巨大で絶えず変化し続けるパズルを解きながら、マラソンを走っているところを想像してみてください。ロボットの世界において、このパズルとは「行列方程式」と呼ばれる一連の数学の問題です。これらの方程式はロボットの脳であり、自分がどこにいて、どこへ行くべきか、そしてどうすれば物にぶつからずに済むかを常に計算しています。厄介な点は、パズルのピース（方程式の中の数字）が、ロボットが新しい障害物を見つけたり移動したりするたびに、ミリ秒単位で変化することです。
従来、ロボットはこのパズルをデジタルコンピュータを使って解いてきました。デジタルコンピュータは、超高速の会計士のようなものです。彼らは一度立ち止まり、数字を書き留め、それらをメモリのデスクから計算のデスクへと移動させ、計算を行い、そして答えを再び戻さなければなりません。この「あちこちへの移動」には時間とエネルギーがかかります。まるでランナーが数歩進むごとに靴紐を結ぶために立ち止まるようなものです。科学者たちは、これとは異なる種類の脳を作るために、「メモリスタ」と呼ばれる微細な電子スイッチを利用しようとしてきました。メモリスタを、特定の量の水（電気）を保持できる「魔法のスポンジ」だと考えてみてください。もしこれらのスポンジを格子状に配置すれば、数字を動かすことなく、ただ水を流し込むだけで、数学のパズルを瞬時に解くことができます。しかし、問題は、これらのスポージャが少し扱いにくいことです。水量を正確に変えるには、通常、「推測、確認、調整」という、時間を消費する反復的なプロセスが必要であり、これが時間とエネルギーの節約効果をすべて台無しにしてしまいます。
本論文は、これら扱いにくいスポンジを使って、変化するロボットのパズルを迅速かつ正確に解くための新しい方法を紹介するものです。研究者たちは、ファウンドリ製のハードウェアを用いて、「mAIC」（メモリスタ・ベースのアナログ反復計算）と呼ばれるシステムを開発しました。従来の遅い「推測、確認」方式の代わりに、彼らは「AC-PoP」という巧妙なトリックを生み出しました。バケツを特定の線まで満たす必要がある場面を想像してください。一滴ずつ水を入れ、一滴ごとに水位を確認するのではなく、バケツがどのように漏れ、どのように満たされるかという特別なマップを使用して、一度にどれだけの水を注げばよいかを正確に予測するのです。もし目標からわずかに外れても、あなたのシステムには、誤差を修正するために、ちょうど適量の「補正用の水」を即座に加えるための第2、第3、第4のスポンジが控えています。これにより、ロボットは、遅い確認プロセスを経ることなく、一瞬のうちに数学のパズルを更新できるようになります。
実走行中のロボットや、複雑なマッピングタスク（SLAMと呼ばれます）でこのシステムをテストしたところ、驚くべき結果が得られました。この新システムは、最高性能のデジタルコンピュータとほぼ同等の精度で数学の問題を解きました。しかし、それよりもはるかに高速で、消費電力も極めて少なかったのです。標準的なロボット用コンピュータ（NVIDIA Jetson）と比較すると、新システムは4.4倍速く、エネルギー消費量は627.9分の1でした。さらに、スポンジのプログラミングにおける以前の遅い手法と比較しても、この新手法はパズルのピースを更新する速度が345倍速かったのです。研究者たちは、この「ワンショット予測」のトリックと連続的な電流の流れを組み合わせることで、ロボットがついに、周囲の世界の変化と同じ速さで、バッテリーを使い果たすことなく、リアルタイムで思考を更新できる脳を持つことができるようになることを示しました。
技術要約：メンリスタを用いた動的アナログ反復計算によるリアルタイム・ロボット自律走行
問題提起
自律移動ロボット（AMR）システムには、リアルタイムの推定、最適化、および制御が必要であり、これらは根本的に動的な行列方程式（A(t)x(t)=b(t)）に基づいています。静的なAIワークロードとは異なり、SLAM（自己位置推定と環境地図作成）や経路計画といったロボットのタスクには、変化するセンサー入力や環境条件に応じて頻繁に更新される必要がある係数行列が伴います。現在のデジタル・フォン・ノイマン・アーキテクチャは、「メモリの壁」と呼ばれるボトルネックに直面しており、分離されたメモリユニットとプロセッシングユニット間でのデータ移動が、反復解法におけるレイテンシとエネルギー消費のオーバーヘッドを引き起こしています。メンリスタベースのアナログ・コンピューティング・イン・メモリ（ACIM）は、行列ベクトル乗算（MVM）をデバイス内で高効率に実行する有望な手法ですが、その動的なワークロードへの適用は、主に2つの課題によって阻害されています。
- 行列更新の高オーバーヘッド： メンリスタのコンダクタンスを正確にプログラミングするには、デバイスの確率性とばらつきを補償するために、通常、反復的なライト・ベリファイ（WVP）プロセスが必要です。動的なシナリオにおいて、このような頻繁な更新に伴うエネルギーとレイテンシのコストは、アナログ加速による計算上の利点を打ち消してしまう可能性があります。
- 動的解法における精度： 既存のハイブリッド・アナログ・デジタル・ソルバーは、繰り返されるアナログ・デジタル（AD）およびデジタル・アナログ（DA）変換によるデータ転送オーバーヘッドに苦しんでいます。逆に、完全アナログ・ソルバーは、デバイスの変動や回路の不完全性に敏感であり、頻繁に変化する行列の特定の要求に対処することなしには、高精度な解法を実現することが困難です。
手法
著者らは、動的な行列方程式を効率的かつ正確に解くために設計された、メンリスタベースのアナログ反復計算（mAIC）システムを提案しています。このシステムは、2つの核心的な革新技術を統合しています。
アナログ補償型予測ワンステップ・プログラミング（AC-PoP）：
- 更新のボトルネックに対処するため、著者らは反復的なWVPに代わり、単一の予測パルスとそれに続くアナログ補償を用いるスキームを開発しました。
- メンリスタ・マクロの応答（Δg=f(V)）に関する事前特性化された予測モデルを使用することで、システムはデバイスを目標のコンダクタンス状態へと駆動するための単一のプログラミング・パルスを算出します。
- 予測プログラミングは必然的にデバイス間（D2D）およびサイクル間（C2C）のばらつきによる残留誤差を残すため、本スキームは段階的な補償メカニズムを採用しています。残留誤差は後続のマクロ（またはサイクル）に渡されて修正され、これにより、反復的な検証のレイテンシを伴わずに正確な行列更新が可能になります。
- 符号付きの行列更新は、差分エンコーディング・スキーム（GN=G+−G−）を通じて処理され、セット／リセット操作を最適化するために、更新が大きさのみか符号反転かを分類します。
連続時間アナログ・フィードバック・ソルバー：
- mAICシステムは、行列方程式をアナログ領域で直接解くために、完全アナログな反復アーキテクチャを実装しています。
- 行列方程式は、反復形式（xi+1=Bxi+f）に変換されます。反復行列 B は、トランスインピーダンス増幅器（TIA）によってスケール調整された複数のコンダクタンス行列を用いて実現されます。
- システムは、MVMの出力がベクトル項 f と合算され、次の反復のための入力としてフィードバックされる閉ループ・フィードバック回路として動作します。これにより、繰り返しのAD/DA変換なしに、連続時間での収束が可能になります。
- ハードウェア・プラットフォームは、マイクロコントローラ、トランスゲート、およびアナログ加算器を含むCMOS回路と統合された、ファウンドリ製造の1-Kb 1T1R（1トランジスタ・1抵抗）TaOxメンリスタ・マクロを利用しています。
主な貢献
- AC-PoPスキーム： 不完全なメンリスタ・デバイス上で、正確、低レイテンシ、かつエネルギー効率の高い動的な行列更新を可能にする、新しいプログラミング戦略。反復的なライト・ベリファイ・サイクルの必要性を低減します。
- 統合mAICシステム： AC-PoPと連続時間アナログ・ソルバーを組み合わせたハードウェア実証により、動的ワークロードに対してソフトウェアと同等の精度を達成しました。
- スケーラビリティ分析： 大規模な疎行列方程式に対するブロック単位のマッピング戦略の評価を行い、IRドロップなどの回路非理想性を緩和しながら、大規模なSLAM問題を処理できることを示しました。
結果
システムは、シミュレーションおよび実世界のロボット・タスクの両方において、ファウンドリ製造のメンリスタ・マクロを用いて検証されました。
- 更新効率： 従来のWVPと比較して、AC-PoPスキームは、同等の更新精度を維持しながら、行列更新エネルギーを101倍、レイテンシを345倍削減しました。
- SLAMバックエンドの最適化： KITTIデータセットに由来するSLAM局所化タスクにおいて、mAICシステムは、相対的なコンダクタンス・マッピング誤差0.09%（3回の補償サイクル時）および平均解誤差 4.57×10−4 を達成しました。再構成された軌跡の並進誤差は0.49%であり、CPUベースのダイレクト・ソルバーの誤差0.39%に匹敵しました。
- 実世界の経路計画： 変化する環境下での動的な再計画を伴う物理的な移動ロボット実験において、mAICシステムは、NVIDIA Jetsonプラットフォームと比較して、処理レイテンシを4.4倍削減し、エネルギー消費を627.9倍削減しました。システムは、40回の再計画ステップにわたって、平均絶対解誤差約 1.85×10−3 を維持しました。
- スケーラビリティ： 行ブロック・マッピング戦略を用いた大規模SLAMタスクのSPICEシミュレーションでは、行列規模が増大しても、デジタル・リファレンスに対する精度低下を最小限に抑えつつ、1回の解法あたり19.8 μs 以内で収束できることが示されました。
意義と主張
本論文は、メンリスタ・コンピューティングを、主に静的な行列加速のパラダイムから、正確かつ動的に再構成可能なアナログ・コンピューティングへと進化させるものであると主張しています。AC-PoPスキームを通じて頻繁な行列更新という決定的なボトルネックを解決することで、著者らは、メンリスタベースのACIMが、最先端のデジタル・エッジ・プロセッサよりも優れたエネルギーおよびレイテンシ特性を備えたリアルタイムのロボット自律走行をサポートできることを証明しました。
著者らは、この能力を将来のエッジ・インテリジェンスの基礎として位置付けており、メンリスタ・ハードウェアにおける効率的な動的更新が、物理環境に応じたオンライン適応、イン・サイチュ学習、および継続的なモデル進化を可能にすることを示唆しています。本研究は、メンリスタ・コンピューティングのすべての課題を解決することを目的としているのではなく、特に静的なワークロードから動的なワークロードへの移行に焦点を当て、複雑なAMRアプリケーション向けの完全に統合されたmAICチップへの実現可能な道筋を提供しています。
毎週最高の electrical engineering 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録