Метод позволит реализовать физическую, «осязаемую» нейросеть с возможностью перестройки в режиме реального времени, сообщил ТАСС автор разработки Александр Никитин. «Если в программной нейросети перестройка — смена задачи — осуществляется через программный код, то как это сделать в аппаратной сети, “в железе”? Как обучить “железку” чему-то новому? Переставлять нейроны вручную?
На данный момент главная проблема физических, т. е. реализованных “в железе”, нейросетей — это перестройка весов, особенно если нейроны имеют субмикронные размеры. Это лишает подобные приборы возможности адекватно реагировать на меняющиеся условия окружающей среды. Возможность динамической перестройки аппаратных нейросетей в реальном времени — одна из важнейших задач, решение которой позволит выйти сфере искусственного интеллекта на новый уровень», — пояснил Никитин.
Аппаратно-реализованные нейронные сети — это класс нейронных сетей, имеющих физическую реализацию. Они построены на различных физических принципах и в основе своей имитируют работу головного мозга. К примеру, электронные схемы, выполненные на микропроцессорах или на специализированных нейрочипах.
В классическом понимании все нейросети представляют собой структуры, состоящие из искусственных нейронов и соединяющих их синапсов, определяющих степень связи между нейронами. Программные нейросети переводят запрос в машинный код — язык инструкций, понятный процессору компьютера, который осуществляет вычисления. То есть скорость работы программного ИИ напрямую зависит от скорости процессора и внешних устройств. Для аппаратной реализации искусственного интеллекта пропускается этот этап преобразования, и нейросеть сразу приступает к вычислению результата — это задает потенциал в приросте скорости получения результата, поскольку вычисления происходят параллельно.
Основа работы новой модели ИИ
Математическая модель ученого НовГУ позволила решить одну из главных задач — обеспечить возможность внешнего управления синапсами — областями взаимодействия между аппаратно-реализованными нейронами. Синапсы нужны для связывания и запоминания отношений «посыл — следствие». С их помощью нейросеть перестраивается с одной задачи на другую, «учится».
Одним из направлений аппаратной реализации нейросетей является их воплощение на базе связанных генераторов колебаний, в основе работы которых лежит эффект синхронизации этих генераторов. «Простыми словами, если в программной нейронной сети закодированную “задачу” заменить набором колебаний с частотами, а нейроны — на генераторы со своими собственными частотами, а функцию синапсов переложить на связь между генераторами, то получим структуру, для которой будет характерно особое поведение на каждое входное частотное воздействие. Картина синхронизации генераторов-нейронов будет зависеть от частот возмущающего колебания», — добавил Никитин.
Предложенным решением является аппаратная модель ИИ на базе связанных генераторов колебаний. В основе модели лежат слоистые магнитоэлектрические структуры, которые представляют собой так называемую электронно-управляемую «площадку» взаимодействия колебаний генераторов-нейронов. В этом случае весами являются области между генераторами-нейронами, на которые можно влиять посредством внешнего воздействия. Такой подход позволяет корректировать алгоритм работы ИИ.
«В процессе работы над математической моделью мы смогли математически связать структуру внешнего электрического поля с областями взаимодействий генераторов-нейронов. Благодаря относительной лаконичности полученной модели мы смогли спроецировать происходящие физические процессы в программную среду Python. Это открывает нам новое поле работы, где в будущем можно будет совместно применять построенную математическую модель с алгоритмами машинного обучения», — пояснил он. Исследование выполнено за счет гранта Российского научного фонда.
