Следующий этап ИИ. Меньше, лучше, «человечнее»?

Нейроморфные вычислительные системы напоминают нейробиологические структуры нервной системы человека. Источник.

Уже не ново, что будущее современных машин зиждется на их, если можно так выразиться, «разумности». То есть они должны не только быстро и точно выполнять задачи, но ещё и делать это гибко, адаптируясь под изменение условий деятельности подобно человеческому мозгу.

Как этого добиться? Строго говоря, сама идея искусственных нейросетей (ИНС) уже сдвинула всю прежнюю парадигму вычислений, направленных на решение различных практических задач. Теперь, вместо длинных инструкций и цепочек алгоритмической логики, научный мир делает ставку на интенсивное использование данных. Будучи построенными по мотивам биологических нейронных систем, искусственные представляют собой набор множества взаимосвязанных нелинейных функциональных единиц, также, по аналогии с вдохновителями, называемых «нейронами». Однако, чтобы решать задачи с той же эффективностью, что и живой прототип, современные ИНС требуют больших энергетических и временных затрат как на обучение путём обработки данных, так и, собственно, на генерацию самого решения.

Более того, эффективность сети прямо зависит от её величины, так что чем сложнее поставлена задача, тем сложнее и больше должна быть сеть, её решающая. Это создаёт целый ряд трудностей в ресурсоснабжении таких вычислений не только для повсеместного их использования, но и для развития самой технологии. Однако у нас есть одно многообещающее средство обойти эти чисто аппаратные проблемы: это так называемые нейроморфные вычисления.

Устремившись в этом направлении, международная команда исследователей из Дортмунда, Лафборо, Киева и Ноттингема разработала новую концепцию, которая может сделать ИИ компактнее и эффективнее. Эта работа, суть которой сводится к созданию фонон-магнонного резервуара для нейроморфных вычислений, встроенного в кристалл, опубликована в журнале Nature Communications в разделе «Отмечено редактором».

Вдохновлялись учёные нашими органами чувств, которые всю поступающую извне информацию вроде света, запаха или тактильных ощущений преобразуют, в сигнал, обрабатываемый мозгом. Его способность к преобразованию синапсов в сочетании с огромным количеством нейронов обусловливает нашу обучаемость, позволяя быстро ориентироваться в сложном многообразии этих внешних раздражителей и реагировать на них.

Это далеко не первая попытка имитировать принцип передачи сигналов и обучения с помощью сложных нейроморфных (напоминающих нейробиологические структуры нервной системы человека) компьютерных систем, но пока современные технологии всё ещё бесконечно далеки от достижения сопоставимой плотности и эффективности информации. 

Сокращение ресурсов.

Тем не менее есть целый ряд методов, приближающих науку к заветной цели. Одним из таких подходов стали так называемые резервуарные вычисления, которые имеют все шансы значительно улучшить результаты. Они предполагают отображение сигналов в многомерном фазовом пространстве динамической системы для последующего распознавания искусственной нейронной сетью.

Если же говорить проще, суть таких вычислений в том, что входные сигналы отображаются в многомерном пространстве ‒ резервуаре, ‒ но сам этот резервуар не является обученным алгоритмом, а роль его сводится к ускорению распознавания с помощью упрощённой искусственной нейросети. Такой ход приводит к значительному сокращению не только вычислительных ресурсов, но и затрачиваемого на обучение времени.

«Потенциал физической системы, предложенной в качестве резервуара, ‒ поясняет один из авторов концепции, профессор Александр Баланов из Университета Лафборо, ‒ был для нас сразу очевиден из-за её удивительного сочетания изменчивости и многомерности».

Опять же: типичным примером естественных резервуарных вычислений является человеческое зрение. Дело в том, что визуальная информация, поступающая в глаз, предварительно обрабатывается сотнями миллионов фоторецепторов сетчатки, тем самым преобразовываясь в электрические сигналы, которые затем попадают в мозг по «проводам» зрительных нервов. Такая конфигурация процесса значительно уменьшает объём данных, обрабатываемых нашей зрительной корой.  

«Функциональность разработанного резервуара основана на интерференции и смешении оптически генерируемых волн, что очень похоже на недавно предложенный механизм обработки информации в биологической коре», ‒ подчёркивает сходство продемонстрированного принципа с возможностями мозга физик-теоретик профессор Сергей Савельев.

Да, существующие вычислительные системы уже умеют имитировать функцию резервуара при работе с оцифрованными сигналами, но этого оказалось недостаточно. Для фундаментального прорыва на этой стезе нам необходимо научиться производить расчёты резервуаров с помощью непосредственно аналоговых сигналов естественной физической системы, как это происходит в человеческом зрении. К этому достижению и приближает нас основополагающая разработка новой концепции.

Разрешающая способность.

Во-первых, она предполагает резервуар на основе акустических (фононов) и спиновых (магнонов) волн, смешанных в чипе размером 25x100x1 кубический микрон. Сам этот чип представляет собой сэндвич из многомодового полупроводникового фононного (акустического) волновода, передающего множество различных звуковых волн, и покрытия из узорчатой ферромагнитной плёнки в 0,1 микрона толщиной.

Информация на чип доставляется последовательностью ультракоротких лазерных импульсов: они кодируют входные сигналы в распространяющиеся фононные волновые пакеты, которые взаимодействуют с ферромагнитными магнонами. Таким образом сведения преобразуются в распространяющийся фонон-магнонный волновой пакет для дальнейшего распознавания. Второй лазер считывает выходной сигнал, отражающий фазочувствительную смесь фононных и магнонных мод, содержание которых диктуется положениями лазера записи и чтения.

Резервуар настолько эффективно разделяет визуальные формы, нарисованные лучом записывающего лазера на поверхности наноустройства, что, вкупе с короткой длиной волн, это приводит к высокой плотности информации. Прямым следствием этого стала возможность уверенно распознавать визуальные формы, нарисованные лазером, на удивительно маленькой площади, сравнимой с одним пикселем современной цифровой фотокамеры.

«Концепция очень перспективна, поскольку она основана на преобразовании входного сигнала в высокочастотные акустические волны, как в современных устройствах беспроводной связи, ‒ резюмируетруководитель части проекта, реализованной в Техническом университете Дортмунда, доктор Алексей Щербаков. ‒ Наш диапазон акустических частот превышает 10 ГГц, что несколько выше доступного сейчас, но он нацелен на следующие стандарты беспроводной связи. Таким образом, кто знает, возможно, через пару лет ваш мобильный телефон поможет вам принимать очень человечные решения».  

АРМК, по материалам TU Dortmund.