Разработаны искусственные нейроны, которые воспроизводят сложное электрохимическое поведение биологических клеток мозга

В отличие от обычных цифровых процессоров или существующих нейроморфных чипов на основе кремниевых технологий, которые лишь имитируют нейронную активность, эти искусственные нейроны физически воплощают или эмулируют аналоговую динамику своих биологических аналогов. Подобно тому, как нейрохимические вещества запускают активность мозга, химические вещества можно использовать для запуска вычислений в нейроморфных (созданных по образу и подобию мозга) аппаратный устройствах. Являясь физической копией биологического процесса, они отличаются от предыдущих версий искусственных нейронов, которые представляли собой исключительно математические уравнения.

Работа, возглавляемая профессором компьютерных и электротехнических наук Калифорнийского университета в Лос-Анджелесе Джошуа Янгом, который более десяти лет назад руководил работой над основополагающей статьёй об искусственных синапсах, представляет собой новый тип искусственного нейрона, основанный на так называемом диффузионном мемристоре. В статье в  Nature Electronics исследуется, как такие искусственные нейроны могут стать основой для нового класса чипов, которые дополнят и расширят существующие кремниевые технологии, лежащие в основе почти всей современной электроники и использующие для вычислений движение электронов.

Вместо этого диффузионное устройство, представленное Янгом и его коллегами для создания нейронов, будет использовать движение атомов. Такие нейроны могут стать основой для новых чипов, которые будут работать более похоже на наш мозг, будут более энергоэффективными и могут способствовать появлению так называемого общего искусственного интеллекта (AGI).

В ходе биологических процессов мозг использует как электрические, так и химические сигналы для управления действиями организма. Нейроны, или нервные клетки, начинают работу с электрических сигналов, которые, достигая пространства или разрыва в конце нейрона (синапса), преобразуются в химические сигналы для передачи и обработки информации. Когда информация передаётся следующему нейрону, некоторые из этих сигналов снова преобразуются в электрические сигналы по всему телу нейрона.

Это физический процесс, который Янгу и его коллегам удалось воспроизвести с высокой точностью в нескольких критически важных аспектах. Главное преимущество: их диффузионный искусственный нейрон на основе мемристора занимает место всего одного транзистора, а не десятков или сотен, как в обычных конструкциях.

В частности, в биологической модели ионы или заряженные частицы помогают генерировать электрические сигналы, вызывающие активность нейронов. В человеческом мозге такие процессы зависят от химических веществ (например, ионов), таких как калий, натрий или кальций, которые стимулируют эту активность.

В своей статье Янг, директор Центра передовых исследований в области нейроморфных вычислений при Университете Южной Калифорнии, использует ионы серебра в оксиде для генерации электрического импульса и имитации процессов, необходимых для выполнения таких задач, как движение, обучение и планирование.

«Несмотря на то, что в наших искусственных синапсах и нейронах используются не совсем те же ионы, физика, управляющая движением ионов, и динамика очень похожи, — говорит он. — Серебро легко диффундирует и обеспечивает динамику, необходимую для имитации биосистемы, чтобы мы могли воспроизвести функции нейронов с помощью очень простой структуры».

Новое устройство, которое может работать как мозг, называется диффузионным мемристором из-за движения ионов и динамической диффузии, возникающей при использовании серебра.

Он добавляет, что команда решила использовать ионную динамику для создания систем искусственного интеллекта, «потому что именно это происходит в человеческом мозге, и на то есть веская причина, ведь человеческий мозг — это „победитель в эволюции“, самый эффективный интеллектуальный механизм».

«Это эффективнее», — говорит он и поясняет: «Дело не в том, что наши чипы или компьютеры недостаточно мощные для того, что они делают. Дело в том, что они недостаточно эффективны. Они потребляют слишком много энергии».

Это особенно актуально, учитывая уровень энергопотребления, необходимый для работы крупных программных моделей с огромным объёмом данных, таких как машинное обучение для искусственного интеллекта.

Если вам нужна чистая скорость, то электроны, на которых работают современные компьютеры, лучше всего подходят для быстрых операций. Но, как он объясняет, «ионы лучше подходят для воплощения принципов работы мозга, чем электроны. Поскольку электроны лёгкие и нестабильные, вычисления с их помощью позволяют обучаться с помощью программного обеспечения, а не аппаратного, что в корне отличается от принципов работы мозга».

Напротив, говорит он, «мозг обучается, перемещая ионы через мембраны, что обеспечивает энергоэффективное и адаптивное обучение непосредственно на аппаратном уровне, или, точнее, на том, что люди называют „программным обеспечением“».

Например, маленький ребёнок может научиться распознавать написанные от руки цифры, увидев всего несколько примеров, в то время как компьютеру для выполнения той же задачи обычно требуются тысячи примеров. Однако человеческий мозг справляется с этим удивительным процессом обучения, потребляя всего около 20 ватт энергии по сравнению с мегаваттами, необходимыми современным суперкомпьютерам.

Этот новый метод на шаг приближает нас к имитации естественного интеллекта.

Янг отметил, что серебро, использованное в эксперименте, не подходит для традиционного производства полупроводников и что для получения аналогичных результатов необходимо исследовать альтернативные ионные соединения.

Эффективность этих диффузионных мемристоров зависит не только от энергопотребления, но и от размера. Обычно в одном смартфоне около 10 чипов, но миллиарды транзисторов или переключателей управляют включением и выключением (0 и 1), которые лежат в основе вычислений.

«Вместо этого [с помощью этого нововведения] мы просто используем один транзистор для каждого нейрона. Мы разрабатываем строительные блоки, которые в конечном счёте позволят нам уменьшить размер чипа на несколько порядков и снизить энергопотребление на несколько порядков, чтобы в будущем можно было использовать ИИ с аналогичным уровнем интеллекта, не расходуя энергию, которую мы не можем себе позволить», — говорит Ян.

Источник