Как новый нейроморфный чип поможет сделать искусственный интеллект более экологичным и дешевым

Энергетический аппетит современных нейросетей растет в геометрической прогрессии: обучение одной крупной языковой модели может потребить столько же электричества, сколько расходуют 120 средних домохозяйств за целый год. Решение проблемы избыточного потребления пришло не из сферы оптимизации кода, а из области материаловедения. Группа физиков из Университета Лафборо в Великобритании создала компьютерный чип, имитирующий работу человеческого мозга, который в определенных задачах превосходит традиционные программные методы по энергоэффективности в 2000 раз.

Архитектура на основе хаоса и нанопор

В основе разработки лежит использование так называемых мемристоров — электронных компонентов, способных изменять свое сопротивление в зависимости от проходящего через них заряда и «запоминать» это состояние. Ученые применили тонкие пленки оксида ниобия с уникальной внутренней структурой. Вместо идеально гладкой поверхности они создали материал с врожденной неоднородностью в виде случайных нанопор.

Такой подход имитирует хаотичную структуру нейронных связей в человеческом мозгу. Как поясняет руководитель исследования доктор Павел Борисов, именно сложность и случайность физических соединений позволяют эффективно обрабатывать информацию. Статья, опубликованная в журнале Advanced Intelligent Systems, доказывает, что перенос вычислений непосредственно в «железо» освобождает систему от необходимости запускать тяжеловесное программное обеспечение на стандартных процессорах.

Победа над эффектом бабочки

Для проверки возможностей нового чипа исследователи выбрали одну из самых сложных задач в математике — прогнозирование системы Лоренца-63. Это модель атмосферного хаоса, тесно связанная с эффектом бабочки, где малейшее изменение входных данных радикально меняет результат. Традиционные компьютеры тратят колоссальные ресурсы на просчет таких траекторий.

Британский нейроморфный чип справился с задачей иначе:

• Устройство анализировало временные ряды напряжений напрямую через физические процессы в пленке оксида;
• Система успешно предсказала краткосрочное поведение хаотичной модели;
• Чип смог восстановить пропущенные фрагменты данных в сложных трехмерных последовательностях;
• Параллельно устройство решало задачи распознавания образов, идентифицируя пиксельные изображения цифр.

Отказ от программного диктата

Современный ИИ страдает от «бутылочного горлышка» архитектуры фон Неймана, где данные постоянно перемещаются между процессором и памятью, сжигая энергию. Физики из Лафборо предлагают концепцию резервуарных вычислений на кристалле. Здесь сам материал служит вычислительной средой, а обучение требуется только для выходного слоя системы.

Использование физических процессов вместо тотальной зависимости от программного кода позволяет нам радикально переосмыслить само построение систем искусственного интеллекта. Мы создаем сложные, случайные физические связи в искусственной нейронной сети, внедряя поры в нанометровые пленки.

Это не просто лабораторный эксперимент, а работающая модель масштабируемого устройства. Оксидные системы стабильны, относительно дешевы в производстве и могут быть интегрированы в существующие технологические цепочки создания электроники. Особенно это актуально для автономных датчиков и носимых устройств, где емкость аккумулятора жестко ограничена.

Перспективы локального интеллекта

Разрыв в энергопотреблении между программным эмулятором и физическим чипом в две тысячи раз меняет правила игры. Это означает, что сложные алгоритмы прогнозирования смогут работать на крошечных батарейках годами, не обращаясь к облачным серверам. Речь идет о создании энергоэффективной нейроморфной электроники, способной обрабатывать сигналы времени в реальном масштабе без перегрева.

Если раньше для работы серьезной нейросети требовался дата-центр с мощным охлаждением, то теперь те же операции потенциально помещаются в формат банковской карты. Успех с оксидом ниобия открывает путь к целой линейке all-oxide систем, которые не требуют редких или токсичных компонентов.

Решит ли это проблему глобального энергокризиса, вызванного бумом ИИ, или мы просто найдем способ загрузить нейросети еще более тяжелыми задачами?