Fully analog end-to-end online training with real-time adaptability in integrated photonics

人間の脳と同じように学習するコンピュータを想像してみてください。それは、あらかじめ書かれた厳格な台本に従うのではなく、新しい情報に遭遇するたびに自らの接続を絶えず調整していく仕組みです。何十年もの間、科学者たちはこの生物学的な柔軟性を模倣したマシンを作り上げ、より速く、より効率的で、混沌とした変化する現実世界でも動作できる人工知能を生み出そうと試みてきました。デジタルスイッチがオンかオフかのどちらかであることに依存する従来のコンピュータは、このような連続的な適応を得意としません。それらは、次に試行する前に、間違いから学ぶための別途の、時間がかかるステップを必要とすることがよくあります。フォトニクスとして知られる光ベースのコンピューティングの領域では、電気の代わりに光のビームを使用して驚異的な速度で情報を処理するチップが研究者によって構築されてきました。しかし、大きな障害が残っていました。それは、外部の低速なデジタル脳にどのように変更すべきかを指示されることなく、これらの光ベースのシステムにリアルタイムで即座に学習させることです。

研究チームは、この溝を埋める機能するプロトタイプを実証しました。彼らは、光のアナログ領域内で完全に学習し、適応し、自己修正できるシリコンチップを構築しました。これは、別のコンピュータでエラーを計算するために停止する必要がありません。最近の研究で説明されたこのシステムは、動的な環境（突然の天候の変化をナビゲートする自動運転車や、変化する温度に調整するセンサーネットワークなど）で自律的に動作できるマシンへの重要な一歩となります。フォトニック・プロセッサが、実際に動作している間に自身の内部設定を更新できることを証明することで、研究者たちは、高速であるだけでなく、回復力があり自立した人工知能への道を提示しました。

この成果の核心は、機械への新しい教え方にあります。現在のほとんどのシステムでは、コンピュータがタスクを実行し、結果をチェックし、エラーを計算し、それから設定を更新します。これは遅延を生む二段階のプロセスです。しかし、この新しいシステムは、働きながら学びます。それは「マルチプレクスド・グラディエント・ディセント（多重化勾配降下法）」と呼ばれる手法を用いていますが、これは複雑に聞こえますが、単純な試行錯誤の原理に基づいています。チップは、自身の内部設定（「重み」と呼ばれるもの）に対して微細かつ迅速な調整を行い、それらの変化が最終的な結果にどのように影響するかを即座に測定します。もし小さな微調整が結果を改善するならば、チップはその方向を維持し、もし状況を悪化させるならば、元の状態に戻ります。決定的なのは、チップがどのように変化すべきかを判断するためにデジタル・シミュレーションに頼るのではなく、自身の変化による影響を見るために物理的に光の出力を測定することです。これにより、「学習すること」と「実行すること」が全く同時に起こることが可能になります。

このアイデアをテストするために、研究者たちはモノリシック集積フォトニック・プロセッサを構築しました。これは、標準的な工業技術を用いて製造された、シリコン製の単一のチップであり、光を閉じ込めガイドするための小さなリングを含んでいます。これらのリングは、ニューラルネットワークの調整可能な「重み」として機能します。チームは、それぞれが情報の断片を運ぶ異なる色の光を使用して、データをチップに送り込みました。光がリングを通過する際、システムは計算を行うためにリングの特性を調整します。システムを訓練するために、彼らはリングに微小でラン데ムな振動を加え、光の出力がどのように変化するかを観察しました。これらの変化を観察することで、チップはより良い答えを得るためにどのように設定を調整すべきかを正確に判断することができました。このプロセスは、すべて光のアナログの世界で行われ、通常は処理を遅らせる複雑なデジタル計算を回避しました。

結果は驚くべきものでした。システムは、高い精度で異なるパターンを識別し、データを分類することに成功しました。さらに重要なことに、人間による介入なしに、環境の変化に適応する能力を示しました。ある実験では、研究者はチップが動作している最中にゲームのルールを変更しました。彼らは、さまざまな角度を通じて回転する線に基づいてデータを分類するようシステムに求めました。数分ごとに角度が変化しました。チップは失敗したり再プログラミングを必要としたりする代わりに、変化を素早く検知し、内部の重みを調整し、わずか数秒以内にデータの分類を正しく再開しました。チップは各シフトの直後に高い精度レベルをほぼ即座に回復させ、リアルタイムで動くターゲットを追跡できることを証明しました。

研究者たちはまた、デリケートな光学デバイスによくある問題である、物理的な乱れに対するシステムの回復力もテストしました。フォトニック・チップはしばしば温度に敏感です。わずかな温度上昇であっても、光の経路を歪ませ、計算を台無しにすることがあります。制御されたテストにおいて、チームはチップの温度を数度変化させ、デバイスが現実世界で直面する可能性のある変動をシミュレートしました。温度が上昇するにつれて、チップの性能は初期段階で低下しました。しかし、システムは常に学習していたため、品質の低下を感知し、補償するために設定を自動的に調整しました。チップは精度を以前のレベルまで回復させ、環境ストレスから事実上、自己治癒しました。この自己補正は継続的に行われ、周囲の条件が変化してもデバイスが安定した動作を維持することを可能にしました。

この技術がいかに複雑なタスクへとスケールアップできるかを理解するために、研究者たちはシステムの「デジタルツイン」を作成しました。これは、はるかに多くの接続層を持つ、より大規模なネットワークをシミュレートした仮想モデルです。彼らはこのモデルを使用して、陰陽のシンボルに似た形状を含む困難な分類タスクをテストしました。これは、システムが複雑で非線形な境界を理解することを要求する問題です。シミュレーションの結果、実機のハードウェアに固有の不完全性やノイズがある場合でも、システムは高い精度を達成できることが示されました。この仮想モデルは、小さな物理チップで使用された手法が、より大規模で洗練されたネットワークでも機能することを確認し、このアプローチが単純な実験に限定されないことを示唆しました。

この新しいアプローチの速度と効率は注目に値します。物理的なチップは非常に高速で、光はわずかピコ秒（1兆分の1秒）単位でチップを通過します。現在のバージョンのチップは、重みを調整するために熱を使用しており、これには落ち着くまでまでに数分の一秒の時間がかかりますが、研究者らは、将来のバージョンでは電気信号を使用してこれらの調整をさらに高速化でき、学習プロセスを理論上1000倍高速化できる可能性があると指摘しています。エネルギー消費量も極めて低く、結果を読み取るために必要な電子機器を含むシステム全体で、小さな電球よりも少ない電力を消費します。このスピードと低消費電力の組み合わせは、このようなチップが、バッテリーを消耗させることなく、瞬時の判断を必要とするデバイスの電力を供給できる可能性を示唆しています。

この研究は、人工知能のあらゆる問題を解決したと主張するものではありませんが、ハードウェアが継続的に学習し、リアルタイムに適応できないという、具体的かつ重要なボトルネックに対処しています。学習プロセスを直接ハードウェア内に取り込み、アナログ領域に留めることで、研究者たちはデジタル処理に伴う遅延とエネルギーコストを取り除きました。システムは、そのような繊細なデバイスを悩ませるノイズや不完全性に対して堅牢であり、現実世界の予測不可能性にも対処できます。この研究は、マシンが動きながら学び、変化する環境に合わせて自身の内部ロジックを調整できることを示す具体的な実証を提供しました。この能力は、単に速いだけでなく、柔軟で自立した、新しい世代のインテリジェント・システムへの扉を開くものです。これらは、従来のコンピュータが苦戦することの多い動的な条件下でも動作することができます。