AIはもはや、私たちの日常風景の一部となった。大規模言語モデルが人間のように対話し、画像生成AIが創造性を刺激する。しかし、その華々しい進化の裏側で、現代文明は巨大な課題に直面している。それは、AIを動かすために必要な、天文学的な量の計算能力と、それに伴う莫大なエネルギー消費だ。このままAIが進化を続ければ、計算能力と電力供給は限界に達するのではないか？そんな懸念が広がる中、フィンランドのアールト大学から、この「計算の壁」を打ち破る可能性を秘めた、まさに革命的な研究成果が報告された。電子の代わりに「光」そのものを使ってAIの頭脳を動かす、新技術の誕生だ。

AD

加速するAIと「計算の壁」という現実

今日のAI、特に深層学習（ディープラーニング）を支えているのは、GPU（Graphics Processing Unit）と呼ばれる半導体チップだ。もともとはコンピュータグラフィックスを描画するために設計されたGPUは、単純な計算を大規模に並列処理する能力に長けており、これがAIの学習や推論に不可欠な「テンソル演算」に極めて適していた。

テンソル演算とは、AIが画像や言語のような多次元データを扱うための、いわば「高度な行列計算」である。現代のAIモデルは、このテンソル演算を何十億、何兆回と繰り返すことで、複雑なパターンを学習し、人間のような知的な振る舞いを実現している。

しかし、このGPUを基盤としたアプローチは、物理的な限界に近づきつつある。AIモデルが大規模化・複雑化するにつれて、GPUの数と消費電力は爆発的に増加。一つの大規模AIモデルを学習させるだけで、一つの都市が消費する電力に匹敵するエネルギーが必要になるケースも珍しくない。半導体の集積度が限界に近づく「ムーアの法則の終わり」が囁かれる中、シリコンチップの上を電子が駆け巡るという従来の方法だけでは、AIの未来の進化を支えきれないのではないか。科学者たちは、全く新しい計算原理を模索していた。

答えは「光」にあり。アールト大学の革新的アプローチ「POMMM」

その問いに対する、一つのエレガントで力強い答えが、2025年11月14日付の科学誌『Nature Photonics』に掲載された。アールト大学のYufeng Zhang博士が率いる国際研究チームが発表した論文は、AI計算の常識を根底から覆す可能性を秘めている。

彼らが開発した新技術の名は「POMMM（Parallel Optical Matrix-Matrix Multiplication）」。日本語に訳せば「並列光学的行列-行列乗算」となる。その名の通り、電子回路に頼るのではなく、コヒーレント光（位相の揃った純粋な光）のビームたった1回の通過で、AIの根幹をなすテンソル演算を完全に並列実行するという驚くべき手法だ。

これは、電子がシリコンの微細な回路を駆け巡る代わりに、光子が自由空間や光学素子の中を一直線に突き進むことで計算が完了することを意味する。速度は文字通り「光速」であり、理論的にはエネルギー消費も劇的に削減できる可能性がある。

AD

光は如何にして計算するのか？POMMMの核心原理

「光で計算する」と聞いても、多くの人はイメージが湧かないだろう。研究チームが用いた巧みな比喩を借りて、その核心原理を紐解いてみよう。

「あなたは、無数の小包を仕分ける税関職員だと想像してください」とZhang博士は説明する。「通常、一つ一つの小包を手に取り、X線検査機に通し、重さを測り、宛先を読み取ってから、正しい仕分け箱に入れます。我々の光コンピューティング手法は、全ての小包と全ての検査機を一つに融合させてしまうようなものです」

従来のGPUによる計算は、この「一つずつ小包を処理する」方式に似ている。たとえ並列処理で複数の職員（プロセッサコア）が同時に作業したとしても、個々の小包が検査プロセスを順々に通過することに変わりはない。

一方、POMMMは全く異なるアプローチをとる。

  1. 情報のエンコード（小包に荷札を貼る）:
    まず、計算したい行列の数値（データ）を、光の「明るさ（振幅）」と「波のタイミング（位相）」に変換する。これは、一つ一つの小包に、中身の情報が書かれた荷札を貼る作業に似ている。この荷札を貼り付ける役割を担うのが「空間光変調器（SLM）」と呼ばれる、光のデジタルキャンバスのような装置だ。
  2. 行き先タグの付与（仕分け先を示すバーコード）:
    次に、行列の各行のデータに、それぞれ異なる傾きを持つ「線形位相」を与える。これは、それぞれの小包に、最終的な仕分け先を示すユニークな「虹色のバーコード」を貼り付けるようなものだ。このバーコードがあるおかげで、後で全ての小包が混ざり合っても、最終的に正しい場所に仕分けることができる。
  3. 情報の重ね合わせと演算（全ての小包を同時に検査）:
    この「荷札」と「バーコード」が付いた光を、特殊なシリンドリカルレンズ（円筒レンズ）群に通す。すると、光の波が伝わる物理法則（具体的にはフーリエ変換）そのものが計算機として機能し、驚くべきことが起きる。全ての行の情報（全ての小包）が空間的に重ね合わされ、そこに別の行列の情報（検査内容）が一度に適用されるのだ。これは、全ての小包を巨大な広場に一度に並べ、上空から特殊な光を当てるだけで、全ての検査が一瞬で完了するイメージに近い。
  4. 結果の分離（バーコードを頼りに自動仕分け）:
    最後に、もう一組のレンズ群を通過させる。すると、今度は最初に付けた「虹色のバーコード」を頼りに、混ざり合っていた情報が再び分離され、正しい計算結果が、最終的な出力先の正しい位置にマッピングされる。

この一連のプロセスが、光が装置を駆け抜ける、わずか一瞬のうちに完了する。最終的に、高解像度カメラで出力を撮影すると、そこには計算結果の行列に対応した光の輝点のパターンが写し出されている。これがPOMMMの核心だ。電気的なスイッチングを繰り返すのではなく、光波の伝播という物理現象そのものを利用して、膨大な計算をワンショットで実行してしまうのである。

GPUとの互換性は？実験で示された驚くべき精度

このアイデアがどれほどエレガントでも、実際に機能し、今日のAIと互換性がなければ意味がない。研究チームは、この点を証明するために厳密な実験を行った。

彼らは、畳み込みニューラルネットワーク（CNN）やVision Transformer（ViT）といった、現代の画像認識AIで広く使われているモデルを、POMMMのシミュレーションおよび物理的なプロトタイプ上で実行した。 テストには、手書き数字画像のデータセット「MNIST」や、衣類画像の「Fashion-MNIST」が用いられた。

結果は驚くべきものだった。POMMMによる計算結果は、従来のGPUによる計算結果と極めて高い精度で一致したのだ。平均絶対誤差（MAE）は0.15未満、正規化二乗平均平方根誤差（RMSE）は0.1未満という低い値に抑えられ、光学システムで十分な精度が得られることが実証された。

さらに重要なのは、GPUで学習させた既存のAIモデルを、特に手を加えることなく、そのまま光コンピューティングのフレームワーク上で実行できたことだ。これは、ソフトウェア開発者やAI研究者にとって計り知れない価値を持つ。例えるなら、ガソリンエンジン用に設計された車体をそのまま流用できる、高性能な電気モーターが発明されたようなものだ。既存の膨大なソフトウェア資産やAIモデルを無駄にすることなく、ハードウェアの基盤だけを次世代の光ベースのものに置き換えられる可能性が示されたのである。

AD

可能性は無限大。複素数計算からフォトニックチップへの道

POMMMのポテンシャルは、単純な行列計算に留まらない。

研究チームは、光の「色（波長）」を変えることで、さらに複雑な計算が可能になることも示した。例えば、異なる色の光にそれぞれ複素数の実部と虚部をエンコードすることで、ワンショットで複素数行列の計算を実行することに成功している。 これは、より高度な信号処理や物理シミュレーションなど、幅広い応用への扉を開くものだ。

もちろん、現在のプロトタイプは、実験室の光学テーブルの上にレンズやミラーを並べた、いわば「むき出しのエンジン」のような状態だ。この段階でのエネルギー効率は、1ジュールあたり約26.2億回演算（2.62 GOPs/J）と、最適化された最新の電子ハードウェアにはまだ及ばない。

しかし、研究チームが強調するのは、その将来性だ。POMMMの基本演算は、光がレンズを通過するだけの受動的なプロセスであり、原理的にはほとんどエネルギーを消費しない。この技術を、半導体製造技術を応用して指先サイズの「フォトニックチップ」に集積することができれば、エネルギー効率は数桁向上する可能性があると見込まれている。

アールト大学フォトニクスグループを率いるZhipei Sun教授は、このプラットフォームの柔軟性を次のように語る。「このアプローチは、ほぼ全ての光学プラットフォーム上で実装可能です。将来的には、この計算フレームワークをフォトニックチップ上に直接集積し、極めて低い消費電力で複雑なAIタスクを実行する光ベースのプロセッサを実現する計画です」。

光速AIはいつ実現するのか？課題と展望

研究チームは、この技術が3年から5年以内に商用の光コンピューティングプラットフォームに統合される可能性があると、比較的楽観的な見通しを示している。 実際に、大手テクノロジー企業もフォトニックハードウェアの開発にしのぎを削っており、この分野の進歩は著しい。

しかし、実験室での成功から商業的な成功への道のりは、決して平坦ではない。光学部品の製造・実装におけるナノメートル単位の精度管理、システム全体の誤差耐性の向上、そして何よりも、既存のシリコンベースの製造インフラに匹敵するコスト競争力の実現など、乗り越えるべき工学的な課題は山積している。

それでもなお、今回の研究が持つ意義は揺るがない。それは、AIの計算能力に対する我々の考え方を根本的に変え、これまで限界と思われていた壁の向こう側へと続く道を照らし出したことだ。単に既存の計算を速くするだけでなく、「光波の伝播」という物理世界の根源的な性質を、情報処理という知的な営みに直接結びつけた、全く新しい計算パラダイムの誕生なのである。

AIの進化と地球環境の持続可能性という、一見すると相反する要求。POMMMとその先に続く光コンピューティング技術は、この二つの課題を同時に解決する鍵となるかもしれない。光が一閃する間に思考を終えるAIが、私たちの未来を照らす日も、そう遠くないのかもしれない。

論文

参考文献