Ученые из России и Италии собрали нейросеть из пластиковых мемристоров

Ученые показали, что их мемристорная сеть уже через полтора десятка попыток становится способной выполнять логические операции NAND, а потом ее же можно переучить выполнять и NOR.1 / 2© Fotolia/ micromonkey© Betthausen et al. / Science AAAS

МОСКВА, 3 дек — РИА Новости. Международная группа ученых из Курчатовского института, МФТИ, университета Пармы (Италия), МГУ и СПбГУ создала искусственную нейронную сеть на основе полимерных мемристоров — устройств, которые позволяют построить принципиально новые компьютеры, статью о своей работе ученые опубликовали в журнале Organic Electronics.

«По словам исследователей, подобные разработки, в первую очередь, помогут в создании систем машинного зрения, слуха и других органов восприятия, а также систем интеллектуального управления различными устройствами, включая автономных роботов»,- говорится в сообщении пресс-службы МФТИ.

Авторы исследования обратили внимание на одно из перспективных направлений в сфере мемристорных нейронных сетей — мемристоры на полимерной основе — и обнаружили, что даже простейший перцептрон собрать не просто. Эксперименты, проведенные в комплексе НБИК-технологий Курчатовского института совместным российско-итальянским коллективом, продемонстрировали возможность построения из полианилина простейших нейросетей, причем эти сети оказались способны к обучению и выполнению заданных логических операций.

Мемристор – это электрический элемент, который является аналогом обычного резистора. Его отличие от классического элемента заключается в том, что электрическое сопротивление мемристора зависит от прошедшего через него заряда и за счет этого он постоянно меняет свои свойства под действием внешнего сигнала: мемристор обладает памятью и одновременно способностью менять данные, закодированные состоянием его сопротивления.

В этом смысле мемристор является аналогом синапса – соединения двух нейронов в головном мозге, способном пластично изменять эффективность передачи сигнала между нейронами под действием самой этой передачи. Мемристор позволяет реализовать на практике «подлинную» нейронную сеть, причем физические свойства мемристоров позволяют делать их как минимум столь же миниатюрными, сколь привычные микросхемы.

Некоторые оценки показывают, что мемристор может быть уменьшен вплоть до десяти нанометров, а использованные при изготовлении экспериментальных прототипов технологии в принципе допускают масштабирование до уровня массового производства, отмечается в сообщении. © Fotolia/ kastoОткрытие физиков из МФТИ может ускорить компьютеры в 10 раз

Ученые показали, что их новая мемристорная сеть уже через полтора десятка попыток становится способной выполнять логические операции NAND, а потом ее же можно переучить выполнять и NOR. Поскольку правильность ответа проверяет оператор или обычный компьютер, данный метод называется обучением с учителем.

Операции NAND и NOR — это исключающее «И» и исключающее «ИЛИ», элементарные бинарные операции. Напомним, что логическое «И», равно как и логическое «ИЛИ» предполагает наличие двух бинарных входов, то есть двух сигналов в виде нуля или единицы. Операция «И» выдает ответную единицу тогда и только тогда, когда получает две единицы (1 И 1), а операция «ИЛИ» выдает единицу в ответ на хотя бы один сигнал с единицей (1 на одном входе ИЛИ 1 на другом).

Исключающее «И» выдает результат, обратный операции «И» — то есть единица появляется только при отсутствии совпадения единиц на входах логического элемента. А исключащее «ИЛИ», соответственно, должно выдавать 1 только тогда, когда единиц на входе нет вовсе: из таких базовых операций строятся все алгоритмы обработки данных и без них немыслима любая фон-неймановская компьютерная система. Для нейросетевой архитектуры использование логических операций необязательно, но в данном случае именно они были выбраны из-за их простоты, исключительно для демонстрации возможностей обучения нейроморфной сети с небольшим количеством входов и выходов.© Фото: МФТИГрафеновый биосенсор для поиска лекарства от ВИЧ и рака создали в МФТИ

Устройства, которые не просто имитируют работу нейронных сетей, а являются их принципиальными аналогами, могли бы использоваться для решения множества задач. Прежде всего, нейронные сети способны распознавать образы, на них основано, к примеру, распознавание рукописного текста или сличение подписей. Там, где нужно выделить и классифицировать какой-либо паттерн — звук, изображение, характерные изменения на графиках — там активно уже применяются нейросети и именно в этих сферах зачастую критичен выигрыш как в быстродействии, так и в энергопотреблении.

Для системы управления автономным летающим роботом на счету каждый милливатт-час и каждая миллисекунда, равно как и системе обработки данных с коллайдерного детектора в режиме реального времени нельзя слишком долго «думать» над выделением интересных ученым треков частиц из всего множества зарегистрированных событий.