エマージングメモリのAIへの応用

「MRAMは次世代インメモリコンピューティングの主役となるか？ 技術的可能性と課題を探る」（メモリ技術 2025.8.14）では、MRAMのインメモリコンピューティング（IMC）への応用について、FeRAM（Ferroelectric Random Access Memory、FRAMとも呼ばれる）と比較しながら紹介しました[1]。

本稿ではMRAMだけでなく、エマージングメモリ（FeRAM、MRAM、PCRAMなどの新しい不揮発性メモリ技術）がなぜAIコンピューティングに適しているのかを説明します。特に、AIの機械学習や推論で使われる人工ニューラルネットワーク（Artificial Neural Network: ANN）を例に解説します[2]。

ノイマンのボトルネック

現在広く使われているコンピュータはフォン・ノイマン型コンピュータと呼ばれる構造を持っています（図1）。この方式では、

• データを処理する装置（CPUやGPU）
• データを保存するメモリ

が分かれています。

そのため、計算のたびに演算装置とメモリの間で大量のデータをやり取りする必要があります。このデータ転送に時間がかかるため、以下の問題があります。

• 計算速度が遅くなる
• 消費電力が増える

この問題は「ノイマンのボトルネック」と呼ばれています（図2）。

特に最近のAIでは処理するデータ量が非常に大きいため、この問題が深刻になっています。そのため現在のAIシステムでは、HBM（High Bandwidth Memory）と呼ばれる高速DRAMが使われています。しかしHBMは製造が難しく、価格が高く、供給量が限られるという欠点があります。[3]。

人工ニューラルネットワーク（ANN）

AIの機械学習や推論では、人工ニューラルネットワーク（ANN）[2]がよく使われます。

ANNは、人間の脳の神経細胞（図3）をまねて作られた形式ニューロン（図4）という計算単位から構成されています。

形式ニューロンは、
複数の入力信号 x₁, x₂, …, x_N をうけとり、
それぞれに重み w₁, w₂, …, w_N を掛けて足し合わせ、
活性化関数 𝑓と閾値 𝜃によって出力を決めます。

y = f (w₁x₁ + w₂x₂ + … + w_N x_N) – θ　 [2]

実際のANNでは、この形式ニューロンを多数組み合わせた層構造（図5）になっています。各層の出力が次の層の入力となり、情報が順に伝わっていきます。

AIコンピューティングでは、入力値、出力値、重みを何度も計算しながら学習や推論を行います。しかしフォン・ノイマン型コンピュータでは、メモリとのデータ転送が多くなるため、消費電力が大きい、計算に時間がかかる、という問題が顕著になります。

インメモリコンピューティング

ANNの計算で最も重要なのは次の積和演算です。

w₁x₁ + w₂x₂ + … + w_N x_N

従来のコンピュータでは、この計算をデジタル回路で行っていました。しかし、エマージングメモリを用いると、この計算をメモリ回路の中で直接実行することができます。これをインメモリコンピューティングと呼びます。

例えば図6(a)の回路では、

N行目のワードライン（WL_N）に加える電圧をV_N 
N行M列目のメモリ素子の可変抵抗を含めたトランジスタの相互コンダクタンスをG_NMとすると、
M列目のビットライン（BL_M）に流れる電流I_Mは、

I_M = i_1M + i_2M + … + i_NM …  

     = V₁G_1M + V₂G_2M + … + V_N G_NM …  

となります。各素子を流れる電流が加算されることで、積和演算の結果が自然に得られます。ANNとの関係は以下のようになります。図中SLはソースラインを表します。

V → x
G → w
I → w₁x₁ + w₂x₂ + … + w_N x_N

この方式の重要な特徴は、重み情報がメモリ素子に直接保存されることです。
そのため、DRAMなどとのデータ転送が不要になり、消費電力が低くなる、計算の遅延が減る、という利点があります。
この回路はReRAMだけでなく、FeRAM、MRAM、PCRAMなどでも実現できます。

各エマージングメモリのインメモリコンピューティングへの応用

ReRAM

• ReRAM[4]は抵抗値が変化するメモリです。
• 複数の抵抗状態を作ることができるため、これを重みとして利用できます。
• クロスバー構造(*1)と呼ばれる回路を用いることで、行列演算をメモリ内部で直接実行できます。
• 高速、低消費電力といった特徴があり、AIアクセラレータに適した技術と考えられています。

*1 縦方向の配線（ビット線）と横方向の配線（ワード線）を格子状に交差させ、その交点にメモリセル（データを記憶する素子）を配置する極めて高密度なメモリレイアウトのこと。

MRAM

磁気トンネル接合（Magnetic Tunnel Junction: MTJ）の抵抗値（磁気抵抗）を重みとして機能させます。AI 用途でも最も市場規模が伸びやすい技術と評価されています。[5]

FeRAM

強誘電体膜の分極状態を利用して、アナログ重みを高速／低電力制御できます。ニューロモーフィックコンピューティング(*2)およびリザバーコンピューティング(*3)への応用研究が盛んにおこなわれています。[6]

*2 ニューロモーフィックコンピューティング：人間の脳の働きを模倣するコンピューティング手法です。情報処理のために脳の神経とシナプスの構造と機能をシミュレートするハードウェアとソフトウェアを設計する必要があります[7]。

*3 リザバーコンピューティングは、従来のコンピューティング技術と比較して、電力や学習時の演算リソースなどを大幅に抑えながら、人の声やモノの動きのように、時々刻々と変化するデータをリアルタイムで捉え、認識・予測する新しい計算手法の１つです[8]。

PCRAM

PCRAM は結晶/アモルファス状態による多値抵抗を使い、アナログ的な重み表現に適するとされ、生体シナプスの模倣に有望と IEICE 特集で報告されています[9]。

市場予測

インメモリコンピューティングの市場は、民間調査会社によると2025年245 億ドル (約 3兆5000千億円）、2034年には971億ドル (14兆6千億円）であり、今後成長が期待されています[10]。

参考文献

• RAMXEED [MRAMは次世代インメモリコンピューティングの主役となるか？技術的可能性と課題を探る」, https://www.ramxeed.com/jp/tech-column/mram-in-memory-computing/.
• 田中剛平他「リザバーコンピューティング」森北出版 2020.
• 電力広域的運営推進機関「全国及び供給区域ごとの需要想定」（2025年度), https://www.occto.or.jp/assets/juyousoutei/2024/files/250122_juyousoutei.pdf#page=16.00. 
• 竹内健他「低電力エッジAI半導体、ReRAM CiM（Computation-in-Memory）の多値記憶による大容量化と10年記憶の両立に成功 」東京大学大学院工学系研究科附属システムデザイン研究センター　12025.09.11, https://www.t.u-tokyo.ac.jp/press/pr2025-09-11-002.
• 金田昌也 他　「磁場履歴を記憶できる新たな巨大抵抗変化メモリ素子を実現 ―磁場でも制御可能なメモリスタの開拓」東京大学大学院工学系研究科電気系工学専攻 2025.01.10
  https://www.t.u-tokyo.ac.jp/press/pr2025-01-10-001.
• 田原建人他「低電圧かつ長寿命のハフニア系強誘電体メモリを開発～半導体不揮発性メモリの低消費電力と信頼性の飛躍的向上～」東京大学　大学院工学系研究科電気系工学専攻 2021.06.04
  https://www.t.u-tokyo.ac.jp/press/foe/press/setnws_202106041338342038093445.html.
• IBM 「ニューロモルフィック・コンピューティングとは」
  https://www.ibm.com/jp-ja/think/topics/neuromorphic-computing.
• 産総研マガジン「”リザバーコンピューティング”とは？科学の目でみる、 社会が注目する本当の理由」, https://www.aist.go.jp/aist_j/magazine/20251008.html.
• 双逸他”相転移材料の最新動向とニューロモルフィックデバイスへの応用” IEICE 107, p.334, 2024, https://app.journal.ieice.org/trial/107_4/k107_4_334/index.html.
• Precedence Research；In-Memory Computing Market Size and Forecast 2025 to 2034、Neuromorphic Computing Market Size and Forecast 2025 to 2034.

—

著者
惠下　隆
RAMXEED株式会社
工学博士・シニアプロフェッショナル