Cайт веб-разработчика, программиста Ruby on Rails ESV Corp. Екатеринбург, Москва, Санкт-Петербург, Первоуральск

Российские инженеры собрали "аналог мозга" из пластиковых мемристоров

Учёные из Курчатовского института, МФТИ, Университета Пармы (Италия), МГУ и СПбГУ создали сеть искусственных нейронов на основе пластиковых мемристоров - устройств, которые позволяют построить принципиально новые компьютеры. По словам исследователей, подобные разработки пригодятся при создании систем машинного зрения, слуха и других "органов восприятия", а также систем интеллектуального управления различными устройствами, включая автономных роботов.

Авторы нового исследования в попытках создать искусственный аналог мозга обнаружили, что не так-то просто собрать даже единичный элемент такой сети — простейший перцептрон. Настолько не просто, что до выхода их статьи в журнале Organic Electronics о подобных успешных экспериментах (на основе органических материалов) никто и не сообщал.

Эксперименты, проведенные в Курчатовском комплексе НБИКС-технологий совместным российско-итальянским коллективом, продемонстрировали возможность построения простейших нейросетей из полимера полианилина, причём эти сети оказались способны к обучению и выполнению заданных логических операций.

Чтобы понять работу простейшего "аналога мозга", нужно вспомнить, что такое мемристор. Слово образовано от двух слов "память" и "резистор" (устройство, оказывающее сопротивление проходящему через него току). Мемристор — это элемент электрической цепи, который меняет своё сопротивление в зависимости от прошедшего через него до этого тока. То есть под действием внешнего сигнала мемристор постоянно меняет свои свойства. Этот элемент обладает своего рода памятью о том, какая "информация" через него прошла. В этом смысле мемристор является аналогом синапса – соединения двух нейронов в головном мозге, способном изменять эффективность передачи сигнала между клетками нервной ткани под действием самой этой передачи.

Таким образом мемристор позволяет создать сеть искусственных нейронов, причём физические свойства мемристоров позволяют делать их как минимум столь же миниатюрными, сколь привычные микросхемы. Размер для данной технологии, конечно же, имеет значение. По некоторым оценкам, мемристор может быть уменьшен вплоть до десяти нанометров.

Пластик полианилин был выбран исследователями не случайно. Предыдущие работы учёных продемонстрировали возможность создания на его основе отдельных мемристоров. Используя раствор полианилина, стеклянную подложку и электроды из хрома инженеры создали прототип, размеры которого пока далеки от типичных для микроэлектроники: ширина полученной полоски составила порядка одного миллиметра (за миниатюризацией пока решили не гнаться). Все полученные мемристоры были испытаны на предмет их электрических характеристик. Так, выяснилось, что вольт-амперная характеристика устройств действительно нелинейна и соответствует ожиданиям (то есть на руках у учёных элементы с памятью, а не обычные резисторы). После этого мемристоры были связаны в единую нейроморфную сеть.

После проверки базовых свойств отдельных мемристоров, физики провели эксперименты по обучению нейронной сети. Суть обучения заключается в подаче на входы перцептрона электрических импульсов в случайном порядке. Если при подаче на входы перцептрона некоторой комбинации электрических импульсов (например, логической единицы и нуля при двух входах) перцептрон выдаёт неправильный ответ, на него подаётся специальный корректирующий импульс и после определённого числа повторений все внутренние параметры устройства (а именно сопротивления мемристоров) сами настраиваются — то есть "обучаются" — нужным образом.

Ученые показали, что их новая мемристорная сеть уже через полтора десятка попыток становится способной выполнять логические операции NAND ("И-НЕ"), а потом её же можно переучить выполнять и операцию NOR ("ИЛИ-НЕ"). Поскольку правильность ответа проверяет оператор или обычный компьютер, данный метод называется обучением с учителем.

Безусловно, макроскопических размеров элементарный перцептрон с характерным временем реакции в десятки и сотни секунд — это ещё не готовый элемент для промышленного производства. Но, как отмечают сами исследователи, их детище создано из недорогих материалов, а время срабатывания уменьшается вместе с уменьшением размеров.

Первый прототип намеренно сделали увеличенным для удобства работы, в то время как физически возможно изготовить и более компактные чипы. Кроме того, на основе полианилина можно попытаться сделать и трёхмерную схему, разместив мемристоры друг над другом в многослойной структуре (например, в виде случайных пересечений тонких полимерных волокон). При этом современная кремниевая микроэлектроника в силу ряда технологических ограничений двумерна. Переход в третье измерение сулит новые возможности сам по себе.

Почему исследователи говорят о "принципиально новых компьютерах", которые могут быть построены на основе такой "самообучающейся сети"? Дело в том, что большинство компьютеров сегодня обладают рядом компонентов, каждый из которых выполняет свою отдельную функцию (жёсткий диск хранит информацию, процессор её обрабатывает, монитор выводит). Современные архитектуры не позволяют совместить, например, обработку и хранение информации в одном элементе вычислительной системы.

Однако такие системы существуют. Более того, если рассматривать сам мозг как вычислительную систему, то и хранение, и обработка информации происходят в пределах каждого отдельного нейрона, одного элемента вычислительной системы, и таких элементов в человеческом мозге насчитывается около 100 миллиардов. При этом почти все они способны работать параллельно (одновременно), за счёт чего и достигается огромная эффективность и быстродействие при обработке больших объёмов информации.

Искусственные нейронные сети, которые в наши дни лишь пошагово имитируют работу нервной ткани, не могут быть быстродействующими и эффективно потребляющими энергию. Но устройства, которые не просто копируют работу сетей из нейронов, а являются их принципиальными аналогами, могли бы использоваться для решения множества задач.

Прежде всего, нейронные сети способны распознавать образы. Там, где нужно выделить и классифицировать какой-либо паттерн — звук, изображение, характерные изменения на графиках — там активно уже применяются нейросети и именно в этих сферах зачастую критичен выигрыш как в быстродействии, так и в энергопотреблении. Для системы управления автономным летающим роботом на счету каждый использованный милливатт-час и каждая миллисекунда, равно как и системе обработки данных с детектора коллайдера в режиме реального времени нельзя слишком долго "думать" над выделением интересных учёным путей частиц из всего множества зарегистрированных событий.

Пока учёные и инженеры на пути к реализации такого рода возможностей. Однако прорывы, подобные тому, что сделала российско-итальянская группа учёных, приближают человечество к созданию сверхбыстрых нейронных сетей, имитирующих работу мозга человека.

vesti.ru