Normal Computingが世界初の熱力学コンピューティングチップ「CN101」のテープアウト成功を発表した。従来の決定論的計算の軛（くびき）から解き放たれ、物理現象の「ノイズ」を積極的に利用するこのアーキテクチャは、AIのエネルギー問題に対する解決策となるかも知れない。
AIスケーリングを制約する「電力の壁」
AI、特に生成AIモデルの進化は、その計算要求の増大と表裏一体である。オレゴン州立大学の研究によれば、2027年までにAIは世界の総エネルギー消費の0.5%を占め、これはオランダ一国分に匹敵する規模だ。この指数関数的なエネルギー需要は、ムーアの法則の鈍化と相まって、AIスケーリングにおける深刻な物理的制約、すなわち「電力の壁」として立ちはだかっている。
この課題に対し、インメモリコンピューティングのようなアプローチが研究されてきた。オレゴン州立大学のSieun Chae助教らが開発した「エントロピー安定化酸化物（ESO）」を用いたメムリスタチップは、プロセッサとメモリ間のデータ移動を最小化し、エネルギー効率を改善する一つの解だ。しかし、Normal Computingが提示する熱力学コンピューティングは、さらにラディカルな原理に踏み込む。フォン・ノイマン型アーキテクチャの延命ではなく、計算の定義そのものを書き換えようという試みである。
熱力学コンピューティングの動作原理
CN101は、「Physics-Based ASIC」と銘打たれている。これは特定の物理法則を計算原理としてハードワイヤードした特定用途向け集積回路を意味する。その根幹にあるのは、従来のコンピューティングが敵視してきた「ノイズ」や「確率性」を、計算のための能動的なリソースとして活用する逆転の発想だ。
決定論的計算から確率論的計算への転換
我々が慣れ親しんだCPUやGPUは、決定論的（deterministic）な計算マシンである。入力が同じであれば、出力は常に一意に定まる。この決定性を保証するため、無数のトランジスタが費やすエネルギーの大半は、厳密なクロック同期、データハザードの防止、そしてノイズの徹底的な抑制に充てられている。これは、すべてのビットを完璧に制御下に置くための、いわば「秩序の維持コスト」なのだ。
対照的に、熱力学コンピューティングは物理システムの自然な振る舞い、すなわち確率論的（stochastic）な状態遷移を利用する。IEEE SpectrumのインタビューでNormal ComputingのZachary Belateche氏が語ったように、このチップは以下のようなプロセスで解を導き出す。
- 初期化: チップ上の計算要素群は、まず半ランダムな初期状態に置かれる。
- 問題のエンコード: 解くべき問題（例えば、ある行列方程式）は、システムのエネルギー地形を定義するパラメータとして入力される。
- 緩和 (Relaxation): システムは外部からの束縛を受けず、熱力学的な平衡状態に向かって自然に遷移する。この過程で、システム全体の状態はエネルギーが最も低い、あるいは最も安定した配置へと自律的に収束していく。これこそが「計算」そのものである。
- 読み出し: 平衡に達したシステムの状態を観測することで、問題の解を得る。
このアプローチは極めて示唆に富む。AIアクセラレータのシストリックアレイが行列演算のデータフローを物理的に最適化するのに対し、CN101はデータ移動と演算そのものを、単一の物理的緩和プロセスに統合しているのだ。
ターゲットワークロード：なぜ線形代数とサンプリングなのか
CN101が最初のターゲットとして「線形代数」と「確率的サンプリング」を挙げているのは、技術的な必然性がある。
- 線形代数と行列演算: 多くの最適化問題や物理シミュレーションは、大規模な連立一次方程式を解くことに帰着する。これは、多変数関数のエネルギー地形における最小点を探す問題と等価であり、熱力学システムの平衡点探索と極めて親和性が高い。
- 確率的サンプリング: 拡散モデルのような生成AIは、潜在空間における確率分布からのサンプリングが性能の鍵を握る。この本質的に確率的なタスクは、物理システムの確率的な揺らぎを利用して実行するのに理想的だ。Normal Computingが独自に開発したという「Lattice Random Walk (LRW)」ベースのサンプリング手法は、この物理実装を前提としたアルゴリズムだと考えられる。
CN101のアーキテクチャと1000倍効率の真意
とは言え、「最大1000倍のエネルギー効率向上」という主張は、批判的に吟味する必要がある。これは、特定のアルゴリズムをCN101上で実行した場合と、従来のGPUでエミュレートした場合との比較における理論上のピーク性能であろう。実アプリケーションにおいては、ホストCPUとのデータ転送オーバーヘッドや、熱力学コンピューティングに変換できない処理部分が全体の性能を律速するアムダールの法則から逃れられない。
しかし、そのポテンシャルは計り知れない。Normal Computingが掲げるロードマップは野心的だ。
この計画は、静止画から動画へと、時間的相関を含むより複雑な確率分布のモデリングへと進む明確な戦略を示している。CN101で実証された基本原理を、より高次元で動的なシステムへと拡張していくのだろう。
- 2026年 CN201: 高解像度拡散モデルとAIワークロードの拡大
- 2027年後半/2028年初頭 CN301: 大規模ビデオ拡散モデルへのスケーリング
製造プロセスと実装：CMOS互換性の戦略的意義
CN101が単なる学術的研究ではなく、商業的な成功を視野に入れていることは、「テープアウト」という言葉の選択から明確に読み取れる。テープアウトは、設計が完了し、製造工程（通常はシリコンファウンドリ）に引き渡される段階を指す。これは、CN101が既存のCMOS製造プロセスとの互換性を前提に設計されていることを強く示唆している。
このCMOS互換性こそ、新奇なアーキテクチャを現実世界の製品へと落とし込む上で最も重要な戦略的判断だ。ESOメムリスタのような特殊材料を用いるアプローチは、特定の性能を引き出す上で魅力的だが、製造プロセスの確立や歩留まりの安定化に莫大なコストと時間を要する。一方、標準CMOSプロセスを利用できれば、TSMCやSamsungといった世界中のファウンドリを活用でき、コストを抑えつつ安定した量産が可能になる。
「Physics-Based ASIC」という呼称は、おそらく特殊な物理現象を直接利用するのではなく、標準的なデジタル/アナログCMOS回路を用いて熱力学システムの振る舞いを「模倣」または「エミュレート」するアーキテクチャであることを示唆している。これにより、製造の現実性と、革新的な計算原理の両立を図っていると見るのが妥当だろう。
データセンター統合シナリオとソフトウェアスタック
では、この新しいチップはデータセンター内でどのように機能するのか。最も現実的な統合シナリオは、PCIeフォームファクタのアクセラレータカードとしての実装だ。
拡散モデルによる画像生成の推論パイプラインを例に、CN101の役割を具体的に考えてみよう。
- リクエスト受信: ユーザーからのプロンプト（例: 「宇宙飛行士に乗る猫」）がAIアプリケーションサーバーに届く。
- 初期ノイズ生成: CPUまたはGPUが、ターゲット解像度のランダムノイズ画像を生成する。
- 反復的デノイジングループ (GPU + CN101):
a. ノイズ予測 (GPU): 現在のノイズ画像とプロンプトをU-Netのような大規模ニューラルネットワークに入力し、除去すべきノイズを予測する。この処理は密な行列演算の塊であり、GPUが最も得意とする領域だ。
b. サンプリング (CN101): GPUが予測したノイズに基づき、次のステップの画像を生成する。この「サンプリング」プロセスは本質的に確率的であり、従来のGPUでは擬似乱数を用いた複雑な計算を要する。ここがCN101の主戦場となる。 ホストCPUはサンプリングタスクをPCIe経由でCN101にオフロード。CN101は物理的な緩和プロセスを利用して、極めて低消費電力かつ高速にサンプリングを実行し、結果を返す。 - ループ完了と後処理: 上記のループを数十回繰り返し、最終的な画像が生成される。その後、GPUやCPUで画像のスケーリングなどの後処理を行い、ユーザーに返却する。
このシナリオにおいて、CN101はGPUを置き換えるのではなく、推論パイプラインの中で最も特性が合致する「確率的サンプリング」というニッチだが極めて重要なタスクに特化した、一種の「コプロセッサ」として機能する。同様に、Normal Computingの成功は、CN101を透過的に利用可能にするドライバ、専用ライブラリ（libnormalなど）、そしてPyTorchやDiffusersといった主要AIフレームワークへのプラグインといった、堅牢なソフトウェアスタックを構築できるかにかかっている。
未来のデータセンター：異種混合（ヘテロジニアス）の協奏
CN101がGPUを完全に置き換えることはない。むしろ、未来のAIデータセンターは、CPU、GPU、そして熱力学ASICのような特殊アクセラレータが協調して動作する、より高度なヘテロジニアス環境へと進化するだろう。
- CPU: OSの制御、逐次処理、複雑な条件分岐を担当。
- GPU: 高度に並列化された密行列演算（学習・推論の大部分）を担当。
- 熱力学ASIC (CN101): GPUが苦手とする確率的サンプリングや、特定の最適化問題をオフロード。
このような構成では、タスクの特性に応じて最適なコンピューティングリソースに処理を割り振る、高度なランタイムとコンパイラ技術が不可欠となる。ハードウェアの革新が、ソフトウェアスタックに新たな進化を促す。この相互作用こそが、コンピューティングの歴史を前進させてきた原動力だ。
CN101のテープアウトは、計算という行為の本質を物理現象にまで遡って問い直し、エネルギーという根源的な制約を乗り越えようとする、次世代コンピューティングの夜明けを告げる物となるかもしれない。
Sources
