
2026/03/29 8:04
人間脳からインスパイアされたコンピュータチップ素材は、AI のエネルギー消費を大幅に削減できる可能性があります。
RSS: https://news.ycombinator.com/rss
要約▶
Japanese Translation:
カレッジの研究者は、神経形態計算を通じてAIハードウェアのエネルギー使用量を最大70 %削減できるハフニウム酸化物(HfO₂)メムリスタ―を設計しました。このデバイスは、ストロンチウムとタイトニウムでドーピングされた薄膜のHfO₂を使用し、導電フィラメントではなく層間インターフェースにp‑n接合を形成します。インターフェーススイッチングがサイクルやデバイス全体での一貫性を実現しています。これにより、滑らかな抵抗変化、数百万倍低いスイッチング電流、およびアナログ内メモリ計算に必要な数百個の安定した導電状態が提供されます。ラボテストでは、数万回の書き込みサイクルを超える信頼性のある耐久性、約1日間の状態保持、およびスパイクタイミング依存可塑性の忠実な再現が確認されています。この突破口は、最初の層後にのみ酸素を導入する二段階蒸着から生まれ、昨年11月に重要な結果が報告されました。2026年にScience Advancesで発表され、スウェーデン研究評議会、ロイヤルエンジニアリング学会、ロイヤルソサエティ、およびUKRIの支援を受けており、カレッジ・エンタープライズは特許を出願しています。将来の研究では、メムリスタ―をチップスケールで統合できるように700 °C以下の製造温度を低減し、データセンターやエッジデバイス、および大規模ニューラルネットワーク推論またはトレーニングに依存するあらゆる産業に恩恵をもたらす低エネルギーAIアクセラレーターへの道を切り開くことが目標です。
本文
研究者らが低エネルギーのメンリスタを開発し、人間の脳を模倣
ケンブリッジ大学主導のチームは、人工知能(AI)ハードウェアの消費電力を劇的に削減できる、新種のハフニウム酸化物ナノデバイスを開発しました。
研究者たちは、高い安定性と低エネルギー特性を備えた「メンリスタ」を製造しました。これは脳内でニューロンが接続される効率的な仕組みを再現することを目的としています。その成果は Science Advances に掲載されています。
重要性
現在のAIシステムは、データをメモリと処理ユニット間で頻繁に移動させる従来型チップに依存しています。このデータ搬送が大量の電力を消費し、産業界全体でAI採用が拡大するにつれて需要は急増しています。
脳を模倣したニューラモルフィックコンピューティングは、情報を同じ場所に保存・処理することで最大70 %まで電力消費を削減できる可能性があります。さらに、この種のシステムは人間の脳と同様に学習し適応することが期待されます。
「エネルギー消費は現在のAIハードウェアにおける主要課題です」と、ケンブリッジ大学材料科学・金属工学部の主著者 Dr. Babak Bakhit は語ります。「その解決には極めて低電流で優れた安定性、多数の状態を切り替える能力が必要です。」
画期的な進展
既存のメンリスタは、金属酸化物内に微小導電フィラメントを利用しています。これらのフィラメントは挙動が不安定で、高い形成・作動電圧が必要となり、大規模データ保存や計算には向きません。
ケンブリッジチームは、別のアプローチとしてハフニウムベースの薄膜を開発しました。完全に異なる方法で状態切替えを行います:
- ストロンチウムとチタンを添加し、二段階成長法でフィルムを作製することで、酸化物内に微小な電子ゲート―「p‑n接合」―を形成。
- これにより、導電フィラメントの生成・破裂ではなく、界面のエネルギーバリア高さを変化させることで抵抗を滑らかに調整できる。
「デバイスが界面で切替えるため、サイクル間およびデバイス間で卓越した均一性が得られます」と、ケンブリッジ工学部とも関連する Bakhit は述べました。
ハフニウムベースのデバイスを用いて、研究者は従来型酸化物デバイスと比べて約百万倍低い切替電流を実現しました。さらに、数百個の安定した導電レベルを生成し、アナログ「インメモリ」計算に不可欠な特性を備えています。
試験では、数万回の切替サイクルを信頼できるほど耐え、約1日間は設定状態を保持できました。また、生物学で観測される基本的な学習規則(スパイク時系列依存可塑性)も再現し、ニューロンがシグナルタイミングに応じて結合強度を変えるメカニズムを示しました。
「これらは、単なるビット保存ではなく学習・適応可能なハードウェアに必要な特性です」と Bakhit は語ります。
残された課題
現行の製造プロセスでは約700 °Cという高温が要求され、標準的な半導体製造条件を超えています。
「これは現在、デバイス製造で最も大きな課題です」と Bakhit は述べました。「しかし、温度を下げて業界標準プロセスに適合させる方法を検討中です。」
彼は、技術が最終的にはチップ規模のシステムへ統合できると信じています。
「温度を低減しデバイスをチップ上に実装できれば、大きな前進となります」と述べました。
ブレークスルーは数年にわたる失敗作業の末、昨年末に二段階堆積法に独自のひねりを加え、最初の層成長後にのみ酸素を添加したことで実現しました。
「このプロセスにほぼ3年間費やしました…11月末に初めて本当に良い結果が得られました」と Bakhit は語ります。「まだ早期段階ですが、温度問題を解決できれば、この技術はゲームチェンジャーになるでしょう。エネルギー消費は極めて低く、デバイス性能も非常に有望です。」
資金と特許
研究はスウェーデン研究評議会(VR)、ロイヤル工学アカデミー、ロイヤルソサエティ、および英国研究・イノベーション(UKRI)からの支援を受けました。ケンブリッジ大学のイノベーション部門である Cambridge Enterprise が特許出願を行っています。
参考文献
Babak Bakhit ら。「非対称に拡張された p‑n 異種界面を持つ HfO₂ ベースメンリスタシナプスによる高エネルギー効率ニューラモルフィックハードウェア」 Science Advances (2026)。DOI: 10.1126/sciadv.aec2324