Нейроморфные вычисления имитируют важную особенность мозга
При восприятии звука активируются лишь некоторые нейроны в слуховой коре мозга. Это происходит потому, что каждый слуховой нейрон настроен на определённый диапазон звука, делая его более чувствительным к конкретным типам и уровням звука. В новом исследовании учёные создали нейроморфную («вдохновлённую мозгом») вычислительную систему, которая имитирует эту нейронную избирательность с помощью искусственных нейронов, настроенных на уровень (level-tuned neurons), которые предпочтительно реагируют на определённые типы стимулов.
В будущем такие нейроны могут позволить нейроморфным системам выполнять задачи, недоступные традиционным компьютерам: обучение на основе окружающей среды, распознавание образов и извлечение знаний из больших данных.
Исследователи Ангелики Пантази и др. из IBM Research-Zurich и Федеральной политехнической школы Лозанны (Швейцария) опубликовали статью о новой архитектуре в журнале Nanotechnology.
Как и все нейроморфные архитектуры, предложенная система основана на нейронах и их синапсах — соединениях, через которые нейроны обмениваются сигналами. В этой работе искусственные нейроны были физически реализованы с использованием фазовых материалов. Эти материалы имеют два стабильных состояния: кристаллическое (с низким сопротивлением) и аморфное (с высоким сопротивлением). Как и в традиционных вычислениях, состояния переключаются подачей напряжения. Когда проводимость нейрона достигает определённого порога, нейрон «срабатывает».
«Мы продемонстрировали, что мемристорные устройства на основе фазовых материалов можно использовать для создания искусственных нейронов и синапсов для хранения и обработки данных, — сказал соавтор Эвангелос Элефтериу из IBM. — Фазовый нейрон использует фазовую конфигурацию материала для представления своего внутреннего состояния — мембранного потенциала. Для фазового синапса синаптический вес, ответственный за пластичность, кодируется проводимостью наноустройства».
В этой архитектуре каждый нейрон настроен на определённый диапазон или уровень. Уровень определяется как совокупный вклад суммы входящих сигналов от многих других нейронов.
«Мы представили биологически вдохновлённую архитектуру нейронов, настроенных на уровень, которая способна различать разные паттерны неконтролируемым образом, — отметил Элефтериу. — Это важно для разработки сверхплотных, масштабируемых и энергоэффективных нейроморфных вычислений».
Одно из главных преимуществ таких высокоизбирательных нейронов — улучшенная способность к обучению. В нейроморфных вычислениях обучение происходит за счёт повторяющихся входящих сигналов, которые усиливают определённые синаптические связи. Исследователи показали, что нейроны, настроенные на уровень, хорошо обучаются распознаванию множества входных паттернов, даже при наличии шума.
«Даже один нейрон можно использовать для обнаружения паттернов и выявления корреляций в потоках событийных данных в реальном времени, — пояснил Элефтериу. — Нейроны, настроенные на уровень, повышают способность сети даже из одного нейрона различать информацию при появлении нескольких паттернов на входе. В сочетании с высокой скоростью и низким энергопотреблением фазовой реализации они будут особенно полезны для различных приложений, таких как Интернет вещей, анализ больших объёмов сенсорной информации, обнаружение тенденций в соцсетях, прогнозирование погоды или выявление паттернов в медицинских данных».
В будущем исследователи планируют развивать концепцию искусственных нейронов, настроенных на уровень, для проектирования улучшенных крупномасштабных нейронных сетей.
«Мы будем изучать более сложные вычислительные задачи на основе искусственных спайковых нейронов и их синапсов, — сказал Элефтериу. — Нас интересует потенциал масштабирования и применение таких нейроморфных систем в когнитивных вычислениях».