Нейроморфные вычисления

Нейромо́рфные вычисле́ния — направление в вычислительной технике, вдохновлённое структурой и функциями человеческого мозга[1][2]. Нейроморфным компьютером или чипом называется любое устройство, использующее физические искусственные нейроны для вычислений[3]. В наше время термин «нейроморфный» применяется к аналоговым, цифровым, смешанным аналогово-цифровым БИС-большой интеграции, а также программным системам, моделирующим нейронные системы (для задач восприятия, двигательного контроля, мультисенсорной интеграции и др.). Недавние исследования открыли даже способы обнаружения звуков различных длин волн через жидкие растворы химических систем[4]. Согласно статье, опубликованной исследователями искусственного интеллекта из Лос-Аламосской национальной лаборатории, «нейроморфные вычисления, как следующее поколение искусственного интеллекта, будут меньше по размеру, быстрее и эффективнее, чем мозг человека»[5].

Ключевым аспектом нейроморфной инженерии является понимание того, как морфология отдельных нейронов, цепей, приложений и архитектур влияет на виды вычислений, способы представления информации, устойчивость к повреждениям, механизмы обучения и развития, адаптацию к локальным изменениям (пластичность) и эволюционные процессы.

Нейроморфная инженерия — междисциплинарная область, находящаяся на стыке биологии, физики, математики, информатики и электроники[6]. В ней проектируются искусственные нейронные системы: например, зрительные системы, голово-глазные системы, слуховые процессоры и автономные роботы, чья физическая архитектура и проектные принципы основаны на структурах биологических нервных систем[7]. Одним из первых приложений нейроморфной инженерии стала предложенная Карвером Мидом[8] в конце 1980-х годов схема кремниевого моделирования начальных этапов зрительного восприятия.

Нейрофизиологическое вдохновение

Нейроморфная инженерия выделяется среди других подходов тем, что берёт за основу знания о структуре и функционировании мозга. Она переводит современные знания о работе мозга в конструкцию вычислительных систем. Особенно активно развивается моделирование аналоговой природы биологических вычислений и роли нейронов в когнитивных процессах.

Биологические процессы в нейронах и их синапсах крайне сложны и сложно поддаются исчерпывающему моделированию. Ключевая особенность биологических мозгов — использование аналоговых химических сигналов для обработки информации, в отличие от сугубо цифровых современных компьютеров. Однако характеристики этих сигналов могут быть аппроксимированы математическими функциями, адекватно передающими суть операций нейрона.

Целью нейроморфных вычислений является не точное воспроизведение функций мозга, а извлечение полезных принципов его организации для построения эффективных вычислительных систем. Ни одна нейроморфная система не имеет задачи воспроизвести все элементы нейронов и синапсов, но все они следуют идее высоко распределённой вычислительной структуры, аналогичной нейронным сетям. Пути реализации этой концепции весьма разнообразны[9]. Анатомические схемы нейронных связей, получаемые методом электронной микроскопии[10], а также функциональные карты, которые потенциально могут составляться с помощью внутриклеточной регистрации сигналов[11], дают всё более детализированные модели для вдохновения нейроморфных разработчиков.

Реализация

Аппаратная реализация нейроморфных вычислений может осуществляться на основе оксидных мемристоров[12], спинтронических и других запоминающих устройств, пороговых переключателей, транзисторов[13][6] и других компонентов. Детали реализации часто пересекаются с концепциями искусственных иммунных систем. Обучение программируемых нейроморфных систем на базе спайковых нейронных сетей возможно с использованием алгоритма обратного распространения ошибки, например, на Python-фреймворках snnTorch[14], или с помощью биологически мотивированных правил обучения, например, в BindsNet[15].

Примеры

Исследователи из Технологического института Джорджии ещё в 2006 году опубликовали сведения о программируемой нейронной матрице на кристалле[16]. Этот чип оказался одним из первых программируемых устройств на основе матриц плавающего затвора для моделирования характеристик ионных каналов нейронов.

В ноябре 2011 года группа исследователей из MIT создала чип, имитирующий аналоговую, ионную передачу сигналов в синапсе между двумя нейронами с использованием 400 транзисторов и стандартных технологий CMOS[17][18].

В июне 2012 года исследователи в области спинтроники из Университета Пердью представили чип, построенный на боковых спин-клапанах и мемристорах, архитектура которого по принципу напоминала работу нейронных сетей мозга и демонстрировала значительно более высокую энергоэффективность по сравнению с традиционными чипами[19].

Neurogrid, разработанная лабораторией Brains in Silicon при Стэнфордском университете[20], — пример аппаратуры, спроектированной по нейроморфным принципам. Плата состоит из 16 пользовательских чипов NeuroCore, каждый из которых содержит аналоговую схему эмуляции 65 536 нейронов и цифровую часть для коммуникации и передачи спайков[21][22].

Примерами крупных исследовательских программ с влиянием на развитие нейроморфных систем являются Проект «Человеческий мозг», BRAIN Initiative[23], и TrueNorth от IBM[24]. Также разрабатываются нейроморфные устройства на основе нанокристаллов, нанопроводников и проводящих полимеров[25]. В 2022 году учёные из MIT создали искусственные синапсы на основе протона для аналогового глубокого обучения[26][27].

Новейшие разработки

2023 год

В 2023 году компания Intel продолжила развитие своего нейроморфного процессора второго поколения Loihi 2[28]. Этот чип, произведённый по техпроцессу Intel 4, способен обрабатывать данные до 10 раз быстрее по сравнению с предыдущими поколениями. Для упрощения разработки под нейроморфные системы Intel представила открытый программный фреймворк Lava, который обеспечивает кроссплатформенность и интеграцию с популярными инструментами машинного обучения[28].

В декабре 2023 года исследователи из Университета Западного Сиднея (Австралия) анонсировали разработку суперкомпьютера DeepSouth, предназначенного для моделирования спайковых нейронных сетей в масштабе, сопоставимом с человеческим мозгом[29].

В России в конце ноября 2023 года Национальный исследовательский центр «Курчатовский институт» объявил о создании прототипа нейроморфного процессора на основе искусственных биологических материалов[30]. Также в этом году был представлен нейроморфный процессор «Алтай 2.0», разработанный компанией «Мотив НТ» в сотрудничестве с «Лабораторией Касперского»[31][28].

2024 год

В 2024 году нейроморфные вычисления были включены аналитической компанией Gartner в список ключевых технологических трендов года.

В апреле 2024 года компания Intel анонсировала Hala Point — крупнейшую в мире нейроморфную систему, развёрнутую в Национальных лабораториях Сандия в качестве исследовательского прототипа[32][33]. Система создана на базе процессоров Loihi 2 и предназначена для исследований в области искусственного интеллекта, вдохновлённого принципами работы мозга.

В области материаловедения учёные из Университета ИТМО, СПбГУ и Университета Тунцзи (Китай) разработали вычислительный элемент на основе кристалла металлоорганического соединения. Этот материал способен хранить информацию до 200 дней и требует для работы в 10 раз меньшего напряжения по сравнению с аналогами[34]. Также была представлена новая архитектура нейронных сетей — Kolmogorov-Arnold Networks (KAN), основанная на работах математиков Андрея Колмогорова и Владимира Арнольда. В отличие от традиционных многослойных перцептронов, KAN использует более простую структуру, что облегчает интерпретацию работы сети[35]. В Индии Индийский научный институт анонсировал создание платформы «мозг на чипе», которая, по заявлениям, может повысить эффективность решения задач ИИ в 460 раз[36].

Расширились и области практического применения нейроморфных технологий, включая здравоохранение, автономный транспорт, робототехнику и кибербезопасность[37].

2025 год

В 2025 году одним из ключевых прорывов стала разработка искусственных нейронов, функционирующих на основе электрохимических процессов, аналогичных живым клеткам. Учёные из Инженерной школы Витерби Университета Южной Калифорнии создали устройства, использующие движение ионов серебра с помощью компонента, названного диффузионным мемристором[38]. В отличие от цифровой симуляции, эта технология физически воспроизводит аналоговую динамику биологических нейронов, что позволяет значительно уменьшить размер и энергопотребление чипов[38].

В Китае был представлен компактный мозгоподобный суперкомпьютер BIE-1, оснащённый 1152 процессорными ядрами. По заявлениям разработчиков, устройство потребляет на 90 % меньше энергии по сравнению со стандартными системами для ИИ. В России был анонсирован запланированный выпуск процессора «Алтай 3.0», ключевой особенностью которого должна стать возможность обучения на чипе.

В области фундаментальных исследований учёные из МФТИ создали новую архитектуру нейронной сети на основе экситон-поляритонных конденсатов. Эта система, использующая квазичастицы, известные как «жидкий свет», продемонстрировала высокую эффективность в задачах распознавания образов, превзойдя существующие аналоги[39].

Примечания

Ссылки

Категории