人工ニューロンによる教師なし学習

Manuel Le Galloの研究は、新世代の非常に高密度のニューロモルフィックコンピューティングシステムを刺激します。 （出典：IBM Research –チューリッヒ）

チューリッヒにあるIBMResearchの科学者チームは、人間の脳の機能に触発されて、たとえばホットプレートに触れたときにニューロンがスパイクする方法を模倣しました。これらのいわゆる人工ニューロンは、ビッグデータのパターンを検出し、パワーバジェットと生物学で見られる密度に匹敵する密度で相関関係を発見するために使用できます。これは、科学者が何十年にもわたって達成しようと努力してきたことです。彼らはまた、非常に少ないエネルギーを使用して、教師なしで高速で学習することができます。

Nature Nanotechnology の表紙に本日掲載された「確率的相変化ニューロン」というタイトルの論文 、調査とその調査結果の概要を説明します。

論文の共著者であり、IBMResearchであるチューリッヒの科学者であるManuelLe Galloと話をしました。彼は現在、ETHチューリッヒで博士号を取得しています。

人工ニューロンはどのように機能しますか？

マニュエルルガロ： ニューロンには、「統合して発火する」と呼ばれる特定の機能があります。ニューロンはアキュムレータとして機能します—ニューロンに複数の入力を送信し続けると、ニューロンはそれらすべての入力を統合します。入力の量とその強さに応じて、膜電位は特定のしきい値に達し、ニューロンは「発火」または「スパイク」します。このようなアキュムレータは、驚くほど複雑な計算タスクを実行するために使用できます。

人間の脳は人工ニューロンの発達をどのように刺激しますか？

ML： 人工ニューロンは、生物学的ニューロンが行うことを模倣するように構築されています。人工ニューロンはまったく同じ機能を備えていませんが、これらのニューロンを使用して脳によって実行される計算を実現できるほど十分に接近しています。通常、人工ニューロンは、コンピューターに搭載されている標準的なトランジスタ技術であるCMOSベースの回路を使用して構築されます。私たちの論文は、相変化デバイスなどの非CMOSデバイスを使用して、消費電力を削減し、面密度を高めて同様の機能を再現することに焦点を当てています。

この論文へのあなたの貢献は何ですか？

ML： 過去3年間に行ってきた特性評価とモデリングの作業から、相変化デバイスの物理学を理解しました。これは、これらのデバイスに基づいて人工ニューロンを設計し、それらの機能を理解するために重要でした。さらに、私は論文で提示された実験データのいくつかを入手し、結果の分析と解釈に貢献しました。

「特に大量のデータを処理する場合、私たちのアプローチはより効率的だと思います。」

—IBMResearchの科学者であるManuelLe Gallo

人工ニューロンはどのような状況で適用できますか？

小さな四角は、ナノメートルスケールの相変化セル（見えない）にアクセスするために使用される接触パッドです。鋭いプローブが接触パッドに接触して、ニューロンの入力に応じて細胞に保存されている位相構成を変更します。プローブの各セットは、100個の細胞の集団にアクセスできます。

ML： このホワイトペーパーでは、イベントの複数のストリームから相関関係を検出する方法を示します。バイナリイベントの複数のストリームがあり、たとえば1が同時に発生する場合など、一時的に相関しているストリームを見つけたいとします。

このホワイトペーパーでは、イベントの複数のストリームから相関関係を検出する方法を示しました。

イベントとはどういう意味ですか？

ML： イベントには、たとえば、モノのインターネットによって収集されたTwitterデータ、天気データ、または感覚データがあります。バイナリイベントの複数のストリームがあり、たとえば1が同時に来る場合など、一時的に相関しているストリームを見つけたいとします。この論文では、イベントを受信する複数のプラスチックシナプスに接続された1つのニューロンだけを使用してこの識別を行う方法を示しています。

ニューロモルフィックコンピューティングが従来のコンピューティングよりも効率的である理由は何ですか？

ML： 従来のコンピューティングでは、個別のメモリと論理ユニットがあります。計算を実行するときはいつでも、最初にメモリにアクセスしてデータを取得し、それを論理ユニットに転送する必要があります。論理ユニットは計算を返します。そして、あなたが結果を得るときはいつでも、あなたはそれを記憶に送り返さなければなりません。このプロセスは継続的に行き来します。したがって、大量のデータを処理する場合、それは実際の問題になります。

ニューラルネットワークでは、コンピューティングとストレージは同じ場所に配置されます。ロジックとメモリ間の通信を確立する必要はありません。異なるニューロン間で適切な接続を行う必要があります。これが、特に大量のデータを処理する場合に、私たちのアプローチがより効率的になると私たちが考える主な理由です。

---

マニュエルルガロ は、スイス連邦工科大学（ETHチューリッヒ）で電気工学の修士号を取得するためにチューリッヒに来ました。彼はIBMで論文を完成させました。そこでは、求人が彼の経歴と興味に合っていました。彼は現在博士号を取得しています。

作成者について： ミリアンゲーラー はIBMResearch –チューリッヒのサマーインターンであり、科学者にインタビューして彼らの仕事と動機について詳しく学んでいます。秋には、プリンストン大学の学部生としてコンピュータサイエンスの勉強を始めます。