Ag/Al₂O₃/ITO memristor for honeybee-inspired associative learning, behavioral emulation, and conductance-constrained flower classification

自然界の静かな片隅において、ミツバチは学習におけるマスタークラスを提供しています。これらの昆虫は単に環境に反応するのではなく、自分が感知するものと受け取るものとの間に複雑な連合を構築します。ミツバチは特定の香りや色を甘い報酬と結びつけることを学び、過去の経験に基づいて自身の行動を調整します。この能力は、動物が学習し記憶するにつれて強まったり弱まったりする、神経細胞間の小さな接合部である脳のシナプスに依存しています。数十年にわたり、科学者たちはこの生物学的な柔軟性を模倣する電子デバイスの構築を試みてきました。単に数値を計算するだけでなく、生き物のように学習するコンピュータの創造を目指してきたのです。この模倣の鍵となるのは、メモリストと呼ばれるコンポーネントです。これは、どれだけの電気が通過したかを記憶するタイプの電子スイッチです。単にオンかオフかのどちらかである標準的なスイッチとは異なり、メモリストは多くの異なる抵抗状態に落ち着くことができ、過去の履歴に基づいてその挙動を変化させることができます。これは、過去の活動に基づいてシナプスの強さが変化するのとよく似ています。

寧波大学の研究チームは、単一の単純な電子デバイスが、基本的な記憶から複雑な意思決定に至るまで、これらの一連の洗練された生物学的挙動のいくつかを再現できることを実証しました。彼らは銀、酸化アルミニウム、および導電性ガラスの層を用いて、ミツバチの学習プロセスに酷似した方法で電気パルスに反応する構造を持つ、極めて小さなコンポーネントを構築しました。電気の流れを注意深く制御することで、科学者たちは、このデバイスが2つの異なる信号を関連付け、教訓を忘れ、そしてそれをより速く再学習するように訓練できることを示しました。このデバイスは、睡眠、眠気、覚醒を表す状態の間で移行することで、異なるレベルの警戒度を模倣することさえできました。最も重要なことに、研究者たちは、このデバイスによって生成された特定の電気的状態が、現実世界の課題、すなわち写真の中の異なる種類の花を識別するために使用できることを証明しました。このデバイスは単に学習プロセスをシミュレートしただけでなく、標準的なコンピュータプログラムとほぼ同等の精度で画像を分類するという、ニューラルネットワークの実際の作業を実行したのです。

デバイス自体は、人間の髪の毛ほどの幅の、材料の小さな垂直スタックです。底部には導電性ガラスの層があり、その次に酸化アルミニウムの薄膜、そして最上部に銀の層がキャップされています。研究者がトップの銀層に電圧を印加すると、興味深い物理的変化が観察されました。銀原子がイオンに分解され、絶縁体である酸化アルミニウム層を漂い、最終的にトップとボトムを接続する小さな導電性のブリッジ、すなわちフィラメントを形成したのです。このフィラメントは、流れる電流の量に応じて太くなったり細くなったりできるワイヤーのように機能します。電流が制限されると、フィラメントは細いままとなり、デバイスは電気に対して抵抗を示します。電流がより自由に流れることが許されると、フィラメントは太くなり、電気の通過が容易になります。この銀のブリッジの物理的な成長と収縮こそが、デバイスが過去を記憶することを可能にする仕組みであり、フィラメントのサイズが将来の信号に対するデバイスの応答を決定します。

この単純なメカニズムがミツバチの複雑な学習を模倣できるかどうかをテストするため、研究者たちはデバイスに一連の電気パルスを印力しました。彼らは、シナプスが学習中に強化されるのと同様に、デバイスの導電率を徐々に増加させたり、あるいは記憶の減退を模倣するように減少させたりできることを見出しました。また、2つのパルスが連続して送られた場合、2番目のパルスが最初のパルスよりも強い反応を示すことも観察されました。これは生物学的な脳で一般的な「対パルス促進（paired-pulse facilitation）」と呼ばれる現象です。デバイスはこれらの異なる状態を100秒以上保持し、意味のある時間、情報を保持できることを示しました。パルスの強さとタイミングを変化させることで、チームはデバイスに特定の挙動を示すようプログラムすることができました。彼らは、犬が食べ物と関連付けられた後にベルの音を聞いて唾液を出すように、弱い信号が強い信号と組み合わされた後にのみデバイスが反応するように学習する、パブロフ型条件付けのバージョンを成功裏に再現しました。

研究者たちはこれをさらに進め、デバイスが学習と忘却の満ち引きをもモデル化できることを実証しました。刺激を与えなくなると、電気的反応はゆっくりと衰え、これは忘却の自然なプロセスを表します。しかし、トレーニングパルスを再び開始すると、デバイスは最初よりもはるかに速くその挙動を再学習しました。これは、元の記憶の痕跡が残っていたことを示唆しています。また、彼らは異なるレベルの電気活動を意識の状態へとマッピングしました。非常に弱いパルスは低い反応を生じ、これを「睡眠」の状態にマッピングしました。中程度のパルスは「眠気」のための真ん中の反応を作り、強いパルスは「覚醒」のための高い反応を引き起こしました。これは、単一のデバイス・アーキテクチャが、物理的な構造自体を変更することなく、送られる電気信号のパターンを変えるだけで、幅広い履歴依存の挙動を生み出せることを示しました。

最後に、チームはこれらの学習された電気的状態が、実用的なタスク、すなわち花の識別に使用できるかどうかをテストしました。彼らはデイジー、タンポポ、バラ、ひまわり、チューリップを認識するように設計された標準的なコンピュータプログラムを取り、そのプログラムの最終部分を彼らのメモリストデバイスの導電状態に置き換えました。プログラムは、意思決定プロセスの「重み」を表現するために、デバイスの異なる抵抗レベルを保持する能力を使用しました。システムを花の画像データセットでテストしたところ、86.55パーセントの精度を達成しました。この結果は、完全にソフトウェア上で動作する標準的なコンピュータプログラムが達成した87.09パーセントの精度に驚くほど近いものでした。パフォーマンスのわずかな差は、物理的なデバイスで利用可能な特定の離散的な電気的状態が、タスクに必要な本質的な情報を捉えるのに十分であったことを示唆しています。この発見は、銀のフィラメントに由来するメモリストの物理的特性が、直接的に複雑なパターン認識をサポートできることを示しており、材料の生の物理学とニューラルネットワークの高次インテリジェンスとの間の溝を埋めるものです。

この研究は、より効率的な脳型コンピューティングへの道が、何百万もの複雑なコンポーネクトを構築することではなく、むしろ単一の単純なデバイスをさまざまな方法で制御する方法を理解することにある可能性を示唆しています。電気パルスを調整することで、同じAg/Al₂O₃/ITO構造が、メモリセル、学習エージェント、または分類器として機能することができます。研究者たちは、デバイスの挙動は固定されたものではなく、それが受ける刺激の履歴に完全に依存していることを示しました。この柔軟性により、ハードウェアは、昆虫の睡眠・覚醒サイクルを模倣することから視覚データの分類に至るまで、異なるタスクに適応することができます。結果は、銀イオンの薄膜における動きを支配する物理法則を利用することで、かつては複雑で多層的な生物学的システムを必要とすると考えられていたタスクを実行できることを具体的に実証しました。ニューロモーフィック・コンピューティングの分野が進展する中で、本研究は、適切な電気的プロトコルによって導かれた単純な材料がいかにして、自然界に見られる豊かな適応行動を示し始めることができるかという明確な例を提示しています。