В НовГУ усовершенствовали «осязаемый» искусственный интеллект
09 апреля 2025, 14:19 720
В Новгородском университете представили математическую модель электронной динамической перестройки аппаратной нейросети. Метод позволит реализовать физическую, «осязаемую» нейросеть с возможностью перестройки в режиме реального времени. Автор разработки — старший научный сотрудник кафедры Проектирования и технологии радиоаппаратуры НовГУ Александр Никитин. На данный момент аналогов метода в России и зарубежных странах нет.
Аппаратно-реализованный ИИ может работать гораздо быстрее, чем «традиционный» программный искусственный интеллект. Аппаратно-реализованные нейронные сети — это класс нейронных сетей, имеющих физическую («в железе») 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 нейронных процессорах (нейрочипах).
— Одной из актуальных тем научного сообщества является переход от программных нейросетей к аппаратным, — пояснил Александр Никитин. — Аппаратные нейросети умеют делать все то же самое, только имеют потенциал делать это в десятки раз быстрее.
В классическом понимании, все нейросети представляют собой структуры, состоящие из искусственных нейронов и соединяющих их синапсов, определяющих степень связи между нейронами. Все вместе они обрабатывают информацию и делают выводы. А роль параметров, определяющих степень влияния одного нейрона на другой, возложена на так называемые веса. Это коэффициенты, определяющие «влияние» входящих данных. Они могут увеличивать или уменьшать важность определённой информации. Именно они корректируются во время машинного обучения, чтобы то, что выдает нейросеть, наиболее соответствовало тому, что вы у нее попросили.
В свою очередь, 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 задаёт потенциал в приросте скорости получения результата, поскольку вычисления происходят параллельно.
— Аппаратное воплощение искусственного интеллекта наиболее близко к работе человеческого мозга, — поясняет учёный. — В нашей голове нет никакого центрального компьютера, все процессы проходят параллельно, затрагивая различные области нервной системы.
Математическая модель учёного 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».
— Если в программной нейросети перестройка — смена задачи — осуществляется через программный код, то как это сделать в аппаратной сети, «в железе»? — объясняет изобретатель. — 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.
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.
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, — объяснил Александр Никитин. — 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.
Следующим этапом является получение полной программной модели электронно-перестраиваемой нейросети. Построенная полная модель сможет дать ответ на ряд вопросов, связанных с параметрами исходной магнитоэлектрической структуры и величин внешнего электрического поля, при которых физически реализованная нейроструктура будет способна решать поставленные задачи.
Исследование выполнено за счет гранта Российского научного фонда.
Эту и другие новости читайте в официальном телеграм-канале Новгородского университета.
