九州工業大学生命体工学研究科教授博士（工学）田中啓文氏

セミナーポイント

■講座のポイント
生成AIや深層学習の発展に伴い、AIの計算量増大による消費電力の増加や、データ移動に伴うエネルギー損失が課題となっている。こうした課題を解決するアプローチとして、脳の情報処理に学ぶニューロモルフィック技術や、材料自体の物理的な特性を計算に利用するインマテリオ計算、物理リザバー計算が注目されている。本セミナーでは、次世代AIハードウェアの基礎から世界の研究動向、ナノカーボン材料を用いたAIデバイスの構築・評価までを体系的に解説する。さらに、インセンサコンピューティングによる触覚情報処理、マテリアル暗号、フィジカルAI・ロボティクスへの応用を取り上げ、材料の非線形性や記憶特性を活用した省エネルギー情報処理の可能性と、実用化に向けた課題・展望を紹介する。

■受講後、習得できること
・ニューロモルフィック技術、物理リザバー計算、インマテリオ計算など、次世代AIハードウェアの主要方式と特徴・課題
・ナノカーボン材料などの物理的特性を利用したAIデバイスの構築方法と、非線形性・記憶効果・再現性・消費エネルギーなどの評価指標
・インセンサコンピューティングによる触覚情報処理や、マテリアル暗号など、材料の計算機能を活用した応用技術と実装事例
・フィジカルAI・ロボティクスへの応用に向けた、材料・デバイス・回路の統合技術、実用化に向けた課題と今後の研究開発動向

■受講対象
・ナノカーボン材料などの機能性材料を用いた情報処理・電子デバイスの研究開発に携わる方
・ニューロモルフィックデバイス、物理リザバー計算など、次世代AIハードウェアの研究開発に携わる方
・AI半導体、エッジAI、省電力コンピューティングなど、AI処理の高速化・低消費電力化に向けた技術開発を担当する方
・センサ、電子デバイス、ウェアラブル、ロボットの触覚処理など、センシングと情報処理の融合技術に携わる方
・材料・デバイス技術の新たな応用先として、フィジカルAI、ロボティクス、ハードウェアセキュリティなどの可能性を探索する方

セミナー内容

１．AIハードウェアの現状とニューロモルフィック技術
　1-1.AIの社会実装と計算基盤の課題
　　・深層学習の進展とフィジカルAI、エッジAI・リアルタイム処理への需要
　　・データセンター電力の国際推計：2022年約460TWhから2026年に1,000TWh超へ
　　・国内の電力需要見通し、ラック電力密度の壁(冷却と系統接続)
　　・データ移動に伴うエネルギー消費(チップ間では演算と信号伝送に100倍の差)
　1-2.シリコンCMOSの限界と非ノイマン計算
　　・フォン・ノイマンボトルネックと、その外に出る2つの道(デジタルの延長／アナログ演算の導入)
　　・アナログインメモリ計算の到達点──大規模集積、ファウンドリ製造、閉ループ化
　1-3.ニューロモルフィックアーキテクチャの全体地図
　　・3系統の整理：デジタルSNN型／アナログインメモリ型／物理計算・インマテリオ型
　　・主要プロセッサ(Loihi 2、SpiNNaker2、NorthPole、Akida ほか)とメモリスタ・クロスバー
　　・各系統の課題(SNNと誤差逆伝播の非整合、純アナログ実装の難しさとmixed-signal)
　　・材料の非線形性を利用する計算──「作り込まない」という選択

２．インマテリアル物理リザバー計算とナノ材料
　2-1.リザバー計算の基礎と理論
　　・リザバー計算の概念と、出力層のみを学習する枠組み(リザバー vs DNN)
　　・エコーステート性とカオスの縁
　　・メモリ容量(MC)と情報処理容量(IPC)、代表的ベンチマークタスク
　2-2.インマテリアル計算の特徴と実装方式
　　・非線形応答・履歴依存性・ゆらぎの役割と高次元写像
　　・物理リザバーの6系統：光／スピン／メモリスタ／ナノワイヤ・原子スイッチ／ソフトボディ／量子
　　・物理ノード方式と仮想ノード方式、タスク適応型物理リザバー計算
　2-3.世界の研究動向
　　・原子スイッチネットワーク(UCLA／NIMS)、ナノワイヤネットワーク(Sydney大)
　　・ドーパントネットワーク(Twente大)、回路・システム側からのアプローチ(Milano／Torino)
　2-4.AIデバイスに求められる物理機能とナノカーボン材料
　　・状態保持と可塑性、確率的応答・ノイズ機能
　　・ポリオキソメタレート／SWNT複合体の負性抵抗と分子ネットワークの動的特性
　　・ナノカーボン上の偶発性構造から脳型挙動が発現するということ

３．ナノ材料AIデバイスの構築・評価・実装
　3-1.デバイスの構築とAI機能
　　・SWNT／Por-POM ランダムネットワークの形成、電極設計とジャンクション密度
　　・3Dテンプレート法によるリザバーデバイスの3次元化
　　・非線形性と記憶効果、波形生成タスクのノード量依存性、2次元と3次元の性能比較
　3-2.性能評価の方法
　　・何を測れば材料の良し悪しが言えるか──非線形性・短期記憶・多様性・再現性
　　・ベンチマークへの批判的視点、「ノード数」の意味の違い
　　・ノード当たり／演算当たりの消費エネルギー評価
　3-3.他材料系との比較とシステム実装
　　・Ag/Ag₂S ナノワイヤ、SPAN＋金ナノ粒子、強誘電体ドメインほかの成果一覧
　　・音声認識、データ拡張による分類精度向上
　　・材料で前段・既存デバイスで後段のヘテロ実装(Nature 645, 886 (2025))
　　・CMOS互換・ウェハスケール化、ばらつきと説明可能性への対応

４．インセンサコンピューティング、マテリアル暗号と応用展開
　4-1.センサとAIの融合
　　・従来型／near-sensor／in-sensor computing の3段階、データ移動を減らすことの意味
　　・視覚中心の主流に対する、触覚と短期記憶というアプローチ
　4-2.ナノカーボン触覚センサとインセンサ演算
　　・CNT/PDMSスポンジセンサの圧力応答と、トマト熟れ度判別への応用
　　・短期記憶性の測定、主成分分析によるパルス列の分離
　　・把持物体分類タスク(9物体)と、ロボット皮膚・ウェアラブルへの展開
　4.3 マテリアル暗号──材料の物理特性を鍵にする
　　・ハードウェアセキュリティの地図：TRNG／PUF／信号レベルのアナログ保護
　　・Ag/Ag₂S 素子によるIn-materio暗号化とNIST SP 800-22 評価
　　・エコーステートネットワークによる復号、PUFとの違いとモデリング攻撃への対応
　4-4.物理AI・ロボティクスへの応用と今後の展望
　　・フィジカルAIとVLAモデルの動向、材料AIデバイスが担う役割
　　・北九州モデルと産学官連携
　　・材料・デバイス・回路の統合と次世代AIハードウェアのロードマップ

＜終了後、質疑応答＞