廃熱でAI計算：MITが99%精度を実証した熱コンピューティング

「電気ではなく、熱で計算できる」。その一文を読んだとき、思わず手が止まった。

2026年1月29日、MITの研究チームが Physical Review Applied に発表した論文は、コンピューティングの常識を揺さぶる可能性を示すものだった。廃熱を使って行列ベクトル積を実行するシリコン構造が、99%以上の精度で計算結果を返す。LLMが1トークンを生成するたびにGPU上で実行している、まさにその演算を、熱だけで。

一方で「面白いが、大規模AIへの応用は遠い」という冷静な声も研究者コミュニティにある。実際のところどうなのか。技術的な事実とその意味を整理する。

何が起きたのか

MITのCaio Silvaらの研究チームは、廃熱を情報として利用するアナログコンピューターを設計した。

実装の核心はシンプルだ。入力データを温度として符号化し、特殊設計された多孔質シリコン構造（メタストラクチャー）に通す。熱が構造内を拡散する過程が計算そのものとなり、出力端子で回収される電力が計算結果を表す。

「通常、計算中に熱は廃棄物です。しかし私たちは反対のアプローチを取り、熱を情報形式として使用し、熱での計算が可能であることを示した」

— Caio Silva（MITリード著者、TechXplore 2026年1月29日）

論文のハイライトは精度99%以上の達成だ。2×2および3×3の行列プールのほとんどのケースでこの精度を実現した。論文のタイトルは “Thermal analog computing: Application to matrix-vector multiplication with inverse-designed metastructures”（Physical Review Applied, DOI: 10.1103/5drp-hrx1, 2026年1月29日）。

なぜ行列演算なのか

行列ベクトル積（Matrix-Vector Multiplication, MVM）は、深層学習の推論に繰り返し登場する最も基本的な演算だ。GPTやClaudeといったLLMが1トークンを生成するたびに、GPU上でこの演算が大量に実行されている。

つまり、「行列演算を熱でできる」は「LLMの核心演算を廃熱でできる」という可能性の提示でもある。現時点での実現性は後述するが、問題設定の設計が鋭い。

熱で計算する仕組み

デジタル計算が0か1かの離散値で処理するのに対し、アナログ計算は温度や電圧などの連続値を直接使う。精緻な制御回路を省ける反面、精度管理が難しいというトレードオフがある。MITの手法はこのアナログ計算を熱で実現した。

具体的な動作原理は以下の通りだ。

入力: 行列の各係数に対応する温度差を設定する。温度が高いほど大きな値を表す。

計算: 多孔質シリコン構造内を熱が拡散する。構造の幾何学形状が行列の係数を物理的に符号化しており、熱の流れ方が自動的に行列演算を実行する。追加の電力は不要だ。

出力: 出力端子に固定温度（サーモスタット）を設けることで、端子から流れ出る電力を測定する。この電力値が計算結果に対応する。

負の係数問題の解決

熱伝導の物理法則上、熱は高温から低温にしか流れない。このため、従来の方法では正の係数しか表現できないという制約があった。

研究チームはこれを巧みに回避している。ターゲット行列を正成分と負成分に分解し、それぞれ別々に最適化されたシリコン構造で表現する。最終的な出力でその差を取ることで、負の係数を持つ任意の行列に対応できる。

逆設計（インバース設計）とは

つまり一言でいえば、AIが自動で回路設計する仕組みだ。

従来のエンジニアリングは「設計 → 機能確認」の順で進む。逆設計はその逆で、望む機能を先に定義し、アルゴリズムが最適な構造を自動計算する。

「我々の直感だけでは到底設計不可能な複雑な構造を生み出せた」

— Giuseppe Romano（MIT、Interesting Engineering 2026年1月）

具体的には密度ベースのトポロジー最適化と自動微分（機械学習の学習にも使われるBackpropagationの基盤技術）を組み合わせた手法を採用した。格子状のグリッドで各ピクセル（シリコンの有無）を反復的に調整し、目標の行列を最もよく近似する多孔質構造を収束させる。

この手法は、フォトニクス（光コンピューティング）や音響分野ですでに実績があり、熱分野への応用が今回の新規性だ。

なぜ今これが重要なのか：AIの電力問題

国際エネルギー機関（IEA）の「Electricity 2024」レポートによると、AIを含むデータセンターの電力消費は今後急速に増加し、ChatGPTが1回の会話で消費する電力はGoogle検索の約10倍に達すると推定されている。AIの推論コストは電力費に直結しており、クラウドAPI料金にも反映される問題だ。

AIの推論に不可避に伴う廃熱を、そのまま計算に再利用できれば、エネルギー効率の根本的な改善につながる可能性がある。熱アナログコンピューティングの理念はまさにここにある。

さらに、アナログ計算はデジタル回路のような精緻な製造プロセスを必ずしも必要としない。特定の用途向けには、既存のシリコン製造技術で実装できる可能性がある。

限界と課題：正直に評価する

技術的なポテンシャルと同時に、現在の制約も明確に把握しておく必要がある。

課題	現状	研究チームの見解
スケーリング	2×2〜3×3行列で実証	深層学習には数百万ユニットが必要で「長い道のり」
精度劣化	行列が複雑になると精度低下	入出力端子間の距離が大きいほど顕著
帯域幅	現状では限定的	深層学習応用には「大幅な拡張が必要」
負の係数	2つの構造が必要	チップ面積の倍増が課題

研究チームも「大規模深層学習への応用は遠い未来」と明言している。現実的な近未来の応用として挙げているのは、マイクロエレクトロニクスにおける熱源検出と温度勾配モニタリングだ。複数の温度センサーを並べる代わりに、メタストラクチャーで温度分布を直接計算できる。

エンジニアへの示唆

この研究が示すのは、一つの転換点の萌芽だ。

「熱は計算の敵」という前提が長年コンピューターアーキテクチャを支配してきた。冷却はコストであり、廃熱は損失だった。MITの研究は「廃熱を情報に変換できる」という逆転の視点を実証した。

GPUの廃熱でニューラルネット推論の一部をオフロードする未来が来るとしたら、データセンターの設計哲学そのものが変わりうる。そこまでの道のりは長いが、「そういう方向性がありうる」という概念実証が揃ってきた段階にある。

今のエンジニアとして押さえておきたい観点:

• フォトニクスチップ（光演算）・ニューロモーフィックチップと合わせて「非デジタル計算」の動向を四半期単位でウォッチする
• 主要LLMのAPI料金値下げトレンドはハードウェアコストと連動している。熱・光系の技術が実用化すれば、推論コストに下押し圧力がかかる可能性がある
• 「5年後に自分が使うAPIのコストが下がる背景の一つ」として覚えておく価値がある研究だ

まとめ

• MITが廃熱を使った行列計算（熱アナログコンピューティング）を実証
• 99%以上の精度、逆設計アルゴリズムで最適な多孔質シリコン構造を生成
• LLMの核心演算（行列ベクトル積）を追加電力ゼロで実行できる可能性を示した
• 大規模AIへの応用は研究段階。近期の実用はチップ内熱管理モニタリング
• 「廃熱 = 損失」という前提を覆す概念実証として、AI時代の電力問題に新しい視点を提示

TL;DR: 今すぐ何かが変わるわけではないが、AI推論コストが下がる未来の伏線として覚えておく価値がある研究だ。

AIツールの最新動向に関心があれば、AIエージェントによる業務自動化の実践例や主要LLMの性能比較も参照してほしい。

---

本記事の情報は2026年2月18日時点のものです。研究の進展により内容が変わる場合があります。本記事は情報提供を目的としており、特定の技術・製品への投資や業務判断を推奨するものではありません。「Physical Review Applied」はAmerican Physical Societyの登録商標です。MITはMassachusetts Institute of Technologyの略称です。GPTはOpenAI, L.L.C.の商標です。ClaudeはAnthropic, PBCの商標です。