Аннотация:Искусственные нейронные сети (ИНС) и методы машинного обучения доказали свою эффективность при решения многих сложных вычислительных задач, основанных на анализе больших объемов данных и многопараметрической оптимизации. Отдельный интерес представляет понимание работы биологического мозга на примере ИНС, что потенциально может найти применение в нейрофизиологии и медицине и дать ключ к пониманию процессов обучения, заболеваний центральной нервной системы, а также влиянию различных веществ на мозг.
В настоящий момент весьма близко по принципам своей работы подошли к биологическим нейронным сетям спайковые нейросети (Spiking Neural Network, SNN). Общие принципы функционирования отдельных их элементов (нейрон) «имитируют» биологическую активность нервных тканей, а именно: кодируют информацию последовательностями импульсов одинаковой амплитуды, воспроизводя потенциал действия биологических нейронов; связи характеризуются синаптической пластичностью и способностью обучаться, подстраивая своё поведения к особенностям среды в зависимости от предыстории. К преимуществам спайковых нейронных сетей можно отнести: высокую скорость передачи данных, эффективное моделирование процессов в разных временных масштабах, многозадачность (одновременное распознавание звуков и изображений), высокий потенциал распараллеливания обработки информации, прогностическое моделирование и прогнозирование событий, меньшие требования к числу нейронов в сети.
Несмотря на очевидные преимущества использования компьютерных моделей SNN для изучения качественных характеристик нейронных систем, их аппаратная реализация не менее востребована как для высокоскоростного моделирования биологической нервной активности живых тканей, так и для систем, работающих в режиме реального времени и необходимых для создания и совершенствования двунаправленных интерфейсов мозг-компьютер. Создание сложных нейронных сетей требует больших вычислительных ресурсов, и по мере приближения к концу масштабирования по закону Мура появляется необходимость искать пути аппаратной реализации, отличные от традиционной архитектуры фон Неймана.
Моделирование на физическом уровне процессов, происходящих в мозге живых существ, является сложной и актуальной задачей. CMOS-схемы обеспечивают крупномасштабную интеграцию, но страдают от высокой рассеиваемой мощности и требуют большого количества компонентов для достижения биологического реализма. Мемристоры имеют характеристики, сходные с биологическими синапсами, но должны быть сопряжены со спайковыми нейронами, изготовленными на основе СMOS-схем и, следовательно, имеют аналогичные ограничения с их рассеиваемой мощностью.
Конкурентной для CMOS нейроморфных процессоров реализацией является электроника на основе квантовых макроскопических эффектов в сверхпроводниках. Уже сейчас такие системы начинают применять в специализированных инфокоммуникационных системах, имеющих дело со сверхслабыми сигналами и, как следствие, в любом случае требующих охлаждения для уменьшения шумовой температуры детекторов. Переключение джозефсоновского перехода в резистивный режим обеспечивает генерацию пикосекундного импульса напряжения амплитудой порядка мВ, сопровождающегося диссипацией энергии порядка аДж. Форма этого импульса может быть довольно близка к той, которая образуется в нейрофизиологических процессах. Немаловажным является тот факт, что искусственный нейрон может быть реализован с использованием только двух джозефсоновсикх переходов, что на порядок меньше, чем количество транзисторов в аналогах CMOS.