Три алюминиевых стержня, ультразвук и... немного мёда: физики нашли способ заставить ИИ учиться, тратя в разы меньше энергии
Это устройство не имеет ни одного транзистора, но классифицирует цветы точнее многих нейросетей.
Нейроморфные вычисления пытаются приблизить микросхемы к принципам работы мозга: не гонять данные туда-сюда между памятью и процессором, а хранить и обрабатывать информацию в одних и тех же элементах. Такой подход может резко снизить энергопотребление систем искусственного интеллекта (ИИ). Но у современных нейроморфных устройств есть слабое место: по сложности связей они всё ещё очень далеки от биологических нейронов.
В мозге нейроны соединяются через синапсы. Через эти контакты клетки передают сигналы, усиливают или ослабляют связи, хранят следы прошлого опыта и меняют реакцию в зависимости от контекста. Один человеческий нейрон может иметь тысячи синапсов, а клетки Пуркинье в мозжечке способны получать до 100 тысяч таких входов. Благодаря этому нейрон не просто принимает один сигнал, а сопоставляет множество признаков, учитывает состояние сети и выдаёт ответ с поправкой на ситуацию.
Большинство искусственных нейроморфных устройств устроены гораздо проще. Часто один элемент фактически играет роль одного искусственного синапса. Чтобы приблизиться к связности живого нейрона, пришлось бы соединять множество отдельных компонентов проводами. Такая схема быстро разрастается: больше линий связи, выше энергопотребление, сложнее управление и производство.
Новая работа предлагает другой путь: использовать не только электронику, но и звуковые волны. Исследователи создали акустический синапс, в котором информация кодируется через фазу ультразвуковых волн. Фаза показывает, в какой точке своего колебательного цикла находится волна. Если обычный цифровой бит принимает только 0 или 1, фазовый бит, или фи-бит, может одновременно представлять несколько параметров внутри одного физического пространства.
Важно не путать эту схему с квантовым компьютером. Фи-биты не выполняют настоящие квантовые вычисления и не используют квантовые состояния частиц. Речь идёт о классической системе, где поведение волн напоминает некоторые приёмы квантовой логики: несколько вариантов могут сосуществовать в одной среде, взаимодействовать и обрабатываться параллельно. Для нейроморфного железа это ценно, потому что множество признаков можно смешивать без громоздкой сети отдельных электронных узлов.
Сам прототип выглядит неожиданно просто. Устройство состоит из трёх алюминиевых стержней длиной около 60 сантиметров и шириной примерно 1,25 сантиметра. Стержни соединены эпоксидным клеем. На концах закреплены ультразвуковые передатчики и датчики, причём для контакта использовали тонкий слой мёда. Передатчики запускают звуковые волны в стержни, волны взаимодействуют друг с другом через соединения, а датчики считывают получившийся акустический сигнал.
Через эти волны исследователи кодировали поток данных, включая изображения и подписи к ним. Акустическая среда не просто передавала сигнал от входа к выходу. Взаимодействия волн преобразовывали информацию до финального считывания, как синапс в мозге меняет силу связи между нейронами. Такой принцип особенно важен для задач распознавания образов, анализа сенсорных данных и работы с признаками, которые нужно объединять сразу из нескольких источников.
Ключевая возможность акустического синапса - пластичность. В биологии синаптическая пластичность означает, что связь между нейронами может усиливаться или ослабевать со временем. Именно поэтому одни воспоминания закрепляются, а другие исчезают. В новом устройстве фазу фи-битов можно менять так, чтобы акустическая связь вела себя похожим образом: усиливала одни реакции, ослабляла другие и постепенно обучалась под конкретную задачу.
В экспериментах исследователи проверили топологический акустический синапс вместе с тремя цифровыми нейронами. Топологическая акустика изучает способы управлять звуковыми волнами так, чтобы они двигались по заданным путям и меньше теряли энергию. В такой системе волновые взаимодействия заранее помогают упорядочить данные, а цифровая часть уже получает более подготовленный сигнал.
Для проверки выбрали классическую задачу классификации ирисов: нужно отнести 150 цветков к одному из трёх видов по набору измеряемых признаков. Акустическое устройство, представленное как один моделируемый синапс, достигло точности 96,7% и использовало всего 39 параметров. Пиковая точность достигалась на 20% быстрее, чем у обычной нейросетевой модели типа многослойного перцептрона. Чтобы получить сопоставимый результат, такой электронный перцептрон потребовал бы девять нейронов и больше параметров.
Отдельно авторы оценили энергопотребление. По их расчётам, новое устройство расходует не больше одной десятой мощности по сравнению с современным электронным нейроморфным железом. Для будущих ИИ-систем это может оказаться важнее самой демонстрации на небольшом наборе данных. Чем больше модель переносит вычисление в физическую динамику волны, тем меньше энергии уходит на электронные пересылки, переключения и хранение промежуточных состояний.
Акустический подход интересен ещё и тем, что позволяет имитировать нейромодуляцию. В мозге на синапсы влияют не только основные сигналы между нейронами, но и вещества вроде дофамина и серотонина. Такие нейромодуляторы могут сделать связь чувствительнее или слабее, ускорить или замедлить обучение, изменить реакцию клетки при стрессе, внимании, ожидании награды или долгом напряжении. Один биологический синапс может одновременно зависеть от нескольких таких химических факторов.
В обычном электронном нейроморфном устройстве нейромодуляцию трудно воспроизвести без усложнения схемы. Нужны дополнительные элементы, управляющие линии и режимы работы. В акустическом синапсе похожий эффект удалось получить проще: добавление ещё одного стержня позволило системе имитировать несколько видов модуляции. Среди них были быстрые реакции, похожие на влияние дофамина на силу синапса во время обучения, и более медленные долгосрочные изменения, напоминающие эффекты хронического стресса.
Именно нейромодуляция делает мозг гибким. Один и тот же участок сети может работать по-разному в зависимости от ситуации. В современных ИИ-системах под разные задачи часто создают разные модели или сильно перенастраивают одну и ту же архитектуру. Если аппаратные нейроморфные системы научатся менять режим работы с помощью аналога нейромодуляторов, небольшие сети смогут брать на себя больше функций без постоянного роста размера.
Три алюминиевых стержня не заменят электронные ускорители ИИ в нынешнем виде. Но работа показывает важный принцип: вычисление можно частично передать физике волн. Звук сам смешивает, переносит и преобразует сигналы, а электронике остаётся считывать результат и направлять обучение. Такой гибрид может дать более компактное и экономичное железо для задач, где нужно быстро объединять множество признаков.
Следующий вопрос - масштабирование. Исследователям нужно понять, как соединять множество акустических синапсов, насколько стабильно они будут работать в сложных системах, как управлять шумом, как уменьшить размеры и как связать волновую часть с обычной электроникой. Если эти проблемы удастся решить, нейроморфные устройства смогут стать не просто электронными имитациями мозга, а гибридными системами, где вычисляют сами физические процессы.