熱雑音で計算する「熱力学コンピューティング」、AI画像生成の電力を1万分の1にできる可能性

AI向けデータセンターの電力消費が膨らむなか、熱雑音そのものを計算資源として使う「熱力学コンピューティング」に注目が集まっている。査読済み論文では、AI画像生成で1サンプル当たりの消費エネルギーを1万分の1に抑えられる可能性が示されたが、いずれも完成した実機での測定値ではなく、シミュレーションや物理モデルに基づく推定だ。今後3〜5年で、実チップが実運用のAI推論でGPUと競えるかが焦点になる。

■熱雑音を抑えず、計算に使うという発想

人工知能には電力の問題がある。Gartnerによると、世界のデータセンターの電力消費は2026年に565テラワット時に達する見通しで、前年から26％増となる。AIワークロードはその約31％を占めており、2年以内に従来型サーバーの消費を上回る見込みだ。

テキストや画像、動画を生成する生成AIモデルは、シリコンチップ上で動作する。その際に多くのエネルギーが費やされる理由の1つが、電子のランダムな揺らぎである熱雑音を標準的なトランジスタが抑え込まなければ、安定して動作できない点にある。

今年公表された2本の査読済み研究は、この前提を逆転させる。熱雑音を抑えるのではなく、それを計算そのものに使うという考え方だ。これは「熱力学コンピューティング」と呼ばれる。

この分野は今週、一定の信頼性の節目を越えた。Quanta Magazineが、科学ライターのPhilip Ballによる分野横断のレビュー記事を掲載し、スタートアップExtropicの査読済みハードウェア結果、ローレンス・バークレー国立研究所による独立した理論検証、ニューヨークのスタートアップNormal Computingのシリコンチップ開発を取り上げたためだ。

Quantaの記事は、2026年7月上旬にnpj Unconventional Computingへ掲載されたExtropicとMITの論文と、2026年1月にPhysical Review Lettersへ掲載されたバークレーのStephen Whitelam氏の研究をもとにしている。両論文の効率指標は、完成ハードウェアの測定値ではなくシミュレーションに基づく予測であり、この点は研究者自身も明確にしている。

それでも、国立研究所の物理学者、MITの共同研究者、ベンチャー支援を受ける工学チームからの査読結果がそろったことで、この分野は広い計算機業界がこれまで見てこなかった段階に入った。つまり、検討に値するだけの証拠が整理され始めたということだ。

■拡散モデルと熱力学は、数式の構造が重なる

この分野の重要な点は、現代のAI画像生成と熱力学コンピューティングの数学が、単に相性がよいだけでなく、深い構造で一致していることにある。

AI画像生成器の中核である現代の拡散モデルは、段階的にノイズを加える過程を逆向きにたどるよう学習する。学習画像は少しずつランダムな静的ノイズへと壊され、モデルはその過程を逆算して元画像を復元する。この枠組みは「逆ランジュバン力学」として定式化されている。

ランジュバン力学は、系統的な力とランダムな熱揺らぎが同時に働くとき、物理系がどう動くかを記述する方程式群だ。熱力学コンピューティングも、まさにその方程式の下で動作する。系統的な結合力とランダムな熱雑音に従って動く物理系であるため、拡散型の生成モデルを熱力学ハードウェアで動かすことは、異質な用途への流用ではない。ハードウェアが物理的に本来することを、そのまま計算に使うことになる。

Whitelam氏のPhysical Review Letters論文は、この点を明示している。同氏の熱力学コンピューターは、回路がノイズ付与軌跡の逆過程を生成する確率を最大化するよう訓練された。その結果、静的ノイズからPaul Langevinの顔を再構成できる回路が得られた。回路が従う揺らぎを記述した物理学者自身の顔を復元した形だ。

Whitelam氏は、これがアナログハードウェアとして実現されれば、外部からランダム性を注入したり、能動的に制御したりしなくても、ノイズから構造化された出力を生成できると記している。

■「1000億倍効率」は何を意味するのか

最も広く流通している効率指標は、同じ課題を行う等価なデジタルニューラルネットワークと比べ、熱力学コンピューターが約1000億分の1の熱しか散逸しない、というものだ。American Physical Societyもこの研究を「11桁優れた効率」と紹介している。ただし、この数字は慎重に読む必要がある。

Whitelam氏は、調整可能な結合強度を持つ接続ノード群を、Paul Langevinの顔が段階的にノイズ化される動画で訓練した。そして訓練後のネットワークが、静的ノイズからLangevinの顔を復元できることを示した。

ここでの1000億倍という数字は、そのネットワークを物理的に実装した場合にどれだけの熱を散逸するかを理論計算し、同じ課題を実行するデジタルニューラルネットワークと比較した結果である。動作中ハードウェアの測定値ではない。実験における熱力学コンピューター自体は、従来型コンピューター上で動かしたシミュレーションだった。

それでも論文が具体的かつ査読付きで示したのは、訓練フレームワークが機能すること、物理法則が大幅な効率優位を予測していること、そしてアルゴリズムが双方向に生成的であることだ。つまり、既知画像をノイズから復元できるだけでなく、未見の新しい画像も生成できる。

Whitelam氏はQuanta Magazineに対し、「私のアルゴリズムは2つの意味で生成的だ。第1に、ノイズを構造へ変え、無秩序から秩序を生み出す。第2に、画像集合で訓練すれば、それまで見たことのない追加画像も生成できる」と述べている。

一方で同氏は分野の現状について率直でもある。「これまで考案してきた熱力学コンピューティング向けの計算機設計は、1990年ごろの小規模なデジタルニューラルネットワーク程度の能力しかない。AIの歴史を見る限り、より大きな回路とより多くの訓練で改善できるはずだが、それはまだ分からない」とQuantaに語っている。

■Normal Computingの仕組み：RLC共振器で行列逆行列を得る

コアとなるハードウェア機構を最も明快に説明しているのが、Normal Computingの2025年のNature Communications論文だ。2022年にGoogle XやGoogle Brain出身者のFaris Sbahi氏、Antonio Martinez氏、Matthias Tan氏が創業した同社は、8つのRLC共振器クラスタを備えた専用回路基板を構築した。RLC共振器は、抵抗器、コンデンサー、インダクターから成る回路部品である。

RLC共振器は固有周波数で振動する。これを複数結合したネットワークでは、各ペア間の結合強度を数値、つまり数学的な行列の要素として調整できる。そこにノイズを加えると、駆動されたネットワークの平衡揺らぎが、結合行列の逆行列に対応する。

Whitelam氏はQuanta Magazineに対し、「装置を作ってしばらくしてから揺らぎを測定すれば、行列逆行列計算ができている」と説明した。アルゴリズムも行列積計算も不要で、物理が答えを出すというわけだ。

行列逆行列は、機械学習、コンピューターグラフィックス、工学シミュレーション、金融モデリングの基礎にある。もしデジタル計算ではなく物理的揺らぎを通じて、高速かつ大規模にこれを実行できるチップが実現すれば、幅広い技術分野で有用になり得る。

ただし当面の制約もある。室温の環境熱雑音は、Normalの試作回路を駆動するには小さすぎた。研究者らは乱数生成器を使って人工的なノイズを注入する必要があり、その乱数生成自体がエネルギーを消費する。Quantaは、このオーバーヘッドはシステムの規模拡大とともに相対的に小さくなり、十分なスケールでは熱力学計算の省エネ優位が決定的になると指摘している。だが、その「十分なスケール」が、オーバーヘッドに食われる前に訪れるかどうかは、この分野の中心的な工学課題のままだ。

■Extropicの構想：行列計算を経ずにサンプリングする

Normalの初期試作がアナログ回路基板だったのに対し、ボストンのスタートアップExtropicは、TSU（thermodynamic sampling unit、熱力学サンプリングユニット）と呼ぶ半導体部品を開発している。2022年にGoogle、IBM、Apple、Microsoft出身のエンジニアらが創業した企業で、決定論的なブール論理を実行するのではなく、プログラム可能な確率分布からサンプルを生成することを目的にした設計だ。

違いは具体的である。通常のGPU上のAI推論パイプラインでは、まず確率ベクトルを計算し、その後でそこからサンプルを引く。これは2つの別々の処理で、どちらも電力を要する。ExtropicのTSUハードウェアは、この計算段階そのものを迂回する。

代わりに、確率分布の形を記述するエネルギー関数のパラメーターを受け取り、対応する分布から直接サンプリングする。高エネルギー状態は起こりにくく、低エネルギー状態は起こりやすい。サンプリング自体を回路の物理が担う。

2026年7月上旬、ExtropicとMITの量子情報科学者Isaac Chuang氏は、Denoising Thermodynamic Computer Architecture（DTCA）と呼ぶ設計をnpj Unconventional Computingに発表した。完全な熱力学コンピューターがまだ存在しないため、研究者らは、実験的なハードウェア乱数生成器の測定に基づくGPUシミュレーションでこの設計を評価した。

ベンチマークは、機械学習研究で広く使われる標準的な画像生成データセットFashion-MNISTだった。このシミュレーションされたアーキテクチャは、画像品質ではGPUベースの手法と同等の結果を示しつつ、生成サンプル当たりの消費エネルギーを推定で1万分の1に抑えた。研究者らは、この数値が完成システムの測定値ではなく、物理的なエネルギーモデルに基づく予測であることを明記している。

同社の最初のハードウェア研究プラットフォームXTR-0は、2025年10月にパートナー向け早期ベータ試験用として発表された。今回のDTCA論文は、同社にとって初の査読付きアーキテクチャ結果となる。

■NormalのCN101は何ができ、何がまだできないのか

Normal Computingは2025年8月、シリコン上での最初の熱力学コンピューティングチップだとするCN101のテープアウトを発表した。CN101は同社がCarnotアーキテクチャと呼ぶ設計を実装し、AI推論、線形代数、拡散モデルのサンプリング負荷を対象にしている。

同社は、対象タスクにおいて従来手法比で最大1000倍のエネルギー効率向上を見込んでいる。ロードマップでは、2027〜2028年にCN201とCN301へ進む計画だ。

ただしQuanta Magazineは、CN101について「他の専門家による評価はまだ受けていない」と慎重に記している。初期のRLC回路基板試作と異なり、CN101はシリコン上のデジタル処理を使う。つまり、文字通り熱揺らぎそのもので駆動されるのではなく、熱力学計算をデジタル表現として処理する方式だ。

Normalのシリコンエンジニアリング責任者であるZachary Belateche氏は、IEEE Spectrumとのインタビューで対象アルゴリズム領域を「科学技術計算からAI、線形代数まであらゆるもの」と広く説明している。一方、同社のロードマップに関するブログ投稿では、CN101は比較的低速なI/Oを備えたテストチップであり、主要な工学的課題のリスク低減と、実シリコン上でランダム過程がどう振る舞うかを評価するためのものだとしている。

NormalのチーフサイエンティストPatrick Coles氏は商業的な狙いについて、プレスリリースで次のように述べている。「当社の確率的ハードウェアで拡散モデルをスケールさせるというビジョンは、まず今年CN101で主要アプリケーションを実証し、次に来年CN201で中規模の生成AIタスクにおける最先端性能を達成し、さらに2年後にはCN301で大規模生成AIに対して複数桁の性能向上を実現することから始まる」。

■GPUと競うには、まだ越えるべき壁がある

熱力学コンピューティングが本当に越えなければならない基準は、この分野がこれまで走ってきたベンチマークとは異なる。8ノード回路で熱揺らぎが行列逆行列を解けることや、熱力学ハードウェアのシミュレーションがFashion-MNISTでGPU並みの品質を示すことは、実運用の推論ワークロードで最新GPUと競争できることと同義ではない。速度、汎用性、プログラマビリティ、コストのすべてで比較する必要がある。

量子コンピューティングとの比較は示唆的であり、警告も含んでいる。Normalの2025年Nature Communications論文は、この分野を「1990年代に小規模量子コンピューターが構築され始めたころに相当する」と明示的にたとえている。量子コンピューティングは現在、約120億ドル規模、約1兆9440億円（1ドル=162円換算）の世界産業と見積もられているが、1990年代の概念実証から商業的な意味を持つ段階に至るまでには30年と数百億ドル規模の投資を要した。しかも、多くのワークロードでは古典計算機に対する実用的な汎用優位はいまだ見えにくい。

熱力学コンピューティングの推進派は、極低温冷却が不要で、量子コヒーレンス維持も不要、標準的なCMOS製造が使えるといった工学的ハードルの低さから、より速い実用化があり得ると主張する。

ただし、より抑制的な見方もある。コペンハーゲンのニールス・ボーア研究所の複雑系理論家Kunihiko Kaneko氏はQuantaに対し、熱力学揺らぎを抑制するのではなく利用するという中心的発想は「たしかに示唆に富む」としつつ、「これが生物学的文脈における計算へ有効に翻訳されるかどうかは未解決の問題だ」と述べた。

現時点での最も率直な評価はこうなる。物理は信頼でき、査読も通っている。ハードウェアは初期段階で、特性評価も大半がこれからだ。効率優位は理論上きわめて大きいが、実用スケールではまだ示されていない。そして標的アプリケーションである生成AI推論は、計算ワークロードの中でも例外的に、この基盤物理と数学的に整合している。

■今後3〜5年で問われること

今後3〜5年でこの分野が答えを出すべき問いは、熱力学コンピューティングが3つの閾値を同時に超えられるかどうかだ。すなわち、実際の推論ワークロードでの生の性能、複数種類の問題に対応できるプログラマビリティ、そして既存GPUの供給網と競争できる製造コストである。

現時点で、これらの閾値は1つとして超えられていない。Normal ComputingのCN101は現在特性評価中で、性能結果はまだ出ていない。ExtropicのDTCAは査読済みアーキテクチャとして存在するが、完成チップではない。Whitelam氏の理論枠組みは洗練され、効率計算も査読を通過しているが、それを実現するハードウェアはまだ作られていない。

今週変わったのは、この分野を真剣に受け止めるだけの証拠基盤が整ってきたことだ。ローレンス・バークレー国立研究所の研究者はPhysical Review Lettersで、訓練フレームワークが機能し、物理が大幅な効率向上を予測することを示した。ExtropicとMITのチームはnpj Unconventional Computingで、ハードウェア測定に基づくGPUシミュレーションで評価した特定アーキテクチャが、生成サンプル当たり1万分の1のエネルギーを見込むと報告した。そして、先端科学を厳選して扱うQuanta Magazineが、この分野を本格的な科学的進展として総覧した。

次の節目は明確であり、同時に達成は難しい。実チップが実ハードウェア上で実運用のAIワークロードを動かし、効率が予測ではなく測定で示されることだ。その結果が出たとき、業界は、熱雑音との長年の戦いが想像力不足だったのか、それとも正しい工学的直感だったのかを判断できる。

■注目ポイントQ&A

●熱力学コンピューティングは何で、量子コンピューティングと何が違いますか？

熱力学コンピューティングは、従来の計算機が抑え込もうとしてきた電気回路中のランダムな熱揺らぎを、計算そのものの基盤として使う方式です。熱雑音よりはるかに高いエネルギーでビットを切り替える代わりに、熱揺らぎに近いエネルギースケールで回路を動かし、そのダイナミクスに解空間を探索させます。量子コンピューティングとの実用上の大きな違いは、極低温冷却や繊細な量子コヒーレンス維持が不要で、標準的な半導体製造装置で実装できる点です。室温またはその近傍で動作し、量子効果ではなく古典物理を使います。量子計算は量子重ね合わせにより特定の数学問題で指数的高速化を狙うのに対し、熱力学コンピューティングは生成モデルやサンプリング、ベイズ推論のような確率的AI推論を主な対象にしています。

●効率の数字はなぜ大きく、どこまで信頼できますか？

1万倍や1000億倍という数字は、動作中の実機測定ではなく、物理エネルギーモデルとデジタルシミュレーションに基づく理論予測です。npj Unconventional ComputingのExtropic/MIT論文も、Physical Review LettersのWhitelam氏の論文も、この違いを明確にしています。予測の前提になっている物理は査読済みで信頼に足るものですが、実際に作られたチップが、注入ノイズや冷却、制御回路のオーバーヘッドを抑えつつ、実用スケールでどこまでその数字に近づけるかは未解決です。要するに、理論面の説得力は強い一方、工学面はまだ実証途上です。

●データセンターやAIの電力コストには、今すぐ影響しますか？

近い将来には影響しません。熱力学コンピューティングのチップはまだ商用化されておらず、最も先行するハードウェアの1つであるNormal ComputingのCN101も特性評価段階にあり、独立した専門家による検証結果もこれからです。Gartnerが見込む2026年のデータセンター電力消費565テラワット時や、そのうち31％をAI最適化サーバーが占めるという見通しは、短期的にはこの技術で変わらないでしょう。新しい査読研究が示したのは、効率主張に科学的な土台ができたことであり、10年内に商用的に有用なハードウェアへ進む可能性を高めた点です。

●熱力学コンピューティングはAI専用ですか？

物理そのものはより汎用的です。たとえば熱力学回路による行列逆行列計算は、工学シミュレーション、金融モデリング、コンピューターグラフィックスでも有用になり得ます。Normal ComputingのCN101も、拡散モデル推論だけでなく、線形代数やサンプリングを対象にしています。それでも商業的な焦点がAI、特に生成AIにあるのは、拡散モデルの数学と熱力学計算の数学が、ともにランジュバン力学として構造的に一致しているためです。一方で、ソート、分類、データベース処理のような決定論的ワークロードでは、従来のデジタルチップに対する優位はなく、競争力を持ちにくいとみられます。

元記事: Chips That Run on Thermal Noise Could Cut AI Image Generation Energy Use 10,000 Times