磁気メモリでは通常、磁性体の向きを「0」と「1」の2値情報として利用する。しかし、磁化が向きを変える途中の連続的な運動を利用すれば、神経細胞のように電気信号のスパイクを発生させる素子として使える可能性がある。Steven Louis氏らの研究チームは、NMOSトランジスタと磁気トンネル接合(MTJ)を1個ずつ直列に接続した単純な回路モデルを構築し、回路シミュレーター上で基礎的な機械学習タスクであるXOR問題の学習に成功した。既存のCMOS回路にスピントロニクス素子を組み合わせる「CMOS+X」の枠組みで、メモリ素子を人工ニューロンとして利用する研究が進んでいる。

AD

メモリ素子を人工ニューロンに転用する「CMOS+X」の設計

Steven Louis氏らが提案したのは、1個のNMOSトランジスタと1個のMTJを直列に接続した「NMOS+MTJニューロン」である。研究成果は2025年12月3日にプレプリントサーバーarXivで初版(v1)が公開され、翌4日のv2を経て、2026年8月11日に改訂版(v3)が公開された。その後、査読を経てIEEEの論文誌『IEEE Transactions on Circuits and Systems I: Regular Papers』(第73巻第10号、6488〜6500ページ、2026年10月号)に掲載されている。

今回の設計は、既存のCMOS回路をスピントロニクス素子で置き換えるものではない。従来の電圧駆動型回路に新しい素子を組み合わせる「CMOS+X」の考え方に基づいている。基本構造は、すでに実用化されている不揮発性メモリのMRAMで使われる「1トランジスタ・1MTJ(1T-1MTJ)」セルとほぼ同じだ。

ただし、MTJの使い方は従来のMRAMとは異なる。一般的なMRAMでは、MTJの電気抵抗が高い状態と低い状態を、不揮発性の2値情報として記録する。一方、今回の設計では、MTJ内部の磁化が回転する連続的な運動を利用し、神経細胞の発火に相当するスパイク信号を生成する。

5V電源から4.85Vへ低下する「下向きスパイク」の仕組み

わずか2つの素子でスパイクを生成する仕組みは、MTJの磁気的な性質にある。回路では入力電圧をNMOSトランジスタのゲートに加え、出力電圧をドレイン側で測定する。NMOSとMTJは直列に接続されているため、両者には同じ電流が流れる。この電流によってスピン移行トルク(STT)が生じ、MTJ内部の自由層と呼ばれる磁性体の磁化が回転する。磁化の角度に応じてMTJの電気抵抗が変化し、その結果がドレインの出力電圧に反映される。

論文のv3に掲載されたシミュレーション波形を見ると、その動作は通常のデジタル回路における0と1の切り替えとは異なる。5.0Vの電源電圧のもとでゲートに3.16Vのバイアス電圧を加えると、回路には約100µAの電流が流れ、磁化は約80°の角度で安定する。この状態でMTJの抵抗は約500Ωとなり、出力電圧は4.95Vに保たれる。

時刻5nsにゲート電圧を3.45Vへ引き上げる短いパルスを入力すると、電流は一時的に約120µAまで増加する。このバイアス条件でスパイクを発生させる入力電圧のしきい値は約3.4Vであり、これを超えると磁化が90°の臨界角を突破する。その後、磁化は約2nsかけて360°の歳差運動(回転運動)を行い、元の80°と等価な安定角へ戻る。

この1回転の間に、MTJの抵抗は約500Ωから1500Ωまで上昇し、再び500Ωへ低下する。抵抗が増えるとMTJでの電圧降下が大きくなるため、5V電源に対する出力電圧は一時的に約4.85Vまで低下する。つまり、このニューロンが生成するのは上向きのパルスやデジタルの矩形波ではなく、4.95Vから4.85Vへ瞬間的に落ち込む「下向きの電圧スパイク」である。

AD

追加の制御回路なしで再現した6つの神経機能

研究チームは、回路シミュレーター「LTspice」を使い、NMOS+MTJニューロンが生物の神経細胞に似た複数の動作を再現することを確認した。具体的には、しきい値を超えた場合だけ発火する「しきい値発火」、入力から発火までの「応答遅延」、発火直後に次の反応が抑えられる「不応期」、複数の入力を時間的に積み重ねる「シナプス統合」、発火を抑える「抑制」、入力の強さに応じて発火頻度が変わる「周波数変調」の6つである。これらの動作はMTJ内部の磁化ダイナミクスから生じており、ニューロン単体に追加の制御回路を設ける必要はない。

シミュレーションでは、MTJの構造や磁気特性も具体的に設定されている。モデル化されたMTJの自由層は、長半径30nm、短半径20nm、厚さ3nmの楕円柱で、体積は5.65487×10⁻²⁴m³である。コンパクトモデルは、従来の2層強磁性体モデルを3層強磁性体へ拡張したもので、磁化の運動方程式と電気回路の方程式を連成させて計算している。

そのほかの主な条件は、LTspice標準ライブラリのNMOSトランジスタ、5.0Vのドレイン電源、5.3mTの外部磁場、ギルバート減衰定数0.1、異方性磁場ゼロである。ただし、研究チームも説明しているように、今回の3層モデルは、合成反強磁性ピニング層や低異方性自由層などを備えた商用MTJの積層構造を簡略化したものだ。

XOR学習を1エポック40ナノ秒で実行するアナログ回路

論文のタイトルにある「オンチップ機械学習」は、LTspice上に構築したアナログ多層ニューラルネットワークで検証された。学習対象となる順伝播型ネットワークは、入力層のニューロン2個と出力ニューロン1個で構成され、各ニューロンは1つの入力パターンにつき最大1回のスパイクを出力する。これに加え、入力AとBをスパイク波形に変換する2個、入力層と出力層へバイアス信号を与える2個、学習時に正解の発火時刻を示す目標スパイクを生成する1個の、計5個のエンコーディングニューロンが配置されている。

ニューロン同士を接続するシナプスは電圧増幅器で表現され、複数の入力信号は理想的な電圧加算器で統合される。研究チームは、実際の回路では標準的なCMOS加算回路などに置き換えられる可能性を示している。学習には教師ありの損失関数を使い、実際の出力スパイク時刻と目標スパイク時刻の差を2乗し、その半分を損失として定義した。この誤差を小さくするよう、スパイクの発生時刻に基づく勾配降下法でシナプスの重みを更新する。

時間設定もナノ秒単位で設計されている。XOR問題の各入力パターンには10nsが割り当てられ、4つのパターンを順番に処理する1エポックのシミュレーション時間は40nsとなる。各パターンの処理には推論と重み更新が含まれ、典型的なニューロン応答遅延が5ns未満であることを利用して、残りの時間に誤差評価と重み更新を行う構成だ。

学習が進むと、16エポック前後でシナプスの重みが安定し始め、損失関数の値が急激に低下してゼロへ近づいた。22エポック目に当たるシミュレーション開始から約900nsの時点では、4つのXOR入力条件すべてで、出力スパイクの発生時刻が目標時刻とほぼ一致した。学習全体のシミュレーション時間は約1µsである。一方、論文にある「一般的なノートPCで約15秒」という数値は、LTspiceがシミュレーションを完了するまでに要した実際の計算時間であり、提案回路の実機における学習時間や推論遅延を測定したものではない。

この実験では、モデル化された条件のもとでXOR問題の4パターンを学習できた。ただし、ネットワーク全体には理想化された電圧増幅器や加算器、学習用の機能ブロックが含まれている。MTJの磁化運動を計算するニューロン単体のモデルと、学習処理まで含めたネットワーク全体の回路モデルは区別する必要がある。

AD

実機検証と消費電力評価が残る

研究チームは以前にも、スピンバルブ(SV)とMTJを組み合わせた人工ニューロンを研究している。2024年に公開された論文(arXiv:2409.09268)では、バイアス電流なしで約1nsのスパイクを発生させるシミュレーション結果を報告していた。今回の研究ではNMOSトランジスタによる電流制御を取り入れ、さらに複数のニューロンを接続して学習可能なアナログネットワークを構築するところまで検証範囲を広げた。

ただし、今回提案されたNMOS+MTJニューロンも学習ネットワークも、実際の半導体チップとして作製されたものではない。素子の動作やネットワークの学習結果は、すべてLTspice上の数値シミュレーションから得られている。実験室で作製した素子によるスパイク波形や学習動作の測定は行われていない。

論文では、実験による検証、エネルギー効率の最適化、大規模ネットワークへの拡張を今後の課題として挙げている。今回のネットワークではシナプスや学習回路の一部を理想的な機能ブロックとして扱っているため、システム全体の消費電力やエネルギー効率は定量的に評価されていない。スパイク1回当たりの実測エネルギー消費量や、既存のGPU、CMOSニューロンと比較した電力面での優位性を判断するデータもない。

筆頭著者のSteven Louis氏は、実際のデバイスでは製造ばらつき、熱揺らぎ、温度や抵抗値の違い、自己発熱などがスパイクの発生時刻に影響する可能性を指摘している。今回のモデルでは、こうした要因による影響を定量的に評価しておらず、XOR問題での学習成功も4つの入力パターンに限られている。次の段階では、試作した実機で約2nsの磁化の歳差運動と4.85Vまで低下するスパイク波形を再現できるかを確かめるとともに、素子のばらつきや熱揺らぎが発火タイミングと学習性能に与える影響を測定することが重要になる。