Архитектура ИИ, разработанная по образцу работы мозга, повышает скорость работы и одновременно значительно снижает энергопотребление

Абстракция двойного пути доступа к памяти. На алгоритмическом уровне каждый слой поддерживает общее низкоразмерное состояние, которое фиксирует медленную контекстную динамику и модулирует быструю импульсную активность. С аппаратной точки зрения это разделение отражается в использовании гетерогенного ускорителя, который хранит компактное состояние на кристалле и объединяет разреженные и плотные вычисления для эффективного выполнения. Источник: Sun et al.

Импульсные нейронные сети (SNN) — это модели искусственного интеллекта, вдохновленные способом взаимодействия биологических нейронов. В отличие от биологических нейронов, которые обмениваются информацией посредством электрических импульсов, SNN используют кратковременные сигналы, известные как импульсы.

SNN демонстрируют многообещающие перспективы в плане снижения энергопотребления, поскольку разработчики могут обеспечить обработку информации только при возникновении значимых изменений, а не в непрерывном режиме. Это является значительным преимуществом, учитывая, что современные системы ИИ потребляют значительное количество энергии.

Хотя некоторые ранние SNN достигали обнадеживающих результатов, им часто сложно сохранять полезный контекст в течение длительных периодов времени. Эта проблема становится особенно острой, когда модели имеют ограниченный объем хранения данных или работают в условиях энергетических ограничений.

Исследователи из Имперского колледжа Лондона и Швейцарской высшей технической школы Цюриха (ETH Zurich) недавно представили совместно разработанное аппаратное и программное обеспечение, способное преодолеть это ограничение. Их архитектура, описанная в статье, опубликованной в журнале «Nature Machine Intelligence», эффективно справляется с задачами, связанными с длинными последовательностями, при этом оставаясь энергоэффективной и сокращая потребности в хранении данных.

«Импульсные нейронные сети превосходно справляются с событийно-ориентированным сбором данных», — пишут Пэнфэй Сунь, Чжэ Су и их коллеги. «Однако сохранение контекста, значимого для задачи, в течение длительных периодов времени — как на алгоритмическом, так и на аппаратном уровне — при соблюдении жестких ограничений по энергопотреблению и объему памяти остается основной проблемой. Мы решаем эту проблему посредством совместного проектирования алгоритмов и аппаратного обеспечения».

Проект аппаратного обеспечения для архитектуры DMP. Источник: Nature Machine Intelligence (2026). DOI: 10.1038/s42256-026-01255-3

Новая система с двойной памятью, вдохновленная работой мозга

Предыдущие исследования показали, что некоторые нейронные процессы протекают чрезвычайно быстро, в то время как другие — медленнее, что позволяет мозгу дольше удерживать информацию. Архитектура, разработанная Суном, Су и их коллегами, имитирует это сочетание быстрых и медленных нейронных процессов.

Команда совместно разработала программные и аппаратные компоненты, которые дополняют друг друга, опираясь на принципы «быстро-медленной» организации мозга. Программное обеспечение состоит из многослойной SNN, сочетающей медленный путь памяти с быстрой импульсной активностью.

«На уровне алгоритма, вдохновившись корковой «быстро-медленной» организацией мозга, мы вводим нейронную сеть с явным медленным каналом памяти, который в сочетании с быстрой импульсной активностью обеспечивает архитектуру с двумя каналами памяти. «В этой архитектуре каждый слой поддерживает компактное низкоразмерное состояние, которое обобщает недавнюю активность и модулирует динамику импульсов», — пишут авторы.

«Эта явная память стабилизирует процесс обучения, сохраняя при этом разреженность, обусловленную событиями, и обеспечивая конкурентоспособную точность на тестах с длинными последовательностями при количестве параметров на 40–60 % меньше, чем у эквивалентных современных импульсных нейронных сетей».

Ключевым преимуществом архитектуры с двойным каналом памяти является то, что она эффективно обрабатывает входящие данные, сохраняя при этом важную информацию, относящуюся к задаче, в компактной форме. Команда также разработала специализированное аппаратное обеспечение, оптимизированное для работы их импульсной нейронной сети (SNN).

«На аппаратном уровне мы внедряем архитектуру вычислений вблизи памяти, которая в полной мере использует преимущества архитектуры с двумя каналами памяти, сохраняя её компактное общее состояние и одновременно оптимизируя поток данных между гетерогенными каналами — каналом разреженных импульсов и каналом плотной памяти», — пишут Сунь, Су и их коллеги.

Первые результаты и возможные практические применения

Исследователи провели оценку своей SNN и совместно разработанного аппаратного обеспечения в ходе серии первоначальных тестов. Они измерили скорость выполнения задач с длинными последовательностями (обработка длинных потоков данных), энергопотребление и пропускную способность данных за фиксированный промежуток времени.

«Результаты экспериментов демонстрируют более чем четырехкратное увеличение пропускной способности и более чем пятикратное повышение энергоэффективности по сравнению с передовыми реализациями», — пишут авторы. «В совокупности эти результаты показывают, что биологические принципы могут служить основой для функциональных абстракций, которые являются одновременно алгоритмически эффективными и аппаратными, создавая масштабируемую структуру совместного проектирования для нейроморфных вычислений и обучения в режиме реального времени».

Новая SNN и аппаратное обеспечение, разработанные Суном, Су и их коллегами, могут быть доработаны и протестированы на более широком спектре задач. В будущем они могут обеспечить быстрый анализ больших объемов данных в режиме реального времени при ограниченном энергопотреблении. Это будет ценно для таких областей применения, как робототехника, носимые устройства, периферийный ИИ и сети из множества подключенных датчиков.

Эта статья, написанная нашей автором Ингрид Фаделли, отредактированная Габи Кларк, а также проверенная на достоверность и рецензированная Робертом Иганом, является результатом тщательной работы людей. Мы полагаемся на таких читателей, как вы, чтобы поддерживать независимую научную журналистику. Если эта журналистика важна для вас, пожалуйста, рассмотрите возможность пожертвования (особенно ежемесячного). В знак благодарности вы получите аккаунт без рекламы.