Мир природы Карта сайта Правила работы с сайтом Наши авторы
Введение Новости Заповедники

Новости

С миру по нитке

Как близко мы подошли к созданию нового класса вычислительных устройств -- нейрокомпьютеров?

Об исследовании в области оксидной электроники, которая рассматривается как альтернатива электроники

Литийионные аккумуляторы безопасны, экологичны, экономичны и способны «проехать» до 600 тыс.

В преддверии 100-летия открытия Южного полюса о некоторых страницах истории советских экспедиций в Антарктиду

Конфуцианство – намного более широкое понятие, чем капитализм, социализм и феодализм, а вся западная

О том, как сохранить зрение, об избавлении человечества от очков и о возможностях современной офтальмологии

В России уже более 1600 км дорог покрыто наноструктурированным дорожным покрытием. Что это за покрытие, О том, что из себя представляет искусственный нейрон и как близко мы подошли к созданию нейрокомпьютера, имитирующего деятельность мозга, в лекции для «Газеты.Ru» рассказывает к.ф.н. Александр Самардак, разработчик нового класса материалов и базовых элементов для спинтроники.

Александр Самардак работает в должности доцента кафедры электроники Института физики и информационных технологий Дальневосточного федерального университета с 2005 года. В 2003 году защитил кандидатскую диссертацию "Межслоевая обменная связь нанокристаллических Co/Cu/Co пленок" (руководитель - Чеботкевич Л.А., д.ф.-м.н., профессор). В сферу научных интересов Александра Самардака входят микро- и наноэлектроника, магнетизм, спинтроника, искусственные нейроны, технологии создания наноструктур (фотолитография, электронно-лучевая литография, плазменное травление, физические методы осаждения металлов), электрические и магнитные измерения, а также микроскопия, низкотемпературные измерения и спектроскопия. Сотрудник Лаборатории тонкопленочных технологий ДВФУ, исследующей взаимосвязи между составом, структурой и размерностью объектов с магнитными и магнитотранспортными свойствами, а также квантово-размерные эффекты в магнитных наноструктурах и зависимости магнитных и магнитотранспортных свойств металлических мультислойных и спинвентильных наноструктур от атомной и магнитной структуры межслойных границ. Прикладные исследования Самардака ориентированы на разработку нового класса материалов и базовых элементов для магнитной наноэлектроники – спинтроники. Работы проводятся в тесной кооперации с Институтом автоматики и процессов управления ДВО РАН, University of Bath (UK), Freie Universitaet (Germany). Лаборатория тонкопленочных технологий ДВФУ

Освободив человечество от выполнения целого ряда рутинных задач, компьютеры стали неотъемлемой частью нашей жизни. Они позволяют принимать решения, используя численные вычисления. Компьютеры формируют Всемирную информационную паутину и предоставляют широкие возможности по безопасной передаче данных, используя криптографические алгоритмы.

Но в отличие от людей компьютеры не способны принимать решения, основываясь на неполных или неоднозначных данных.

Они не могут учиться на своем опыте – для решения любой проблемы требуется вмешательство программиста. Люди же способны распознать мелодию на фоне шума и для них не составляет труда идентифицировать своего поседевшего знакомого через много лет после встречи.

Другой пример. Способность распознавать шаблоны позволяет опытному шахматисту с «полувзгляда» предсказывать исход игры без вычисления каждого отдельного хода. Шахматист принимает решение о следующем ходе, сравнивая позицию фигур на доске со схожей позицией, изученной ранее в процессе приобретения опыта. Компьютеры же вычисляют, как текущее положение фигур повлияет на число удачных ходов в будущем и, в соответствие с этим, делают выбор последовательности ходов для оптимизации исхода партии.

Созданием нейрокомпьютеров, способных имитировать работу головного мозга, человечество занято с момента реализации первой транзисторной вычислительной машины.

Было сделано немало попыток по разработке устройств, успешно моделирующих некоторые функциональные особенности биологических нейронов. Наиболее удовлетворительные результаты были получены в процессе моделирования нервной системы с помощью мощных вычислительных кластеров. Так широко известен амбициозный проект Blue Brain Project, стартовавший в 2005 году. Исследователи, участвующие в проекте, работают над имитацией мозговой активности животных, в частности крысы, на молекулярном и клеточном уровнях, привлекая мощный суперкомпьютер. Однако, как признаются сами исследователи, для имитации мозга человека потребуются намного более производительные ЭВМ.

В случае успешной реализации, искусственные нейрокомпьютеры найдут применение во всех сферах жизни, включая медицину, безопасность и мониторинг жизнедеятельности человека. Такой компьютер без труда распознает террориста или преступника, эффективно анализируя в реальном времени потоки визуальной информации. Микрочип с нейроосцилляторами сможет управлять сердечными ритмами у больного аритмией, модуль ассоциативной памяти будет использован как нейроимплантат для восстановления мнемонической функции мозга.

Нейропроцессор, благодаря своей универсальности, сможет применяться как базовый элемент для плат нейроускорителей, для создания нейрокомпьютерных параллельных вычислительных систем большой производительности, а также для аппаратной поддержки операций над матрицами большой размерности и в задачах цифровой обработки сигналов.

Как создать нейрокомпьютер?

Одним из замечательнейших свойств, проявляемых сетями из биологических нейронов, является кодирование сенсорной информации последовательностью электрических импульсов, называемых спайками (англ. «импульс», «скачок», «возбуждение»). Нейрон, возбужденный стимулирующим сигналом, будет посылать спайки со скоростью, возрастающей с увеличением интенсивностьи импульса. Как полагают многие ученые, в этом случае информация о стимулирующем импульсе содержится в межспайковых интервалах. Такой механизм кодирования информации открывает наиболее интересные и перспективные возможности для создания адаптивных нейрокомпьютеров, способных обучаться, принимать решения и обрабатывать образную информацию.

В настоящее время процессы кодирования информации распределенными по времени электрическими импульсами являются основным стимулом для исследователей в сфере изучения когнитивных процессов и в области создания интеллектуальных человеко-машинных интерфейсов, таких как сердечные стимуляторы и нейроимплантаты. На макроскопическом уровне, физика нелинейных явлений разрабатывает методы и инструменты для объяснения поведения сложных сетевых структур.

Однако все известные подходы основываются на моделях индивидуальных нейронов, которые описывают некоторые особенности поведения реального нейрона.

Например, исследователи пренебрегают пространственной структурой нейрона, фокусируюсь только на его динамических свойствах. Такое упрощение в моделях делается даже при моделировании самых простых сетей, состоящих из двух нейронов. Так, используя биосенсоры для изучения активности реальных нейронов, на микроскопическом уровне создают электронные микросхемы, которые повторяют возбуждающий отклик нейронов путем имитации проводимости их ионных каналов.

Важность учета пространственно-распределенной структуры нейронов стала очевидна, как только установили, что нервные волокна – это, по сути, линии передачи сигналов с задержкой по времени. Временные задержки позволяют синхронизировать совместную работу нейронов и стабилизируют нерегулярную импульсную динамику. Пространственно-распределенные нейронные сети также позволяют нейронам переходить в фазу возбуждения вдоль линий передачи входных импульсов, формируя, таким образом, так называемые нейронные аттракторы. Такие линии сохраняют информацию о входных сигналах более эффективно, чем нейронные сети Хопфилда такой же размерности.

Следует также отметить, что как показали исследования, потенциал действия, распространяющийся в нервных мембранах, есть ни что иное, как солитонная волна (см. ниже «Дополнение: что такое солитон»). Это привело к формированию солитонной модели, которая более точно описывает динамику нейронной сети, и предлагаемая коллективом разработчиков из ДВФУ схема искусственной нейросети будет первым экспериментальным объектом, который позволит проверить правильность данной теории.

Как близко мы подошли к созданию искусственной нейронной сети?

Биологический нейрон состоит из трех основных компонентов: дендритов (входные каналы), сомы (центральный «процессор») и аксона (выходной канал).

Слово «дендрит» произошло от греческого «дерево», что вполне оправдывает его ветвеобразную структуру. Дендриты имеют широкий диапазон форм и размеров. Дендриты выступают в роли «антенн» нейрона, собирая электрические сигналы (нервные импульсы), приходящие от соседних нейронов, и направляя их к соме. Дендриты через специальные связи – синапсы – принимают нервные импульсы и передают их в сому, где они в случае сихронности суммируются. Средний размер сомы лежит в диапазоне от 4 до 100 мкм.

Аксон может иметь протяженность от сотен микрометров до нескольких метров (как у жирафов) и диаметр от сотен нанометров до нескольких миллиметров (как у гигантского кальмара). Основание аксона (место соединения аксона и сомы) генерирует потенциал действия (электрический сигнал) только тогда, когда результирующий (просуммированный) сигнал равен или оказывается больше некоторого порога возбуждения. Затем потенциал действия распространяется по аксону к другим нейронам.

В человеческом мозге весом примерно 5 кг содержится триллион нейронов, которые образуют разветвленную нейронную сеть посредством синаптических связей. Отдельный нейрон может иметь до 10000 таких связей, что в среднем дает десять квадрильонов (1016) синапсов. Одновременная обработка входной информации большим числом нейронов обеспечивает беспрецедентную на сегодняшний день производительность головного мозга человека.

Реализация параллельного нейрокомпьютера осложняется из-за того, что трудно воплотить в «железе» все особенности реальной нейронной сети.

Во-первых, такая сеть должна быть пространственно-распределенной, т.е. электрический сигнал должен проходить по сети немгновенно (как это происходит в обычной электрической цепи), а за какое-то конечное время (пространственно-временное распределение сигнала).

Во-вторых, нейрон должен суммировать сигналы, приходящие к нему от других нейронов сети.

В-третьих, каждый отдельный нейрон должен обладать встроенной функцией (порогом возбуждения), управляющей возбуждением передаваемого сигнала, если он достигает либо превышает предельное значение этой функции.

До недавнего времени реализовать устройство с подобными функциями не представлялось возможным, поэтому исследователи и инженеры ограничивались лишь искусственными нейронными сетями, созданными с помощью программного обеспечения на базе последовательного компьютера, на основе сверхбольших интегральных микросхем или нейрочипов.

полупроводник с pn-переходом – это подходящая среда для распространения и управления электрическими импульсами, подобная биологической мембране с калиево-натриевыми насосами, создающими разность потенциалов между внешней и внутренней стенками мембраны.

За основу была взята модель перцептрона или модель МакКаллога-Питтса. В такой модели входные сигналы (Input1÷3) с весовыми коэффициентами w1÷3 (коэффициенты определяют вклад каждого отдельного входа) суммируются сомой (ядром нейрона). Если результирующий сигнал достигает либо оказывается выше установленного порога возбуждения, то сома генерирует импульс, распространяющийся по выходному каналу (аксону) к другим нейронам. Основой для представленного искусственного нейрона может служить полупроводниковая подложка из таких материалов, как GaAs, Si, Ge.

Итак, искусственный нейрон использует полупроводниковые нанопроволоки для передачи сигнала подобно биологическим дендритам и аксону.

Сома в нейроне – это активный элемент, в котором приходящие импульсы интерферируют. Сома по сути – это квантовый туннельный усилитель, вертикально интегрированный с нанопроволоками для регенерации импульсов. Искусственный нейрон имеет сигмоидальную амплитудную характеристику, аналогичную для биологических нейронов.

Нелинейный отклик нейрона позволяет использовать мощность белого шума для усиления подпороговых сигналов. Подавая на нейрон белый шум и полезный периодический сигнал, мы показали (9), что шум улучшает передачу подпороговых сигналов, что подтверждается наблюдаемым стохастическим резонансом. Это ключевое явление в неврологии. Так, например, показано, что ушная улитка использует броуновский шум для усиления звуков.

Заметьте, что это сравнимо с мозгом собаки, содержащим в среднем 1,6x108 нервных клеток!

Такая сеть будет способна обучаться и затем решать ряд поставленных перед ней задач по логическому выводу и по распознаванию образов.

В результате развития научных идей, представленных в нашей статье, на которую я уже ссылался, может возникнуть новое индустриальное направление по созданию компьютеров с параллельным аналоговым процессором для распознавания образной информации и обработки больших массивов данных.

Наши контакты:


Энциклопедия для детей. Мир природы.
Спасибо, что вы с нами!

Skype: geoserenity
Контактный телефон: +7 (8903) 712-11-74
Email: scirent@mail.ru