磁気ニューロモーフィックコンピューティングがAI効率を人間並みに向上

磁石を利用することで、人工知能が物体認識において人間並みの効率を達成できることが明らかになりました。パデュー大学の研究者たちは、脳の計算に類似したタスクを、より少ないエネルギーとメモリで実行できる新しいネットワークを開発しました。

ニューロンとナノ磁石の類似性

ニューロンの電気的ダイナミクスは、ナノ磁石のスイッチングダイナミクスと驚くほど似ています。磁気トンネル接合デバイスが示すスイッチング挙動は確率的な性質を持ち、これはニューロンのシグモイドスイッチング挙動を表しているため、磁気接合をシナプス重みの記憶に利用できます。

この磁石の優れた特性を利用して、パデュー大学の研究者たちは、ドローン、自動運転車、ロボットなどの機械が複数の物体をよりよく一般化して認識できるよう、磁気と脳型ネットワークを融合させる手法を開発しました。

新しいアルゴリズム：ReStoCNet

スパイキングニューラルネットワーク（SNN）は、従来のニューラルネットワークよりも低い計算リソースで知能的なニューロモーフィックシステムを実現する有望な代替手段です。これらのネットワークは、データを疎なスパイクイベントの形でエンコードし伝達します。

今回の研究では、スパイクタイミング依存可塑性（STDP）を用いて、確率的な学習アルゴリズム「Stochastic-STDP」を開発しました。これは、メモリ効率の良いニューロモーフィックコンピューティングのためのバイナリカーネルで構成される深層残差畳み込みSNN「ReStoCNet」です。

磁石の固有の確率的挙動を利用し、新しいアルゴリズムに基づいて磁化位相を確率的に切り替えました。その後、推論時にナノ磁石の磁化位相に決定論的にエンコードされた学習済みシナプス重みを使用しました。

STDPベースの確率的学習則は、ヘッビアン学習とアンチヘッビアン学習のアプローチを取り入れ、ReStoCNetを構成するバイナリカーネルを階層的な入力特徴抽出のために層ごとに教師なしで訓練します。

Credit: Purdue University

研究チームは、高エネルギー障壁を持つ磁石を使用してコンパクトな確率的プリミティブを実現し、同一デバイスを安定したメモリ要素として使用可能にしました。

2つの異なる公開データセットでReStoCNetの効率を検証し、残差接続により深層畳み込み層が価値のある高レベル入力特徴を学習し、残差接続のないSNNによる損失を最小化できることを示しました。

実用性と応用

この新しいネットワークは、ニューロンとシナプスの両方を表現しながら、脳の計算に類似したタスクを実行するために必要なエネルギーとメモリを削減できます。

これらの脳型ネットワークは、グラフ彩色問題や巡回セールスマン問題などの困難な最適化問題を解くことができます。今回提示された確率的デバイスは「自然なアニーラー」として機能し、アルゴリズムが局所解から脱出するのを助けます。

より具体的には、メモリ効率の良い確率的学習とイベント駆動型コンピューティングを備えたReStoCNetは、CMOSおよび相変化メモリ、抵抗変化型ランダムアクセスメモリなどの確率的新興デバイス技術に基づくニューロモーフィックハードウェアの実装に適しており、バッテリー駆動デバイスのメモリ効率を向上させます。