Нейроморфные вычисления

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.

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].

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].