MEDICINE & AI

タイトル：Efficient and accurate neural-field reconstruction using resistive memory 雑誌名：Nature. 2026 Jun 10; doi: 10.1038/s41586-026-10646-w. 概　要： 本研究は、医療画像、拡張現実、仮想現実、具現化された人工知能（AI）などのアプリケーションにおける、スパースな観測からの複雑な信号再構成のためのソフトウェアとハードウェアの共同最適化フレームワークを提案します。従来のデジタルハードウェアは、信号の明示的な表現が重いサンプリングとストレージを必要とし、データの移動がエネルギーとレイテンシのボトルネックを引き起こし、CMOS回路は並列効率が限られるという課題があります。本研究では、ニューラルフィールドを用いて信号を暗黙的に表現し、抵抗メモリを基盤とした計算プラットフォームを設計しました。このシステムは、エネルギー効率を大幅に向上させ、再構成品質を損なうことなく、医療AIや三次元視覚アプリケーションの効率的かつ堅牢な技術を進展させます。 方　法： 本研究は、スパース入力信号再構成のためのソフトウェアとハードウェアの共同最適化を行うコホート研究です。ソフトウェアレベルでは、ニューラルネットワークを用いて信号を暗黙的に表現し、低ランク分解と構造的プルーニングによって圧縮します。ハードウェアレベルでは、抵抗メモリを用いた計算プラットフォームを設計し、ガウスエンコーダと多層パーセプトロン処理エンジンを特徴とします。 結　果： 40nmの256Kb抵抗メモリマクロ上で、システムは三次元コンピュータ断層撮影のスパース再構成、視点合成、動的シーンの新しい視点合成において、それぞれ23.5倍、21.0倍、32.3倍のエネルギー効率の向上を達成しました。また、並列性においてはそれぞれ10.8倍、38.8倍、6.2倍の向上を示しました。再構成品質は損なわれませんでした。 結　論： 本研究は、AI駆動の信号再構成技術を進展させ、将来の効率的かつ堅牢な医療AIおよび三次元視覚アプリケーションへの道を開くことが期待されます。