ИИ-чип, работающий как мозг, учится в реальном времени при сверхмалом энергопотреблении

31.03.2025

В лабораторной имитации полета через цифровой лес, осаждаемый переменчивыми ветрами, беспилотник управляет собой с удивительным мастерством: он огибает препятствия, меняет курс в режиме реального времени и достигает цели с человеческой ловкостью.

Система, управляющая дроном, не питается от массивного сервера и не обучается на петабайтах данных. Вместо этого им управляет крошечный, экономящий энергию чип, похожий на мозг, - новый тип искусственного интеллекта, который учится в процессе своей работы, подобно человеческому разуму.

Разработанная совместно инженерами из UCLA, Техасского университета A&M и других научных учреждений, эта технология представляет собой революционную «Сверхтьюринговскую» модель ИИ, которая преодолевает ограничения традиционных вычислений, копируя способность мозга адаптироваться на лету.

В его основе лежит цепь «синаптических резисторов» - или «синсторов» - из ферроэлектрического оксида гафния-циркония (HfZrO), которая позволяет системе изменять свои собственные связи в режиме реального времени.

Исследование, опубликованное в Science Advances, показывает, что архитектура «Сверхтьюринга» превосходит традиционные искусственные нейронные сети (ИНС) по адаптивности и энергоэффективности, потребляя всего 158 нановатт — что в 10 миллионов раз меньше, чем типичные системы ИИ.

«Традиционные модели ИИ в значительной степени полагаются на обратное распространение - метод, используемый для настройки нейронных сетей в процессе обучения, - заявил в пресс-релизе соавтор исследования, доцент кафедры электротехники и компьютерной инженерии Texas A&M доктор Суин Йи. - Хотя этот метод эффективен, он биологически нереалистичен и требует огромных вычислительных ресурсов. В нашей работе мы устранили этот недостаток, заимствовав из нейробиологии механизмы Хеббовского обучения и синаптической пластичности, которые позволяют нейронам укреплять связи так же, как это происходит в реальном мозге».

От Тьюринга к Сверхтьюрингу

Большинство современных систем искусственного интеллекта, включая самодвижущиеся автомобили и большие языковые модели, работают на основе модели вычислений Тьюринга. Они выполняют фиксированные алгоритмы, обученные заранее - иногда в течение нескольких недель, - и после развертывания не могут изменить курс, пока не будут обучены заново. Это затрудняет работу систем ИИ в незнакомой обстановке и очень требовательно к мощности.

По сути, нынешний ИИ похож на студента, который выучил все перед экзаменом, а во время него ему запрещено узнавать что-то новое. В отличие от этого, человеческий мозг постоянно учится и адаптируется в режиме реального времени.

«Эти центры обработки данных потребляют энергию в гигаваттах, в то время как наш мозг потребляет 20 ватт, - объясняет доктор Йи. – Центры обработки данных, потребляющие такое количество энергии, не могут быть устойчивыми при нынешних методах вычислений. Поэтому, хотя способности искусственного интеллекта поразительны, для его поддержания все еще необходимы аппаратные средства и генерация энергии».

Именно здесь на помощь приходит сверхтьюринговые вычисления. Вдохновившись тем, как синапсы мозга адаптируются в процессе обучения, исследователи разработали «синсторную схему», использующую форму зависимой от времени спайков пластичности (STDP) — биологически правдоподобное правило обучения — для обновления внутренних параметров во время обработки входных данных. В отличие от мемристоров или фазовой памяти, которым требуются отдельные этапы для обучения и вывода, синсторы способны выполнять оба процесса одновременно.

На аппаратном уровне система опирается на чудо-материал: гетеропереход, состоящий из слоя WO₂.₈, тонкой пленки ферроэлектрика Hf₀.₅Zr₀.₅O₂ и кремниевой подложки. Этот стек позволяет тонко настраивать значения проводимости - сродни регулировке силы синапса - с исключительной точностью, повторяемостью и долговечностью.

Было достигнуто более 1,6 × 10¹¹ циклов переключения без деградации, и проводимость могла быть настроена на 1000 аналоговых уровней с точностью обучения до 36 пикосименсов. Обновления происходили с помощью импульсов напряжения ±3 В и в течение 10 наносекунд, что делает систему энергоэффективной и удивительно быстрой.

Эта возможность позволяет синсторной схеме работать в так называемом «сверхтьюринговом режиме», - постоянно обновляя свои внутренние веса в ответ на обратную связь с окружающей средой при выполнении умозаключений. Если окружающая среда меняется - например, неожиданно возникает турбулентность или появляется новое препятствие, - схема адаптируется на лету, не требуя паузы или внешнего обучения.

Превосходство над искусственным интеллектом и людьми

Для испытания этой новой сверхтьюринговой технологии исследователи сравнили управляемый синстором дрон с двумя конкурентами в смоделированном горном ландшафте: один контролировался традиционной искусственной нейронной сетью (ИНС) на компьютере, а другой — людьми, незнакомыми с системой дрона.

Результаты оказались поразительными. Схема синстора направила дрон к месту назначения быстрее, чем люди: среднее время обучения составило всего 4,4 секунды по сравнению с 6,6 секунды у людей.

Между тем, ИНС потребовалось более 35 часов для достижения аналогичного уровня — и даже тогда она неизменно терпела неудачу при изменении условий. В лесистой местности с сильным ветром синстор и люди успешно избегали столкновений, тогда как ИНС разбивалась каждый раз.

Однако наибольший выигрыш был достигнут в энергоэффективности. Вся система синстор супертьюринг потребляла всего 158 нановатт, по сравнению с 6,3 ваттами, которые потреблял обычный ИИ, работающий на настольном компьютере высокого класса, - разница более чем в 40 миллионов раз.

На пути к сверхтьюринговым машинам, подобным мозгу

Последствия этой работы могут распространиться на все отрасли. От автономных беспилотников и роботизированных протезов до умных носимых устройств и освоения космоса - системы, которые должны в реальном времени реагировать на непредсказуемую обстановку, не разряжая батарею, получат огромную пользу от супертьюринговского ИИ.

Более того, архитектура synstor позволяет легко масштабировать систему. Хотя текущий прототип использует относительно небольшую матрицу 8×8, команда уверена, что технологию можно расширить до схем с миллионами синсторов, используя существующие методы нанопроизводства.

Прорыв может стать основой для нового класса мозгоподобных компьютеров, в которых системы не просто выполняют заранее заученные задачи, а продолжают учиться, адаптироваться и совершенствоваться, причем в режиме реального времени и с минимальными затратами энергии.

Не только быстрее, но и умнее

Пока дебаты о способности ИИ сравниться с человеческим интеллектом продолжаются, это исследование меняет правила игры. Вместо того чтобы добиваться интеллекта за счет масштабирования моделей и данных (как это делает современный генеративный ИИ), новый сверхтьюринговый подход стремится достичь максимального результата с меньшими затратами.

Тот факт, что схема без предварительного обучения может превзойти предварительно обученную нейронную сеть в реальных условиях, говорит о том, что истинный интеллект заключается не в хранении большего количества данных, а в адаптации, когда данные заканчиваются.

«Современный искусственный интеллект, такой как ChatGPT, потрясающий, но слишком дорогой, - говорит доктор Йи. – Сверхтьюринговый ИИ может изменить подход к созданию и использованию ИИ, гарантируя, что его развитие будет выгодно как людям, так и планете».

Источник: Новая наука