米国 NIST 超伝導ニューラルネットワークが自ら学習することを実証 (2025.08.18)

こんにちは、丸山満彦です。

NISTの研究者が超伝導ニューラルネットワークが自ら学習することを実証したと発表していますね...

詳細なシミュレーションを用いて、ニューラルネットワーク（人間の脳にヒントを得た電子回路）の一種をプログラムすることで、新しいタスクを強化学習を用いた自己学習できることを実証したということのようです。

学習速度が向上することになるので、開発の時間短縮、リアルタイム学習によるリアルタイム対応、環境負荷の低減等が考えられますかね...

人間の脳は、自分でいうのも何ですが(^^)、コンピュータに比べて非常にエネルギー効率の高い計算システムですよね...地球上に80億人の人がいるにも関わらず（食料不足で苦しんでいる人はいるものの）系全体としてはエネルギー不足にはなっていないように見えますからね...

その上、最小限の監視と不完全な訓練データでも新しいタスクを学習する能力があり、適応力が高く、耐障害性も高い。。。考えれば、すごい器官といえますよね...

それをコンピュータでどのように真似ようかというのは、当然の流れですが、NISTは、自己学習が可能で、エネルギー効率の高い、アーキテクチャを考えたようです...どこまでわかるかはありますが、内容を確認したいと思います...

● NIST - ITL

・2025.08.18 NIST Researchers Demonstrate that Superconducting Neural Networks Can Learn on Their Own

NIST Researchers Demonstrate that Superconducting Neural Networks Can Learn on Their Own	NIST の研究者、超伝導ニューラルネットワークが自ら学習できることを実証
Using detailed simulations, researchers at the National Institute of Standards and Technology (NIST) and their collaborators have demonstrated that a class of neural networks – electronic circuits inspired by the human brain – can be programmed to learn new tasks on their own. After initial training, the NIST superconducting neural networks were 100 times faster at learning new tasks than previous neural networks.	米国国立標準技術研究所（NIST）の研究者たちは、詳細なシミュレーションを用いて、人間の脳から着想を得た電子回路であるある種のニューラルネットワークが、自ら新しいタスクを学習するようにプログラムできることを実証した。初期トレーニングの後、NIST の超伝導ニューラルネットワークは、従来のニューラルネットワークよりも 100 倍も早く新しいタスクを学習することができた。
Neural networks make decisions by mimicking the way neurons in the human body work together. By adjusting the flow of information among neurons, the human brain identifies new phenomena, learns new skills, and weighs different options in making decisions.	ニューラルネットワークは、人体のニューロンが連携して機能する方法を模倣して意思決定を行う。ニューロン間の情報の流れを調整することで、人間の脳は新しい現象を識別し、新しいスキルを習得し、意思決定においてさまざまな選択肢を比較検討する。
The NIST scientists focused their efforts on superconducting neural networks, which transmit information at high speed--in part because they allow current to flow without resistance. Once cooled to just 4 degrees above absolute zero, they consume much less energy than other networks, including neurons in the human brain.	NISTの研究者は、超伝導神経ネットワークに焦点を当てた。これは、抵抗なしで電流を流すことができるため、情報を高速で伝達できるからである。絶対零度から4度まで冷却されると、他のネットワーク（人間の脳の神経細胞を含む）よりもはるかに少ないエネルギーを消費する。
(a) Biological neuron vs. NIST superconducting neuron design. In the NIST design, incoming pulses are split into two branches (green and red), each with an adjustable superconducting quantum interference device (SQUID) inductively coupled into a summation loop (soma); the soma combines the branch outputs and, when a threshold is crossed, launches an output pulse on a transmission line (axon) to the next neuron. A superconducting loop (blue) between the branches stores the neuron's weight as a persistent quantized current that can be varied.	(a) 生物学的神経細胞とNIST超伝導神経細胞の設計。NISTの設計では、入力パルスは2つの枝（緑と赤）に分割され、各枝には調整可能な超伝導量子干渉装置（SQUID）が誘導結合された合計ループ（ソマ）に接続されている。ソマは枝の出力を結合し、閾値を超えた際に伝送線（軸索）を介して次の神経細胞に出力パルスを送信する。分岐間の超伝導ループ（青）は、ニューロンの重みを持続的な量子化電流として蓄積し、調整可能である。
(b) Weighting the neuron. Increasing the positive current in the weight loop strengthens the coupling of the positive branch to the soma and weakens the negative branch, yielding a larger positive net pulse after integration. Conversely, increasing the negative current strengthens the negative branch and weakens the positive branch, producing a larger negative net pulse. The synapse stores and applies the weight of the pulse passing between neurons.	(b) ニューロンの重み付け。重みループの正の電流を増加させると、正の分岐とソマの結合が強化され、負の分岐が弱まり、統合後の正のネットパルスが拡大する。逆に、負の電流を増やすと負の枝が強化され、正の枝が弱まり、より大きな負のネットパルスが生成される。シナプスは、神経細胞間で伝達されるパルスの重みを保存し適用する。
(c) Example responses. With zero current in the weight loop, an input pulse produces no net signal in the soma. Adjusting the current positively or negatively produces, respectively, a positive or negative response in the soma to the same input.	(c) 応答の例。重みループに電流がゼロの場合、入力パルスは細胞体にネット信号を生じません。電流を正または負に調整すると、同じ入力に対してそれぞれ正または負の応答が細胞体で生じる。
Credit: S. Kelley/NIST	クレジット：S. Kelley/NIST
In their new design, NIST scientist Michael Schneider and his colleagues found a way to manipulate the building blocks of a superconducting neural network so that it could perform a type of self-learning known as reinforcement learning. Neural networks use reinforcement learning to learn new tasks such as acquiring a new language.	NIST の科学者 Michael Schneider 氏とその同僚たちは、新しい設計において、超伝導ニューラルネットワークの構成要素を操作して、強化学習と呼ばれる自己学習を行う方法を見出した。ニューラルネットワークは、強化学習を用いて、新しい言語の習得などの新しいタスクを学習する。
A key element in any neural network is how preferences, or weights, are assigned to pathways in the electrical circuitry, akin to the way the brain assigns weights to different neural pathways. Weights are adjusted in a neural network using the proverbial carrot and stick method – strengthening the weighting of pathways that provide the correct answer and weakening those that lead to incorrect answers. In the NIST system, self-learning is acquired because hardware that makes up the circuitry determines the size and direction of these weight changes, requiring no external control or additional computations to learn new tasks.	あらゆるニューラルネットワークの重要な要素は、脳がさまざまな神経経路に重みを割り当てるのと同じように、電気回路の経路に好み、つまり重みを割り当てる方法である。重みは、よく知られた「飴と鞭」の方法を用いてニューラルネットワークで調整される。つまり、正しい答えをもたらす経路の重みを強化し、間違った答えをもたらす経路の重みを弱めるのである。NISTのシステムでは、回路を構成するハードウェアがこれらの重みの変化の大きさや方向を決定するため、新しいタスクを学習するために外部制御や追加の計算が不要である。
The researchers reported their findings online March 4 in Unconventional Computing.	研究者は3月4日に『Unconventional Computing』でオンラインで研究結果を発表した。
The NIST design offers two advantages. First, it enables the network to learn continually as new data becomes available. Without that capability, the entire network would have to be retrained from scratch each time researchers add data or alter the desired outcome.	NISTの設計には2つの利点がある。まず、新しいデータが追加されるたびにネットワークが継続的に学習できる点である。この機能がない場合、研究者がデータを追加したり、望ましい結果を変更したりするたびに、ネットワーク全体を最初から再訓練する必要がある。
Secondly, the design automatically adjusts the weighting of different pathways in the network to accommodate slight variations in the size and electrical properties of the hardware components may happen during fabrication. That flexibility is a huge benefit for training neural networks, which ordinarily require precise programming of weighted values.	第二に、設計はネットワーク内の異なる経路の重みを自動的に調整し、製造時にハードウェアコンポーネントのサイズや電気的特性に生じる微小な変動に対応できる。この柔軟性は、通常は重み値の精密なプログラミングを必要とするニューラルネットワークの訓練において、大きな利点である。
The design also has the potential to dramatically speed up training of neural networks and use significantly less energy than training designs based on semiconductors or software, Schneider said. With simulations demonstrating the feasibility of the hardware approach, Schnieder and his colleagues now plan to build a small-scale self-learning superconducting neural network.	シュナイダー氏は、この設計は半導体やソフトウェアに基づく訓練設計に比べて、ニューラルネットワークの訓練を大幅に高速化し、エネルギー消費を大幅に削減する可能性があると述べている。シミュレーションでハードウェアアプローチの実現可能性が示されたため、シュナイダー氏と研究チームは現在、小規模な自己学習型超伝導ニューラルネットワークの構築を計画している。

論文はこちら...

● Nature - unconventional computing

・2025.03.04 A self-training spiking superconducting neuromorphic architecture