Цифровая эволюция: как ученые создают нейроморфные системы

Технологии искусственного интеллекта стали уже практически обыденностью. Нейросети помогают диагностировать заболевания, становятся бизнес-консультантами, автоматизируют рабочие процессы. Но есть задачи, которые пока алгоритмам не под силу. Например, полностью воспроизвести работу человеческого мозга. Такие разработки на стыке биофизики, математики и биологии считаются одними из самых перспективных в мире.


Как ученые пытаются научить нейросеть «мыслить» разумно и что роботы могут позаимствовать у природы, рассказала профессор Университета Лобачевского (ННГУ им. Н. И. Лобачевского), лауреат премии президента РФ в области науки и инноваций для молодых ученых за 2023 год Сусанна Гордлеева.

 — В феврале этого года вы стали лауреатом премии президента РФ в области науки и инноваций для молодых ученых. За какую разработку вы получили награду?

 — Я разработала модели нейроморфного искусственного интеллекта. В отличие от повсеместно используемых классических нейросетей, она повторяет принципы работы человеческого мозга. Такая имитация позволяет алгоритмам тратить меньше энергии при обработке большого количества информации.

Ключевая особенность этой технологии в том, что я добавила в нее астроциты — глиальные клетки центральной нервной системы, необходимые для физической и химической поддержки нейронов. Это позволило повысить производительность нейросетей, они стали лучше справляться с прикладными задачами.

 — Как астроциты связаны с обработкой информации? Почему вы решили добавить именно эти клетки?

 — Дело в том, что за последние годы появилось множество научных публикаций с весьма интересными экспериментами. Они показывают, что астроциты активно участвуют в процессах обработки информации в мозге, формировании и хранении памяти, работе когнитивных функций.

На самом деле эти глиальные клетки были открыты достаточно давно. Но долгое время считалось, что они служат лишь вспомогательным элементом нейронов: питают их, убирают отходы метаболизма. И при этом не умеют испускать электрические сигналы, а значит, не участвуют в обработке информации. Поэтому все процессы обработки информации в мозге зависят в основном от нейронов, генерирующих электрические сигналы. Между нейронами есть синапсы, с помощью которых эти сигналы распространяются по нейронной сети, передавая информацию.


Но недавние эксперименты показали, что в ответ на нейронные сигналы астроциты все же могут кое-что генерировать, а именно — кальциевый импульс, то есть, повышать концентрацию кальция внутри клеток. При этом такие сигналы проходят в три раза дольше (длительность электрических составляет одну миллисекунду, а у астроцитов — от одной до десяти секунд).

Это приводит к тому, что из клеток высвобождаются химические вещества — глиатрансмиттеры, полностью идентичные тем, которые участвуют в синаптической передаче между нейронами. И поскольку астроциты плотно прилегают к синапсам, то такое высвобождение частиц может влиять на эффективность передачи сигналов между нейронами: усиливать ее или, наоборот, ослаблять. Ученые обнаружили, что, если, например, выключить какой-то механизм влияния астроцитов на передачу сигналов между нейронами, то у мышей или крыс страдает память, нарушаются когнитивные функции.

Все эти исследования привели к появлению концепции тройственного синапса: согласно ей, в передаче сигналов в мозге участвуют не только нейроны, но и астроциты. Поэтому я добавила в нашу систему астроцитные математические модели, воздействующие на синаптическую передачу между нейронами.

 — В каких сферах такую нейросеть можно применять?

 — На самом деле, в любых, где нужна обработка информации. Но одной из перспективных задач, пожалуй, можно назвать создание нейроимплантов или нейроинтерфейсов. Такие системы регистрируют активность головного мозга. Поэтому здесь как раз напрашивается, чтобы обработка информации шла с помощью систем, приспособленных к биологическим механизмам.

Еще подобные нейросети подходят для мемристивной микроэлектроники. Мемристоры — это такие резисторы с памятью. По сути, они являются искусственными аналогами синапсов. В настоящее время ведутся разработки по поиску идеального материала для мемристоров.

 — Вы занимаетесь этим проектом более десяти лет. Как выглядел процесс создания искусственного интеллекта?

 — Все началось с моей научной работы на четвертом курсе радиофизического факультета. На самом деле я и мой научный руководитель, Казанцев Виктор Борисович, оказались в числе первых, кто стал добавлять астроциты в модели нейронных сетей.

Сначала я изучала научную литературу, собственно, результаты вышеупомянутых экспериментов. Вообще, в нашем деле все обычно происходит так: например, выходит статья, где показывают, как какой-то биофизический механизм влияет на память. Я анализирую эти материалы и затем пишу математическое уравнение, описывающее этот эффект, показанный в эксперименте. Потом добавляю свои вычисления уже в большую модель нейронной сети. Далее исследую ее динамические режимы, ключевые параметры. Вся работа делается с помощью симуляции на компьютере.

По этой теме я защитила магистерскую, потом кандидатскую и докторскую. В итоге мы смогли смоделировать масштабные нейронные сети, состоящие из большого количества элементов, причем достаточно детализированных.

 — Как тестировали новую нейросеть?

  — В основном мы ставили перед ней задачу на запоминание информации и потом проверяли, как она классифицирует изображения.

В этом плане наши модели хороши тем, что они биофизические. Это означает, что все процессы и параметры в них имеют отношение к живому мозгу и их можно померить в экспериментах.

Мы сравниваем результаты моделирования и экспериментальных данных, чтобы проверить модель и убедиться, что она работает правильно. Это очень важно. Потому что позднее, когда мы будем изменять параметры, наша модель начнет предсказывать какие-то вещи, которые потом нужно также подтверждать экспериментально, на основании каких-то гипотез.

К слову, за такое биофизическое, близкое к биологии, описание математических моделей в 1952 году британские нейрофизиологи Алан Ллойд Ходжкин и Эндрю Хаксли позднее, уже в 1963 году, получили Нобелевскую премию. Они написали одну из самых подробных и точных биофизических моделей на сегодняшний день, имитирующую процессы генерации электрических импульсов в нейронах. Ученые взяли один участок мембраны нейрона кальмара и описали его биофизические характеристики. Причем достаточно подробно.

Все эти параметры можно сегодня экспериментально подтвердить. Уже прошло более 70 лет, а эта модель до сих пор может предсказывать эффекты, которые потом получают подтверждение в экспериментах. Это удивительно!

 — Как все это позволило улучшить работу искусственного интеллекта?

 — Мы сравнили производительность обычной спайковой нейронной сети (это как раз та, которая имитирует механизм коры головного мозга) и нашей спайковой нейросети с астроцитами. Оказалось, что точность классификации изображений, которые мы подаем на вход этой нейрон-астроцитарной сети, больше на 20%.

Кроме того, мы показали, что только за счет влияния астроцитов на передачу сигналов между нейронами можно создать у нейронной сети кратковременную память. Хотя с точки зрения биологии это не совсем правильно. Поскольку в действительности нейроны и астроциты всегда включены и участвуют в запоминании информации вместе. А в математических моделях мы можем улучшить их работу за счет включения и выключения отдельных клеток.

 — Много ли вообще наука знает о мозге? Можно любой биофизический процесс переложить на работу алгоритмов?

 — На самом деле, нерешенных вопросов много, особенно это касается когнитивных процессов. Мозг у нас большой и состоит из разных структур. Мы хорошо изучили клеточные и субклеточные механизмы. Но по-прежнему плохо понимаем, какие процессы связаны с формированием памяти, как хранится и обрабатывается информация разными отделами.

В этом и кроется основная трудность, когда мы пишем вычислительные модели. Они описывают только те клеточные механизмы, которые известны и подтверждены экспериментами. Нам нужно сложить все эти фрагменты в одну теорию. И так, постепенно, добавляя новые механизмы, мы сможем понять, как они друг с другом взаимодействуют. Это сложный процесс. Но как раз для такой задачи и нужны математические модели.

Однако это не единственная проблема. Сейчас появляется все больше международных проектов, их цель — построить цифровую модель головного мозга. Такие исследования очень интересны, для них собирается группа экспертов мирового класса по моделированию нейронных сетей, включая биологов-экспериментаторов, помогающих биофизикам и математикам.

Но дело в том, что в головном мозге огромное количество клеток, которые нужно учитывать. Для этого нужны хорошие вычислительные мощности. Чтобы описать все эти процессы, требуется много уравнений и параметров. И, скорее всего, смоделировать целый человеческий мозг вряд ли получится.

 — Как планируете развивать свою технологию?

 — Мы намерены двигаться дальше, добавляя в модель все более детальные механизмы, в частности, влияние астроцитов на динамику нейронов. Будем изучать, как формируется долговременная память и как в этом участвуют глиальные клетки.

Кроме того, мы планируем реализовать эти модели на физическом носителе. Попытаемся построить реальную вычислительную машину — прототип нейропроцессора. Создадим электронные контуры (электрические схемы) на мемристорах, которые будут работать по новым принципам. Это направление сейчас активно развиваем в рамках программы Национального центра физики и математики (НЦФМ).

 — Сможет ли в ближайшем будущем искусственный интеллект повысить свои когнитивные способности, стать более «человеческим»? Например, научится определять иронию и сарказм?

 — Ваш пример касается более общего понятия. Принято различать слабый и сильный искусственный интеллект. Слабым называют технологии машинного обучения, которые сегодня нас окружают практически повсюду. Чему мы их научили, то они и умеют.

Под сильным ИИ понимается его способность к самообучению. Ваш пример с иронией и сарказмом как раз об этом. Умение их распознавать — свойство естественного интеллекта, разумного. Если мы будем привносить в эти технологии принципы работы мозга, то сможем добиться того, чтобы они самообучались. Основная проблема — придумать алгоритмы такого обучения. Поскольку мы пока не до конца понимаем, как настоящий мозг работает. Внедрение нужных механизмов является одним из открытых вопросов, который сейчас стоит перед нами.

Если нам удастся это сделать, то, конечно, это будет прорыв. И я абсолютно уверена, что будущее именно за такими нейроморфными технологиями, как наша. Они будут эффективнее и превзойдут текущие технологии во всех сферах.


Анна Шиховец