По образцу человеческого мозга. Учёные создали энергоэффективную архитектуру ИИ на основе импульсных нейронных сетей

Исследователи из Имперского колледжа Лондона и Цюрихского технологического института разработали новую совместно оптимизированную аппаратную и программную архитектуру искусственного интеллекта, моделирующую работу человеческого мозга.

Эта технология позволяет выполнять вычисления значительно быстрее и потребляет гораздо меньше энергии, чем современные аналоги.

Основой разработки стали импульсные нейронные сети (SNN), которые имитируют взаимодействие биологических нейронов с помощью коротких сигналов — импульсов. Особенность SNN заключается в том, что обработка информации происходит не непрерывно, а только при возникновении значимых изменений. Это позволяет существенно снизить энергопотребление, что является критически важным для современных систем искусственного интеллекта, известных своей высокой ресурсоемкостью.

Предыдущие версии импульсных сетей имели существенный недостаток — они плохо сохраняли полезный контекст при длительной обработке данных, особенно в условиях ограниченного объема хранилища или жестких ограничений по энергопотреблению. Чтобы преодолеть эту проблему, учёные создали архитектуру с двойной памятью, вдохновлённую сочетанием быстрых и медленных процессов в человеческом мозге. Программные компоненты сочетают медленный путь запоминания с быстрой импульсной активностью. Каждый слой сети поддерживает компактное низкоразмерное состояние, которое обобщает недавние действия и оптимизирует динамику.

Такой подход обеспечивает высокую точность при работе с длинными последовательностями данных, используя на 40−60% меньше параметров, чем эквивалентные современные нейросети. Параллельно авторы разработали специализированное аппаратное обеспечение, оптимизированное для вычислений рядом с памятью, что позволило идеально настроить потоки данных.

Эксперименты показали впечатляющие результаты: пропускная способность системы выросла более чем в четыре раза, а её энергоэффективность — более чем в пять раз по сравнению с существующими передовыми реализациями. В будущем эта технология позволит быстро анализировать большие объемы информации в реальном времени на устройствах с ограниченным энергопотреблением, в частности в робототехнике, смарт-гаджетах, периферийном ИИ и разветвленных сетях датчиков.