Развитие технологии искусственного интеллекта является в Госкорпорации «Росатом» одним из приоритетных направлений деятельности в рамках реализации Единой цифровой стратегии.
Нейроморфными называются системы, архитектура и принципы действия которых имеют сходство с биологическим мозгом. Искусственные нейронные сети и классические архитектуры компьютера уступают биологическим организмам в энергоэффективности, миниатюризации, возможностях обучения и ряду других параметров. На поверхности лежит идея, о том, чтобы позаимствовать из биологии какие-то новые принципы и подходы для преодоления барьеров, ограничивающих развитие систем искусственного интеллекта.
Идея нейроморфности однажды уже привела к созданию компьютеров такими, какими они являются сегодня. В середине прошлого века, работая над созданием электронных вычислительных систем, отцы классических архитектур фон-Нейман и Розенблат вдохновлялись устройством биологического мозга. Сегодня же мы переживаем вторую волну обращения к идее нейроморфности. Так, по прогнозам Gartner, к концу 2023 должны быть созданы новые революционные вычислительные системы, но потребуется около пяти лет для принятия их сообществом. По итогу 2023 года можно с уверенность судить о том, что первая часть прогноза оправдалась.
В рамках направления нейроморфных технологий рассматривается проблематика создания программно-аппаратных комплексов, объединяющих технические устройства (сенсоры, процессоры) и соответствующее программное обеспечение, реализующее выполнение специальных алгоритмов. Указанные программно-аппаратные комплексы решают широкий класс задач искусственного интеллекта с использованием таких подходов, как вычисления в памяти, разреженные вычисления, аналоговые вычисления, мемристивные вычисления, импульсные нейронные сети и локальное обучение.
В сравнении с классическими нейронными сетями, выполняющимися на вычислителях с архитектурой фон-Неймана, нейроморфные системы показывают в тысячи раз меньшее энергопотребление, однако часто уступают в качестве решения задач и развитости программно-аппаратной экосистемы.
К направлению нейроморфных технологий в мире проявляется огромный интерес, и даже уже имеются реализованные проекты. Так, в 2014 году был представлен первый в мире не фон-Неймановский промышленный нейроморфный процессор IBM TrueNorth (1 млн нейронов, по 256 на ядро). В 2017 году появилось первое поколение нейроморфного процессора Intel Loihi (130 тыс. нейронов, по 1000 на ядро), а в 2021 вышло второе поколение (1 млн нейронов, по 8000 на ядро). В 2019 появился Китайский процессор Tianjic. В 2023 году выпущен процессор IBM North Pole (256 ядер по 2, 4, 8 тыс. нейронов на ядро), который превосходит на сегодняшний день (декабрь 2023) все существующие вычислительные системы (включая NVidia H100) по энергоэффективности и эффективности расходования транзисторов на квадратный сантиметр.
Так как западные нейроморфные чипы и инфраструктура недоступны в России, а разработки китайских коллег являются закрытыми, в нашей стране ведутся работы по разработке собственных решений. В 2019 году компанией «Мотив нейроморфные технологии» («Мотив НТ») создан прототип нейроморфного процессора «Алтай», изготовленный по техпроцессу 28 нм и имеющий более 8000 нейронов (по 512 на ядро), с потреблением не более 4 мВт. В 2023 году представлен процессор «Алтай 2.0», предоставляющий возможность интеграции в виде платы Orange. К 2025 году планируется реализация процессора «Алтай 3.0», ключевой особенностью которого декларируется обучение.
Компания «Лаборатория Касперского» в 2022 году представила программно-аппаратную платформу нейроморфного машинного обучения Kaspersky Neuromorphic Platform — программное обеспечение для обучения импульсных нейронных сетей, исследований в области нейроморфного искусственного интеллекта, а также создания и запуска решений на его основе. Платформа совместима с процессором «Алтай» и позволяет уже сегодня разрабатывать прикладные решения на основе нейроморфных технологий.
Основные видимые на сегодня варианты прикладного применения нейроморфных технологий в промышленности обусловлены следующими их преимуществами:
- Энергоэффективность — в тысячи раз меньшее потребление, за счет импульсного характера передачи информации, вычислений в памяти и непрерывного обучения на устройстве.
- Быстродействие в ряде вычислительных задач — в тысячи раз быстрее, например, в приложениях распознавания образов, за счет качественных характеристик событийных сенсоров и алгоритмов их работы.
- Устойчивость к шумам и искажениям входных данных, за счет импульсного характера передачи информации.
- Миниатюризация — малые размеры конечных устройств за счет высокой энергоэффективности и компактных нейросетевых архитектур (до размера насекомых).
- Больший динамический диапазон и частота зрения за счет использования событийных сенсоров (DVS) в сочетании с нейроморфным процессором.
- Малое потребление в задачах детектирования редких событий, за счет импульсного характера передачи сигнала и вычислений в памяти.
- Детектирование радикально большего количества одновременных событий, за счет технических характеристик событийных сенсоров и алгоритмов их работы.
- Детектирование одиночных событий в большом потоке информации, в приближенном к реальному времени, за счет импульсного характера передачи информации и асинхронности вычислений.
- Существенное снижение времени обработки сигнала и возможность принятия решения «на лету» на ранних этапах уверенности, за счет использования импульсных нейронных сетей.
- Невосприимчивость к adversarial атакам на системы машинного зрения за счет принципиально иных способов кодирования, передачи и обработки информации в импульсных нейронных сетях.
Указанные преимущества делают системы на основе нейроморфных технологий особенно привлекательными для применения в автономных системах, действующих в условиях динамических изменений среды применения и ее ограничений: по физическим размерам, параметрам энергопотребления и времени принятия решения:
- Беспилотные транспортные средства и аппараты:
- распознавание обстановки на местности;
- автономная навигация;
- быстрое реагирование на препятствия;
- автономные роботы (в условиях опасности для жизни и здоровья, малых размеров исследуемых объектов и т.д.);
- Трекинг (отслеживание перемещения) объектов:
- трекинг быстрых одиночных объектов;
- системы контроля сверхбыстрых промышленных процессов (миллисекунды);
- системы контроля ситуационной обстановки (скопления людей, дорожный трафик, сыпучие материалы и т.д.);
- Контроль физического состояния человека:
- автономные носимые устройства контроля здоровья;
- системы поддержки людей с ограниченными возможностями;
- контроль состояния оператора критических производств;
- контроль состояния водителя;
- Охранно-защитные системы и системы вооружения:
- автономные беспилотные аппараты для патрулирования и мониторинга объектов и местности;
- распознавание конкретного типа целей и их распределение внутри группы средств поражения;
- применение роевого интеллекта;
- системы обнаружения атак на ИИ;
- Расширение функциональных возможностей существующих систем и приборов за счет дополнительных устройств на основе нейроморфных технологий.
Нейроморфные программно-аппаратные комплексы как класс систем ИИ применим во всех отраслях промышленности. Например, нейроморфные системы хорошо подходят для управления быстроразвивающимися процессами — удержание плазмы в токамаке, управление движением БПЛА.
Нейроморфные процессоры, сопряженные с событийными камерами (DVS), могут использоваться для визуальной вибродиагностики оборудования, измеряя вибрации без использования физических датчиков.
Нейроморфные системы также эффективны в задаче детектирования большого количества объектов одновременно, энергоэффективного детектирования редких событий, детектирования быстродвижущихся объектов, что важно в ряде задач промышленной и производственной безопасности.
Нейроморфные системы ИИ, использующие в качестве вычислительной модели импульсные нейронные сети, устойчивы к шумам, что дает возможность использования таких систем в экстремальных условиях (например, в радиации либо при низких температурах).
Важным с точки зрения прикладного применения свойством нейроморфных систем ИИ является их в тысячи раз лучшая энергоэффективность по сравнению с классическими решениями на CPU и GPU. Это радикально расширяет возможности применения ИИ в робототехнике, интернете вещей, умных устройствах и носимых сенсорах.
Дополняя нейроморфные решения возможностью непрерывного обучения на устройстве, в противовес обучению нейросети в дата-центре и применению ее на конечном устройстве, открывается целый ряд возможностей в области применения автономных систем ИИ в исследовательских миссиях при работе в трудно доступных условиях, однако эта область исследований еще находится в становлении.
