1 概要と歴史
1.1 背景と開発動機
従来のコンピュータアーキテクチャであるフォンノイマン型は、プロセッサとメモリ間のデータ転送に大きな電力を消費し、脳の情報処理方式とは根本的に異なる。これに対し、Intelは生物の神経回路網を模倣したニューロモーフィックプロセッサの開発に着手した。目標は、極めて低消費電力で自律的な学習と推論を実現し、エッジデバイスでの高度なAI処理を可能とすることである。
1.2 Loihi 1.0（2017年）
2017年9月、Intelは初代Loihiプロセッサを発表した。これは13万個のニューロンと1億3000万個のシナプスを搭載し、スパイキングニューラルネットワーク（SNN）をハードウェアで直接実行する。従来のGPUやCPUと比較して、特定のタスクにおいて約1000分の1の消費電力を達成した。
1.3 Loihi 2（2021年）
1.3.1 主な改良点
2021年9月に発表されたLoihi 2は、プロセスノードをIntel 4プロセスに移行し、ニューロン数は100万個、シナプス数は12億個に増加した。また、各ニューロンコアの内部構造を最適化し、より柔軟なタイミング符号化と学習ルールをサポートする。
1.3.2 性能向上と新機能
Loihi 2は、オンチップ学習の速度が最大10倍向上し、スパイクの時間分解能が向上した。新しいネットワークトポロジとしてメッシュ接続を導入し、通信帯域幅を拡大。また、外部センサーとの直接連携を強化し、リアルタイム処理能力を大幅に改善した。
2 アーキテクチャ
2.1 ニューロモーフィックコア
Loihiは複数のニューロモーフィックコアで構成され、各コアは独立したニューロン群とシナプス結合を管理する。各コアは、スパイクの生成、シナプス重みの更新、膜電位の積算を専用ハードウェアで並列実行する。従来のCPUのように逐次命令を実行するのではなく、イベント駆動型の処理を行う。
2.2 スパイキングニューラルネットワーク
2.2.1 スパイクのタイミング符号化
SNNでは、情報はスパイクの発火時刻や頻度によって表現される。Loihiは、正確なスパイクタイミングを100ナノ秒単位で扱うことができ、時間情報を活用した時系列データ処理に優れる。これにより、従来のレート符号化より情報密度が高く、低消費電力での演算が可能となる。
2.2.2 シナプス可塑性と学習ルール
Loihiはオンチップでシナプス可塑性を実現する。標準的なSTDP（スパイクタイミング依存可塑性）に加え、カスタム学習ルールをプログラムできる。これにより、教師あり学習、教師なし学習、強化学習をハードウェアレベルで実行可能である。
2.3 オンチップ学習機構
Loihiは学習に必要な計算をプロセッサ内部で完結させる。外部ホストとの通信を最小限に抑え、リアルタイム学習を低消費電力で実現する。各ニューロンは、シナプス前後のスパイクタイミングを記録し、その統計に基づいて重みを更新する機構を持つ。
2.4 通信とネットワークトポロジ
Loihiは、チップ内のコア間通信にメッシュネットワークを採用する。各コアは近隣コアと直接通信し、遠方コアへはルーティングを経由する。また、複数チップを接続するためのスケーラブルなインターフェースも備え、大規模ネットワークの構築を可能とする。
3 応用分野
3.1 エッジAIとIoT
Loihiはミリワット級の消費電力で動作するため、バッテリ駆動のエッジデバイスに適している。例えば、スマートセンサーやウェアラブル端末で、クラウドにデータを送らずにローカルで推論・学習を行える。
3.2 ロボティクスと自律システム
ロボットのモーター制御や経路計画には、低レイテンシと低消費電力が求められる。Loihiはスパイクベースの制御ループを実装し、環境変化に即応する自律行動を実現する。
3.3 センサーデータ処理
イベントカメラや触覚センサーなど、時間的特徴が重要なセンサーからのデータ処理に優れる。Loihiはスパイク列を直接入力として受け付け、前処理なしで推論可能である。
3.4 パターン認識と異常検知
音声認識、ジェスチャ認識、振動パターン分析などで、Loihiは高い精度と低消費電力を示す。特に、工業機器の異常振動のリアルタイム検出などに応用が進んでいる。
4 開発環境とエコシステム
4.1 Lavaソフトウェアフレームワーク
IntelはオープンソースのLavaフレームワークを提供している。LavaはPythonベースで、SNNモデルの設計、シミュレーション、Loihi実機へのデプロイを統合的に行える。また、深層学習フレームワーク（PyTorchなど）との連携もサポートする。
4.2 シミュレーションとデバッグツール
Lavaには高精度のソフトウェアシミュレータが含まれ、ハードウェア無しでネットワークの挙動を検証できる。また、オンチップのデバッグ機能により、スパイク発火パターンやシナプス重みのモニタリングが可能である。
4.3 研究コミュニティとパートナーシップ
Intelは、米国立科学財団（NSF）や大学研究機関と連携し、ニューロモーフィックコンピューティングの研究を推進している。Loihiは、Intel Neuromorphic Research Communityを通じて研究者にアクセス可能であり、年間数十件の研究プロジェクトが行われている。
5 他のニューロモーフィックプロセッサとの比較
5.1 IBM TrueNorth
IBMのTrueNorthは2014年に発表され、100万個のニューロンと2億5600万個のシナプスを搭載する。TrueNorthはイベント駆動型で消費電力も低いが、学習機能を持たず、重みは固定である。一方、Loihiはオンチップ学習をサポートし、より柔軟なネットワーク構成が可能である。
5.2 その他の競合技術
BrainChipのAkidaやSpiNNakerなどのプロセッサも存在する。AkidaはエッジAI向けに最適化され、SpiNNakerは大規模脳シミュレーション向けである。Loihiは、学習機能と低消費電力のバランス、およびIntelのエコシステムの面で差別化されている。
6 課題と将来展望
6.1 現在の制約
Loihiはニューラルネットワークの表現力に制限があり、従来の深層学習モデル（CNNやTransformer）を直接マッピングするのが難しい。また、現状では研究用途が中心で、一般のアプリケーション開発者向けのツールやライブラリが不足している。さらに、製品としての供給量が限られている。
6.2 今後の発展可能性
Intelは、Loihiアーキテクチャのスケーラビリティ向上と、従来のCPU・GPUとのハイブリッドシステムの開発を進めている。また、より強力なオンチップ学習アルゴリズムや、光通信を活用したチップ間接続の研究も行われている。将来的には、自律走行車や医療用センサーなど、リアルタイム性と超低消費電力が求められる分野での実用化が期待される。