Искусственный мозг научился саморегуляции: российская наука приближает эру нейроморфных вычислений
Учёные МФТИ с коллегами из Института биологии и биомедицины ННГУ им. Н. И. Лобачевского разработали механизм, который позволяет искусственным нейронным сетям, имитирующим работу мозга, сохранять стабильность и избегать сбоев.
В основу изобретения положен принцип гомеостаза – способности биологических систем сохранять внутреннее равновесие. Разработка ориентирована на импульсные, или спайковые нейронные сети (SNN), воспроизводящие отдельные принципы функционирования человеческого мозга.
В отличие от традиционных нейросетей, в спайковых системах данные передаются короткими импульсами – спайками. Нейроны активируются только при поступлении соответствующих сигналов, что потенциально позволяет значительно снизить энергопотребление.
Предложенный механизм отслеживает активность каждого нейрона и регулирует интенсивность входящих сигналов: если нейрон возбуждается слишком часто, система ослабляет воздействие, если активность недостаточна – усиливает его. Дополнительно используется механизм кратковременной синаптической депрессии – временного ослабления передачи сигналов при чрезмерной активности. Это предотвращает длительные всплески возбуждения, при которых сеть теряет способность обрабатывать новую информацию.
В результате компьютерного моделирования ученые продемонстрировали возможность поддержания устойчивой активности сети и синхронной реакции на внешние сигналы даже в условиях помех.
Новые горизонты для робототехники
Сегодня речь идет только о научной модели импульсной нейросети, а не о готовом нейроморфном процессоре. Эксперимент еще не доказывает, что современные большие языковые модели смогут благодаря этому механизму перестать «галлюцинировать». Не представлены и результаты испытаний технологии на серийном оборудовании.
Тем не менее, исследование имеет серьёзное научно-технологическое значение, так как в перспективе открывает для разработчиков ИИ дополнительные методы создания нейросетей, способных самостоятельно регулировать интенсивность вычислительной активности. Для производителей микроэлектроники результаты могут использоваться при проектировании специализированных нейроморфных процессоров. Для робототехники открываются перспективы создания автономных систем, способных обрабатывать сигналы непосредственно на устройстве.
Рядовых пользователей гаджетов инновация не затронет: исследование не предполагает появления нового массового программного продукта. Однако в перспективе такие технологии могут способствовать созданию более энергоэффективных интеллектуальных устройств./
Путь российских нейроморфных технологий за пять лет
Разработка МФТИ и ННГУ – часть системной работы российских ученых над нейроморфными вычислениями.
В октябре 2022 года «Лаборатория Касперского» и компания «Мотив НТ» представили Kaspersky Neuromorphic Platform, объединившую программные инструменты разработки импульсных нейронных сетей и российский нейроморфный процессор «Алтай».
В мае 2024 года ученые МФТИ, ННГУ и Южного федерального университета встроили математическую модель мемристора в биофизическую модель нейронной сети, воспроизводящую передачу тормозных сигналов между нервными клетками.
В октябре 2025 года университет ИТМО сообщил о создании перовскитного наномемристора. Устройство выдерживает более 1500 циклов перезаписи, его энергопотребление составляет 70–80 нановатт, а размеры активного элемента – около 130–160 нанометров.
Параллельно шли зарубежные исследования. В октябре 2023 года IBM представила нейроморфный процессор NorthPole. В апреле 2024 года Intel запустила исследовательскую систему Hala Point, включающую 1152 процессора Loihi 2 и способную моделировать работу до 1,15 млрд искусственных нейронов.
Ограничения и перспективы
Для перехода от научной модели к готовым технологическим решениям необходимо решить несколько задач: адаптировать алгоритм для работы на реальном нейроморфном оборудовании, проверить устойчивость сети при увеличении количества нейронов, измерить фактическое энергопотребление и подтвердить преимущества по сравнению с традиционными процессорами.
Особую сложность представляет обучение импульсных нейронных сетей, так как для этого пока не существует универсальных и эффективных методов. Однако в среднесрочной перспективе (2027–2029 годы) можно ожидать дальнейшего развития нейроморфных процессоров. И следующий этап своей работы исследователи МФТИ и ННГУ уже обозначили: создание более сложных сетей, способных самостоятельно формировать новые связи взамен утраченных.
Развитие искусственного интеллекта связано не только с увеличением размеров нейросетей и вычислительной мощности процессоров, но и с поиском принципиально новых способов обработки информации. Главный вопрос заключается не в том, удалось ли ученым полностью воспроизвести работу человеческого мозга, а в том, смогут ли предложенные механизмы обеспечить реальное повышение надежности и энергоэффективности вычислительных систем. Именно возможность практического применения технологий определит долгосрочное значение разработки для российской микроэлектроники, робототехники и индустрии искусственного интеллекта.
