在的なメリットは次のとおりです。
適応性
脳にヒントを得た技術であるニューロモルフィック・コンピューティングには、可塑性の概念も関係しています。ニューロモルフィック・デバイスはリアルタイム学習用に設計されており、入力とパラメーターの形で変化する刺激に継続的に適応します。つまり、彼らは新しい問題を解決することに優れている可能性があるということです。
エネルギー効率
前述したように、ニューロモルフィック・システムはイベントベースであり、ニューロンとシナプスは他のスパイキング・ニューロンに応答して処理を行います。その結果、スパイクを計算しているセグメントのみが電力を消費し、ネットワークの残りの部分はアイドル状態のままになります。これにより、エネルギー消費がより効率的になります。
ハイパフォーマンス
フォン・ノイマン型コンピューターとも呼ばれる現代のコンピューターのほとんどは、独立した中央処理装置とメモリー・ユニットを備えており、これらのユニット間でのデータ転送がボトルネックとなり、速度に影響する可能性があります。一方、ニューロモルフィック・コンピューティング・システムでは、個々のニューロンでデータを保存および処理するため、フォン・ノイマン・アーキテクチャーに比べて レイテンシーが低くなり、計算が速くなります。
並列処理
SNNは非同期であるため、個々のニューロンは異なる操作を同時に実行できます。したがって、理論的には、ニューロモルフィック・デバイスは、特定の時点におけるニューロンの数と同じ数のタスクを実行できます。そのため、ニューロモルフィック・アーキテクチャーには膨大な並列処理機能があり、機能を迅速に完了できます。
ニューロモルフィック・コンピューティングはまだ新興分野です。そして、初期段階のあらゆるテクノロジーと同様に、ニューロモルフィック・システムもいくつかの課題に直面しています。
精度の低下
ディープ・ニューラル・ネットワークをスパイキング・ニューラル・ネットワークに変換するプロセスにより、精度が低下する可能性があります。さらに、ニューロモルフィック・ハードウェアで使用されるメモリスタには、サイクル間およびデバイス間のばらつきがあり、精度に影響を与える可能性があります。また、シナプスの重み値に制限があり、精度が低下する可能性があります。7
ベンチマークと基準の欠如
ニューロモルフィック・コンピューティングは、まだ新しい技術であるため、アーキテクチャー、ハードウェア、ソフトウェアの面で標準が不足しています。ニューロモルフィック・システムには、明確に定義され確立されたベンチマーク、サンプル・データ・セット、テスト・タスク、メトリクスもないため、パフォーマンスを評価して有効性を証明することが困難になります。
アクセシビリティーとソフトウェアの限界
ニューロモルフィック・コンピューティングに対するアルゴリズム的アプローチのほとんどは、依然としてフォン・ノイマン・ハードウェア用に設計されたソフトウェアを採用しており、その結果はフォン・ノイマン・アーキテクチャーが達成できる範囲に限定される可能性があります。一方、ニューロモルフィック・システム用の API（アプリケーション・プログラミング・インターフェース）、コーディング・モデル、プログラミング言語はまだ開発されておらず、より広く利用可能になっていません。
急な学習曲線
ニューロモルフィック・コンピューティングは、生物学、コンピューター・サイエンス、電子工学、数学、神経科学、物理学などの分野から派生した複雑な領域です。このため、ニューロモルフィック研究を専門とする学術研究室以外では理解が困難です。
ニューロモルフィック・システムの現在の実際のアプリケーションはまばらですが、コンピューティング・パラダイムは次のユースケースに適用できる可能性があります。
ニューロモルフィック・コンピューティングは、その高いパフォーマンスと桁違いのエネルギー効率の向上により、自動運転車のナビゲーション・スキルの向上に役立ち、エネルギー排出量を削減しながら、より迅速な進路修正と衝突回避の改善を可能にします。
ニューロモルフィック・システムは、サイバー攻撃や侵害を示す可能性のある異常なパターンやアクティビティーを検出するのに役立ちます。そして、ニューロモルフィック・デバイスの低遅延と高速計算により、これらの脅威は迅速に阻止することができます。
ニューロモーフィック・アーキテクチャーの特性により、エッジ AIに適しています。消費電力が低いため、スマートフォンやウェアラブル端末などのバッテリー寿命が短い場合に役立ち、また、適応性とイベント駆動型の性質により、リモート・センサー、ドローン、その他のモノのインターネット（IoT）端末の情報処理方法に適しています。
ニューロモルフィック・コンピューティングは、その広範な並列処理機能により、自然言語や音声のパターン認識、医療画像の分析、脳の電気的活動を測定する fMRI 脳スキャンや脳波（EEG）テストからの画像信号の処理など、機械学習アプリケーションで使用できます。
ニューロモルフィック・コンピューティングは適応性の高いテクノロジーであるため、ロボットのリアルタイム学習および意思決定能力を強化するために使用でき、物体をより正確に認識し、複雑な工場レイアウトをナビゲートし、組立ラインでより高速に動作するのに役立ちます。
AI開発者向けの次世代エンタープライズ・スタジオであるIBM watsonx.aiを使用して、生成AI、基盤モデル、機械学習機能をトレーニング、検証、チューニング、導入しましょう。わずかなデータとわずかな時間でAIアプリケーションを構築できます。
業界をリードするIBMのAI専門知識とソリューション製品群を使用すれば、ビジネスにAIを活用できます。
AIの導入で重要なワークフローと業務を再構築し、エクスペリエンス、リアルタイムの意思決定とビジネス価値を最大化します。
参考情報
ハンズオン・ラボ、コース、指導付きプロジェクト、トライアルなどで、基本的な概念を学び、スキルを身につけていただけます。
生成AIと機械学習をビジネスに活用する確実な方法を学びましょう。
AIの投資対効果を高めるために、主要な分野で生成AIの活用を拡大することで、どのように革新的な新規ソリューションの構築、提供を支援し、変化をもたらすかを紹介します。
ユースケースに最適なAI基盤モデルを選択する方法について説明します。
IBM Graniteは、ビジネス向けにカスタマイズされ、AIアプリケーションの拡張に合わせて最適化された、オープンで高性能、かつ信頼性の高いAIモデル・ファミリーです。言語、コード、時系列、ガードレールのオプションをご覧ください。
強力なAIストラテジーの3つの重要な要素である、競争優位性の創出、ビジネス全体へのAIの拡張、信頼できるAIの推進について詳しく説明します。
2,000の組織を対象に、AIへの取り組みについて調査を行い、何が機能し、何が機能していないのか、どうすれば前進できるのかを明らかにしました。
脚注
1 カーバー・ミード氏がニューロモルフィックエンジニアリング生涯貢献賞を受賞、カリフォルニア工科大学、2024年5月7日。
2 ニューロモルフィック量子コンピューティング、Quromorphic、アクセス日：2024年6月21日。
3 30 Emerging Technologies That Will Guide Your Business Decisions、Gartner社、2024年2月12日。
4 The new Essential Eight technologies: what you need to know、PwC社、2023年11月15日。
5 What is a neuron? 、Queensland Brain Institute、アクセス日：2024年6月21日。
6 Action potentials and synapses、Queensland Brain Institute、アクセス日：2024年6月21日。
7 Opportunities for neuromorphic computing algorithms and applications、Nature誌、2022年1月31日。
8 Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations、IEEE、2014年4月24日。
9 IMEC demonstrates self-learning neuromorphic chip that composes music、IMEC社、2017年5月16日。
10 Neuromorphic computing、Human Brain Project、アクセス日：2024年6月21日。