第1章　AIハードウェアの現状とニューロモルフィック技術の背景

11 人工知能技術の発展と社会実装

11.1 深層学習の進展

11.2 画像認識・自然言語処理・ロボティクスへの応用

11.3 エッジAI・リアルタイム処理への需要拡大

12 AI計算における消費電力と集積度の課題

12.1 大規模AIモデルと計算資源の増大

12.2 データ移動に伴うエネルギー消費

12.3 クラウドAIとエッジAIの違い

13 シリコンCMOS技術の限界

13.1 CMOS微細化の物理的制約

13.2 従来型デジタル計算基盤の課題

13.3 新しいAIハードウェアへの期待

14 ニューロモルフィックアーキテクチャの考え方

14.1 脳型情報処理の基本概念

14.2 人工ニューラルネットワークの物理実装

14.3 メモリと演算の融合

15 物理AI・材料知能への展開

15.1 材料の非線形性を利用する計算

15.2 デバイス物性とAI機能の関係

15.3 ナノ材料AIデバイスの研究動向

第2章　インマテリアル物理リザバー計算とナノ材料デバイス

21 物理リザバー計算の基礎

21.1 リザバー計算の概念

21.2 時系列情報処理への適用

21.3 ソフトウェアリザバーと物理リザバーの違い

22 インマテリアル計算の特徴

22.1 材料内部のダイナミクスを利用した計算

22.2 非線形応答・履歴依存性・ゆらぎの役割

22.3 高次元写像と情報処理能力

23 AIデバイスに求められる物理機能

23.1 シナプス重みの連続制御

23.2 状態保持と可塑性

23.3 パルス生成・確率的応答・ノイズ機能

24 CMOS互換材料としての分子系材料

24.1 分子材料の電気的応答

24.2 分子ネットワークの動的特性

24.3 AIデバイス応用への可能性

25 ナノカーボン材料の特徴

25.1 ナノカーボンの構造と物性

25.2 導電ネットワーク形成

25.3 非線形伝導とセンサ応答

第3章　ナノ材料AIデバイスの構築・評価・実装

31 ナノ材料ネットワークの構築手法

31.1 材料分散とデバイス形成

31.2 電極構造とネットワーク設計

31.3 デバイスばらつきと制御性

32 ナノカーボンデバイスのAI機能

32.1 電気的応答の計測

32.2 非線形性と記憶効果

32.3 リザバー計算素子としての動作

33 性能評価の方法

33.1 時系列信号処理タスク

33.2 分類精度・再現性・安定性の評価

33.3 低消費電力性の検討

34 他のナノ材料系における実験結果

34.1 分子系デバイスとの比較

34.2 異種材料による機能発現

34.3 材料選択とAI性能の関係

35 実装に向けた課題

35.1 集積化とCMOSプロセス互換性

35.2 デバイス間ばらつきへの対応

35.3 学習機能と読み出し回路の設計

第4章　インセンサコンピューティングと応用展開

41 センサとAIの融合

41.1 センシング後処理からインセンサ処理へ

41.2 データ取得と計算の一体化

41.3 エッジデバイスにおける利点

42 圧力センサとしてのナノカーボンデバイス

42.1 圧力応答特性

42.2 力学刺激と電気信号変換

42.3 センサ機能とAI機能の両立

43 インセンサコンピューティングへの応用

43.1 触覚情報処理

43.2 ロボット皮膚への展開

43.3 ウェアラブルデバイスへの応用

44 人間活動検出への展開

44.1 動作・姿勢・圧力分布の検出

44.2 時系列信号分類

44.3 同一プラットフォームによるセンシングと認識

45 物理AIとロボティクスへの応用

45.1 環境適応型AIデバイス

45.2 低消費電力ロボット知能

45.3 実環境応用に向けた課題

46 今後の展望

46.1 材料・デバイス・回路の統合

46.2 学習可能な物理AIシステム

46.3 次世代AIハードウェアとしての可能性

□ 質疑応答 □