熱力学コンピューティングとは
熱力学コンピューティングとは、電子の振動によって生じる熱雑音を計算の動力として利用する方式です。 非従来型計算（unconventional computing）と呼ばれる領域の一分野にあたります。
3つの方式の熱雑音の扱い
"But thermodynamic computing, a branch of unconventional computing, inverts the paradigms of both and uses those same fluctuations as its power source. This drastically reduces the amount of external energy required to perform computations and allows for operation at room temperature, unlike many quantum computers."（記者の地の文）— Berkeley Lab News Center より
熱雑音を敵ではなく動力にする
現代の計算には電力がかかります。バークレー研の解説はGoogle検索1回が6ワットのLEDを3分間灯せるだけの電力を消費すると例示しています。理由の一端は熱雑音への対処です。古典計算機ではトランジスタやゲートのような最小の素子でさえ、熱振動の数千倍という大きさのエネルギー規模で動いています。信号と雑音のこの桁差が安定した出力を生む一方、動作に大量の電力を要する原因にもなっています。
熱力学コンピューティングはこの前提を反転させます。「熱エネルギーと同程度のエネルギー規模を持つ物理素子を放っておけば、熱ゆらぎに駆動されて時間とともに状態が変わる。その時間発展が有用な仕事をするようプログラムするのが目標だ」とWhitelamは説明しています。古典と量子が雑音と戦うのに対し、熱力学計算は雑音に動かされるという対比です。
"Modern computing requires energy: a single Google search, for example, consumes enough energy to power a six-watt LED for three minutes."／"In classical computers, even the smallest devices, such as transistors and gates, operate at energy scales thousands of times larger than that of this vibration."／"The premise of thermodynamic computing is that if you take a physical device with an energy scale comparable to that of thermal energy and leave it alone, it will change state over time, driven by thermal fluctuations. The goal is to program it so that this time evolution does something useful. Classical and quantum computing fight noise; thermodynamic computing is powered by it."（3つ目のみ Stephen Whitelam のコメント／1つ目・2つ目は記者の地の文）— Berkeley Lab News Center より
実用化を阻んできた2つの壁
熱力学コンピューティングという発想自体は新しくありません。ただし実用の枠組みとして成立させるうえで2つの障害がありました。
熱平衡に達するまで待たなければならない
既存の熱力学コンピュータは熱平衡の状態で計算するよう設計されており、最低エネルギー配置に落ち着くまで待たないと計算を実行できませんでした。 その最低エネルギー配置がはっきり定まっている場合でも、平衡に到達するまでの時間は予測できません。日常的な計算に使うには長すぎることもあります。
線形代数しか解けなかった
もう1つの壁は、扱える計算の範囲です。熱力学コンピューティングで実行できる計算は線形代数（入力を定数倍して足し合わせる範囲の計算）の問題に限られていました。 汎用の計算に役立てるには非線形、つまり入力と出力が比例しない計算も解けるようにする必要があります。ニューラルネットワークが表現力を持つのもこの非線形性のためです。
"First, existing thermodynamic computers are designed to do computation at thermodynamic equilibrium, meaning researchers must wait for the computer to settle into its lowest-energy configuration before they can perform a calculation. Even if a system’s ground state is well-defined, the amount of time it takes to reach equilibrium is unpredictable – and it can be too long to be practical for day-to-day computational use."／"Additionally, the range of computations that can be performed using thermodynamic computing has been limited to solving linear algebra problems."（いずれも Overcoming roadblocks の節）— Berkeley Lab News Center より
論文が示した突破口
WhitelamとCasertが Nature Communications に発表した論文は、この2つの壁を同時に外す設計を提示しました。
非線形の素子を「熱力学ニューロン」にする
構成素子そのものを非線形にすれば、平衡状態かどうかに関係なく、指定した時刻に非線形計算を行うよう熱力学コンピュータを学習させられる。 これが論文の核です。平衡を待つ必要がなくなり、古典計算機に近い使い方ができるようになります。
「非線形の熱力学回路はニューラルネットワークのニューロンのように振る舞える」とWhitelamは述べています。表現力の源が非線形性なら、熱力学ニューロンを結線した構造もニューラルネットワークを模倣して機械学習を行えるはずだという推論です。
"when the components of the computer are themselves nonlinear, it becomes possible to train a thermodynamic computer to perform nonlinear computations at specified times, regardless of its equilibrium status. This means the computer operates more like a classical computer, without the need to wait for equilibrium."／"A nonlinear thermodynamic circuit can behave like a neuron in a neural network,"／"Nonlinearity is what gives a neural network its expressive power. What we reasoned is that if you build these thermodynamic neurons into a connected structure, then that structure should have the expressive power to mimic a neural network and so be able to do machine learning."（1つ目は記者の地の文／2つ目・3つ目は Stephen Whitelam のコメント）— Berkeley Lab News Center より
学習は遺伝的アルゴリズムで1兆回超
熱力学コンピュータは確率的な系で、2回として同じ挙動になりません。デジタルのニューラルネットワークで使われる学習手法がそのままでは通用しないため、Casertは別の枠組みを組みました。
用いたのは遺伝的アルゴリズムです。複数の熱力学ニューラルネットワークから出発して各々の性能を評価し、成績のよいものを選んでパラメータに乱数を加えて変異させ、また評価する。米エネルギー省の計算施設NERSCのスーパーコンピュータPerlmutterで96基のGPUを並列に使い、1世代あたり数十億の雑音を含む軌道を評価しました。最終的にシミュレートした熱力学コンピュータの動作は1兆回を超えます。
"A thermodynamic computer is a stochastic system, meaning that no two runs on a thermodynamic computer look the same, and the methods used for training digital neural networks don’t apply."／"In particular, he used a framework known as a genetic algorithm: beginning with a set of different thermodynamic neural networks and evaluating the effectiveness of each, he selected the best-performing and mutated them, adding random noise to their parameters, and evaluated them again."／"Using 96 GPUs in parallel on the Perlmutter supercomputer at NERSC, Casert built and ran massively parallel evolutionary simulations, evaluating billions of noisy dynamical trajectories per generation to discover the most effective network parameters."／"Ultimately, Casert simulated more than a trillion runs of a thermodynamic computer, using Perlmutter’s GPUs in parallel."（いずれも Inverted training の節）— Berkeley Lab News Center より
現在地：実機はまだ存在しない
期待が先行しやすい分野です。どこまで進んだのかは正確に押さえておきます。
実証はシミュレーション、ハードウェアはこれから
論文が示したのはデジタルシミュレーションによる実証です。 論文の要旨も「熱力学ニューラルネットワークのデジタルモデルをシミュレートした」と書いています。物理的な機械が動いたわけではありません。
Whitelamはこれらの設計をどうハードウェアで実現するかを詰めることが重要だと述べ、チームは現在その実験パートナーを探しています。アルゴリズムも同じです。既存のものは平衡状態の系を前提にしているので、平衡の制約が外れた以上は新しく作り直す必要があります。
"We simulate a digital model of a thermodynamic neural network, and show that its parameters can be adjusted by genetic algorithm to perform nonlinear calculations at specified observation times, regardless of whether the system has attained thermal equilibrium."（Abstract）— Nature Communications, vol. 17, Article 1189 (2026) より
"According to Whitelam, it’s important to work out how to realize these designs in hardware."／"Existing algorithms are meant for systems working at equilibrium; with that requirement no longer a roadblock, new ones will need to be developed."／"Currently, the team is looking for experimental partners to make both hardware and software a reality — another step exploring what’s possible with thermodynamic computing."（いずれも More hardware, more algorithms の節）— Berkeley Lab News Center より
省電力の定量値はまだ示されていない
学習コストは高くつきます。ただし学習と推論、つまり学習済みのモデルを実際に動かして答えを出す工程を分けて見る必要があるというのが研究者の説明です。Casertは「デジタルにシミュレートする学習は高くつくが、いったん学習して物理ハードウェアとして作ってしまえば、そのハードウェア上での推論はごく低い電力で行える」と述べています。
一方で、どれだけ省電力になるのかを示す具体的な数値は、リリースにも論文の要旨にも出てきません。 表現は「機械学習のエネルギー要求を劇的に減らしうる」「外部から要するエネルギーを劇的に減らす」といった定性的なものにとどまります。「N倍省電力」と言える段階ではないというのが正確な現在地です。
"This training framework is considerably more costly than the methods used to train digital networks, but it yields a computer that can operate using very little energy after it’s built and trained."／"Training a thermodynamic neural network by simulating it digitally is expensive, but once trained and built as physical hardware, we can perform inference on that hardware for a very low energy cost,"（Corneel Casert のコメント）／"the researchers have proposed a design and training framework for a type of thermodynamic computer that mimics a neural network, which could drastically reduce the energy requirements of machine learning."（冒頭）／"This drastically reduces the amount of external energy required to perform computations and allows for operation at room temperature, unlike many quantum computers."（Introduction 相当の地の文）— Berkeley Lab News Center より
省電力の議論はAIインフラの資金調達とも表裏です。計算資源そのものを投資対象として扱う動きはNVIDIAと金融6社の枠組みで扱っています。英語のプレスリリースと論文を突き合わせて読むときは、見出しと引用の構造を保ったままMarkdownに落としておくと、定性的な表現と定量的な主張を取り違えずに済みます。
熱力学コンピューティングが面白いのは、性能ではなく前提を組み替えている点です。雑音を減らすために電力を注ぎ込んできた計算機の歴史に対して、雑音そのものを動力に回す。今回の成果はその発想が非線形計算にも届くことをシミュレーションで示しました。ただし動く機械はまだ無く、省電力の数値も出ていません。追う価値のある方向ですが、いまはまだ比較できる相手がいない段階です。
