主要成果
東京大学の中島剛平准教授とNTTの張永波氏らを中心とする研究チームが、光コンピューティングを用いた物理ベースのAIフレームワークを開発しました。このフレームワークは、モデル構造と学習メカニズムを簡素化することで、AIの計算負荷を大幅に削減することに成功しています。Nature Computational Science誌に掲載された本研究では、シミュレーションおよび実機実験を通じて、提案手法が従来の複雑なニューラルネットワークのベースラインと同等、あるいは一部のテストではそれを上回る性能を示すことが確認されました。
技術・詳細
本フレームワークの核心は、学習プロトコルの再設計とネットワーク構造の簡素化にあります。具体的には、以下の2つのアプローチを組み合わせています。
- SS-DFA(state-skipping direct feedback alignment): 従来の学習法では、パラメータ調整のためにシステム内部の状態を継続的に記録・測定し、バックトラック(逆伝播)させる必要がありました。対してSS-DFAは、最終的なシステムエラーと構造的なシステムダイナミクスを利用することで、ほとんどの中間状態へのアクセスを回避し、学習を更新します。
- シングルマップ・ネットワーク: 複雑な内部接続トポロジーを排除し、多数の処理ユニットが統一された一般的ルールに従う簡素な構造を採用しました。
実証実験では、データを光信号に変換し、200メートルの光ファイバーループを循環させ、再び電気信号に戻して分析する専用の光コンピューティングプラットフォームが使用されました。これにより、ディープニューラルネットワーク内で自然に発生する複雑な活動パターンを光システムで再現し、効率的な情報処理を実現しています。
背景・業界の文脈
現在のAIモデルは巨大化・複雑化しており、トレーニングには膨大なエネルギーを消費します。従来のコンピュータチップは、多数のトランジスタを通じて電気信号を伝送して計算を行うため、大量の電力を消費し、激しい熱を発生させます。一方、光コンピューティングは光を用いて情報を高速に伝送し、並列チャネルで複数の信号を同時に送信できるため、エネルギー消費を低減できる可能性があります。しかし、従来のAIアルゴリズムをそのまま光基板に適用しようとすると、トレーニング段階で精密な制御や膨大なデータストレージが必要となり、技術的なハードルが高いという課題がありました。
今後の展望
現在は、このシングルマップ・アーキテクチャをモジュール式の計算ブロックとして、いくつかの現代的なニューラルネットワーク設計に統合した段階にあります。今後は、最大規模の言語モデルやマルチモーダルモデルへの適用によるスケーラビリティの検証が主要な研究方向となります。将来的に小型化と量産化が実現すれば、低発熱の光ハードウェアによってデータセンターの電力消費と冷却に必要な水の使用量を削減できるほか、スマートフォン、車載システム、カメラなどのチップへの直接実装が期待されます。
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録(週刊・技術動向レポート)
ご登録いただくと、Troy-Technical から週刊で技術動向レポート(メールマガジン)をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます(各メール下部のリンクから)。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます



