Обычные нейросети, лежащие в основе чат-ботов, систем распознавания изображений и рекомендаций, представляют собой набор математических функций. Они постоянно потребляют вычислительные ресурсы и энергию, даже когда фактически «ничего не делают». Мозг человека устроен иначе: его нейроны большую часть времени находятся в покое и активируются только при необходимости. Именно это делает биологические нейронные сети исключительно энергоэффективными.
В работе учёных СГУ вместо классических искусственных нейронов, описываемых математическими функциями, использовались нейроны ФитцХью–Нагумо – упрощённые, но динамические модели реальных нервных клеток. Такие нейроны способны генерировать импульсы – спайки – только при достаточном входном сигнале, а в остальное время практически не расходуют энергию. Это позволяет приблизить вычисления к тому, как они происходят в живой нервной системе.
А.В. Бух, доцент кафедры радиофизики и нелинейной динамики: "Мы проводили также исследование влияния шума во входном сигнале. При частоте спайков, вызванных шумом, в 5 раз меньшей частоты спайков, произведенных сигналом, исследуемая нейронная сеть сохраняет способность к классификации сигналов".
Для обучения сети применялся биологически мотивированный механизм STDP – пластичность, зависящая от времени спайков. Его суть в том, что связи между нейронами усиливаются, если импульсы возникают в правильной временной последовательности, и ослабевают, если причинной связи между ними нет. В отличие от классического машинного обучения, здесь не задаётся правильный ответ и не используется обратное распространение ошибки. Сеть обучается самостоятельно, формируя собственные реакции на входные сигналы.
В эксперименте нейросеть обучали различать простые изображения – горизонтальные и вертикальные линии. Несмотря на простоту задачи, полученный результат является принципиально важным, так как была показана возможность устойчивого самообучения сети осцилляторных нейронов: точность классификации превысила 80 процентов. Учёным также удалось определить условия, при которых обучение стабильно работает, и разработать способ оценки результатов в ситуации, когда нельзя заранее задать желаемое поведение сети.
Дополнительно исследователи изучили влияние задержек передачи сигналов между нейронами и устойчивость сети к шуму. Оказалось, что при умеренных помехах сеть сохраняет способность к классификации, а задержки должны быть достаточно большими, но не требуют сложной настройки. Это делает архитектуру более устойчивой и масштабируемой.
Пока такие нейросети остаются лабораторными моделями и не применяются в реальных устройствах. Однако в перспективе они могут лечь в основу энергоэффективных вычислительных систем – автономных сенсоров, робототехники и встраиваемой электроники, где критично низкое энергопотребление. По словам авторов, речь идёт не о создании «разумных машин», но о формировании альтернативного направления развития ИИ – не быстрее и мощнее, а экономичнее и ближе к принципам живой природы.
