Чтение онлайн

Хотя эти результаты и стали рекордными, было ясно, что серьёзные эксперименты, направленные на изучение высших нервных функций, при таких скоростях симуляции вряд ли возможны. Диванные эксперты нередко высказывают суждение о том, что учёные не знают, каким образом работает человеческий мозг. Конечно, это суждение очень наивно. Учёные неплохо знают детали физиологических процессов, протекающих в мозге. Однако сложнее дело обстоит с тем, чтобы объяснить, каким именно образом эти процессы связаны с наблюдаемыми нами психическими феноменами и поведением обладателей мозга. Как устроена память? Как человек или животные распознают или воссоздают образы? Как устроен процесс обучения? Откуда берётся самосознание? И хотя эти вопросы и представляют в ряде случаев затруднения для современных исследователей, проблема заключается вовсе не в том, что у учёных недостаточно объяснений. Скорее в том, что этих объяснений в настоящее время предложено слишком много, и в силу этого они нередко носят спекулятивный характер. Чтобы отсеять неудачные гипотезы, наука нуждается в экспериментальных данных, и важным их источником могут стать вычислительные эксперименты. Для того чтобы создать оборудование, подходящее для подобных задач, необходимо решить проблему пресловутого «бутылочного горлышка фон Неймана» (барьера в скорости вычислений, возникающего из-за задержек в передаче данных через шину). Именно для этого и создаются нейроморфные машины типа I.

В конце 2009 г. лаборатория Brains in Silicon [дословно: мозги в кремнии] Стэнфордского университета под руководством профессора биоинженерии и электротехники Квабены Боаэна представила первую версию машины, получившей название Stanford Neurogrid. Научным руководителем Боаэна во время его работы над диссертацией в Caltech во второй половине 1990-х гг. был уже знакомый нам Карвер Мид, которого считают одним из отцов-основателей современной нейроморфной инженерии. На создание Neurogrid Боаэна и его коллег вдохновил успех проекта по созданию сравнительно недорогого (стоимостью около 60 000 долларов) суперкомпьютера GRAPE-6, предназначенного для решения астрофизических задач, благодаря которому были получены новые важные результаты в области астрофизики [1598] .

Neurogrid использует аналоговые схемы для имитации работы ионных каналов и цифровой обмен данными между программируемыми синаптическими соединениями. Система состоит из шестнадцати «нейросинаптических ядер», каждое из которых представляет собой отдельную интегральную микросхему размером 11,9 x 13,9 мм. Каждое ядро способно эмулировать работу 65 536 нейронов, что в сумме даёт более миллиона нейронов для системы в сборке.

Нейросинаптические ядра объединены в двоичное дерево при помощи каналов с пропускной способностью 80 Мбит/с. Встроенная память нейросинаптических ядер и внешняя оперативная память дочерней платы используются соответственно для программного конфигурирования вертикальных и горизонтальных кортикальных соединений.

Каждый из искусственных нейронов Neurogrid эмулирует работу биологического нейрона, который в расчётной модели разделяется на две условные части — так называемые «субклеточные компартменты». Один компартмент включает в себя сому (тело клетки) и её окрестности (так называемую базальную зону), второй — апикальный дендрит. Термины «базальный» (от лат. basis — основа) и «апикальный» (от лат. apex — вершина) используются в науке для обозначения частей, составляющих основу чего-либо (в данном случае — клетки), и соответственно частей, удалённых от основы.

Связи между отростками нейронов, заканчивающимися в различных слоях, воспроизводятся благодаря использованию модели пирамидальных нейронов, каждый из которых также условно разделён на два компартмента.

Пирамидальные, или пирамидные, нейроны — это самые многочисленные клетки в коре (присутствующие также и в некоторых других отделах головного мозга), начало исследованию которых положил ещё Рамон-и-Кахаль. Сома (клеточное тело) пирамидальных нейронов имеет коническую форму, из-за чего они и получили своё название. Со стороны основания конуса из клетки выдаётся длинный аксон, а также множество разветвлённых базальных дендритов. Вершина же конуса продолжается большим апикальным дендритом.

Для воспроизводства работы различных типов пирамидальных нейронов в Neurogrid предусмотрена возможность изменения типа электрического соединения между компартментами. Использование при моделировании взаимодействий нейронов лишь двух компартментов позволяет минимизировать количество различных популяций (типов) ионных каналов, которые необходимо симулировать, что позволяет максимизировать количество нейронов в модели. Общее число синапсов в симулируемых моделях может достигать 6 млрд, при этом суммарное энергопотребление системы в процессе работы составляет всего 5 ватт [1599] , [1600] .

В основе другой системы, BrainScaleS (NM-PM-1), разработанной в рамках Human Brain Project, находится 20 неразрезанных кремниевых пластин диаметром 200 мм, каждая из которых включает в себя 384 микросхемы со смешанным типом сигналов — так называемые микросхемы аналоговых нейронных сетей с большим количеством входов (High Input Count Analog Neural Network chip, HICANN). Эти микросхемы физически эмулируют работу сети импульсных нейронов с настраиваемыми синапсами. Единая пластина позволяет организовать широкополосную асинхронную инфраструктуру передачи сигналов. Пластина также соединена с 48 модулями связи на базе FPGA (т. е. каждый модуль соединён с восьмью микросхемами HICANN), обеспечивающими возможность подключения к другим модулям на основе таких же пластин [wafer modules], а также к центральной ЭВМ, используемой для настройки и управления системой. Каждая микросхема HICANN реализует как минимум 114 688 программируемых динамических синапсов и до 512 нейронов, что даёт в сумме около 44 млн синапсов и до 196 608 нейронов на один модуль пластины. Точное количество нейронов зависит от конфигурации системы, которая позволяет объединять несколько нейронных ячеек для увеличения количества входных синапсов в одной клетке.

В сумме система из 20 модулей позволяет симулировать сеть размером до почти 4 млн нейронов. Это немногим меньше, чем содержится в мозге рыбки гуппи, счастливой обладательницы примерно 4,3 млн нейронов. Несмотря на сравнительно скромный по меркам животного мира размер сети, эмулируемой BrainScaleS, машина обладает важным преимуществом: скорость её работы в 1000–10 000 раз выше, чем у биологических систем [1601] , [1602] , [1603] .

В феврале 2017 г. группа учёных, занятых в Human Brain Project, представила работу, описывающую прогресс в области создания второй версии BrainScaleS. В экспериментальных микросхемах на смену 180-нанометровой технологии пришла более совершенная, 65-нанометровая технология. Кроме того, большое внимание учёные уделяют реализации на аппаратном уровне алгоритмов обучения импульсных нейронных сетей [1604] , [1605] .

В настоящее время в рамках Human Brain Project на основе тесного сотрудничества специалистов по микроэлектронике с нейробиологами ведётся разработка следующего поколения микросхем для симуляции происходящих в мозге процессов. Эти микросхемы станут основой для следующего поколения больших машин, которые будут введены в эксплуатацию приблизительно в 2023 г. [1606] Новые машины позволят ещё больше увеличить масштаб симуляций и повысить скорость их выполнения.

Конечно, успехи, достигнутые в области обучения традиционных искусственных нейронных сетей при помощи метода обратного распространения ошибки, создают соблазн применить этот же метод при обучении импульсных сетей. Импульсная версия метода обратного распространения ошибки показала свою жизнеспособность — сегодня импульсные сети, обученные при помощи этого метода, лишь незначительно уступают в точности традиционным нейронным сетям.