Магноника вместо кремния: в ЛЭТИ создали дешевую аппаратную нейросеть на спиновых волнах
Недорогую аппаратную нейросеть, способную выполнять нейроморфные вычисления на спиновых волнах, разработали в Санкт-Петербургском государственном электротехническом университете «ЛЭТИ».
В основе системы – керамическая ферритовая пластина железо-иттриевого граната (ЖИГ), заменившая дорогие монокристаллические пленки.
Учёные Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» представили аппаратную нейросеть для распознавания изображений, работающую на принципах магноники. Магноника – раздел современной физики и электроники, который изучает передачу, обработку и хранение информации с помощью магнонов – квазичастиц спиновых волн.
Ключевое отличие разработки от прежних магнонных систем – использование недорогой керамической пластины из железо-иттриевого граната (ЖИГ) вместо дорогостоящих монокристаллических плёнок, выращиваемых методом эпитаксии. Это принципиально снижает потенциальную стоимость будущей элементной базы для аппаратного искусственного интеллекта. Вычисления здесь выполняются не транзисторами, а спиновыми волнами – коллективными колебаниями магнитных моментов в материале.
Как устроена система
Разработка представляет собой физический резервуарный компьютер – аппаратный аналог рекуррентной нейросети. В отличие от классических вычислений, где алгоритм последовательно обрабатывает данные на CPU или GPU, здесь сама физическая среда выполняет роль вычислительного слоя. Спиновые волны, возбуждаемые в керамической пластине ЖИГ, естественным образом преобразуют входной сигнал, а задача исследователя состоит в том, чтобы правильно считать отклик системы и интерпретировать его как результат классификации.
В экспериментах устройство распознавало цифры от 0 до 9. При уровне шума 20 % точность достигала 98 % для изображений размером 10×10 пикселей, превышала 76 % для изображений 5×4 пикселя и составляла 71 % для рукописных цифр. Для лабораторного прототипа это убедительный результат, подтверждающий работоспособность самой архитектуры.
Почему это важно для отрасли
Главная ценность работы – не рекордная точность, а попытка удешевить физическую платформу аппаратного ИИ. Монокристаллические плёнки, необходимые для магнонных устройств ранее, сложны в производстве и дороги. Керамический ЖИГ открывает путь к более доступным специализированным ускорителям. Для российской ИТ-отрасли это означает возможность создавать энергоэффективные сопроцессоры для задач распознавания и классификации без зависимости от импортных GPU. Сам университет рассматривает подобные системы как основу будущих магнонных сопроцессоров.
Перспективы и области применения
Исследователи называют следующей задачей совершенствование архитектуры устройства: повышение точности, быстродействия и сложности распознаваемых образов. Потенциальные сферы применения включают беспилотные системы, робототехнику, обработку аудио- и видеопотоков, компьютерное зрение и интеллектуальные сенсоры. В более широкой перспективе речь идёт о переносе части ИИ-вычислений с универсальных процессоров на компактные физические нейроморфные системы, встроенные непосредственно в датчики и автономные устройства.
Вместе с тем говорить о готовом экспортном продукте преждевременно: разработка находится на научно-исследовательской стадии, и до промышленного выпуска ещё далеко.
Нейроморфные разработки в России
В 2023 году НТЦ «Модуль» представил нейровычислитель «NM Quad» с четырьмя отечественными нейропроцессорами «NeuroMatrix». В том же году при участии «Лаборатории Касперского» был показан нейроморфный чип для спайковых нейросетей. В 2024-м ННГУ разработал прототип сверхпроводниковой нейроморфной сети, а МФТИ начал создание отечественного нейристора – искусственного нейрона для перспективных нейроморфных компьютеров. Магнонный резервуарный компьютер ЛЭТИ дополняет эту линейку, предлагая принципиально иной физический носитель вычислений.
Показателями зрелости технологии станут увеличение сложности распознаваемых изображений, рост скорости обработки, миниатюризация устройства и его интеграция с обычной вычислительной электроникой. Прямой же эффект для конечных пользователей проявится лишь после перехода от лабораторного прототипа к прикладным устройствам. Однако сам факт того, что аппаратный ИИ можно строить на дешёвой керамике, открывает широкие перспективы.
