Супер-Тьюринговые синаптические резистивные схемы для интеллектуальных морфирующих крыльев: новые горизонты адаптивной аэродинамики

Продажи токенов ICO

В мире современных технологий искусственный интеллект и вычислительные системы постоянно стремятся быть более эффективными и адаптивными. Однако традиционные компьютеры, основанные на Тьюринговской модели, сталкиваются с фундаментальными ограничениями, особенно в сценариях, требующих одновременного обучения и распознавания в реальном времени. Это становится особенно актуальным в динамически меняющихся средах, таких как аэродинамические условия полета. В ответ на эти вызовы исследователи сообщили о создании супер-Тьюринговых синаптических резистивных схем (synstor), которые способны воспроизводить работу нейробиологических систем и реализовать параллельное обучение и вывод информации в одном и том же устройстве. Основываясь на принципах функционирования мозга, где нейронные сети обрабатывают информацию параллельно, а синаптические веса динамически изменяются по мере обучения, супер-Тьюринговые синаптические схемы представляют собой электронные аналоги, способные имитировать такие адаптивные процессы.

В отличие от компьютеров в традиционном понимании, эти схемы способны одновременно видеть входные данные, обрабатывать их и при этом обновлять собственные параметры для оптимизации работы в реальном времени. Это особенно критично в средах с высокой степенью неопределенности и сложности. Разработка таких схем основана на синтезе уникальных материалов и конструкций. Каждый синаптический резистор состоит из кремниевого канала с ферроэлектрическим слоем Hf0.5Zr0.

5O2 и встроенным токопроводящим электродом WO2.8. Особенность данной структуры в том, что она позволяет изменять проводимость устройства аналоговым способом под воздействием электрических импульсов, имитируя изменение синаптических весов в мозге. За счет специальных металлических контактов и гетероструктур происходит локальная перестройка ферроэлектрических доменов, что влияет на проводимость канала и обеспечивает долговременное хранение данных и возможность многократного перепрограммирования. Ключевая инновация – это возможность выполнения одновременных операций вывода и обучения, без разделения этих процессов на отдельные циклы.

В традиционных нейроморфных схемах выполняется сначала обучение, затем фиксируется оптимальная модель, и лишь потом происходит вывод результатов. Эта последовательность снижает скорость адаптации и увеличивает энергопотребление. В синаптических резистивных схемах обучающие и вычислительные механизмы работают параллельно, что позволяет эффективно адаптироваться к изменениям внешней среды в режиме реального времени. Практической демонстрацией потенциала такой технологии стала контролируемая система морфирующего крыла, установленная в аэродинамической трубе. Морфирующее крыло – это аэродинамическая поверхность, способная изменять форму в зависимости от текущих условий полета для оптимизации соотношения подъемной силы и сопротивления.

Эксперимент показал, что синаптическая схема за короткое время смогла адаптировать форму крыла, минимизируя отношение лобового сопротивления к подъемной силе и восстанавливая аэродинамические характеристики после срывов потока, то есть в условиях стагнации. Эталоном эффективности служили сравнения с человеческими операторами и компьютерной нейронной сетью (ANN), которая выполняет процессы обучения и вывода последовательно. В условиях до стагнации (угол атаки 8 градусов) все три участника эксперимента показали успешное управление формой крыла. Однако синаптическая схема обучалась в среднем в 3-4 раза быстрее, чем человек, и более 500 раз быстрее, чем ANN. При условии стагнации (угол атаки 18 градусов) превосходство супер-Тьюринговой схемы было особенно заметным – она успешно восстанавливала аэродинамические показатели крыла через адаптацию, тогда как ANN не смогла справиться с хаотичной аэродинамической средой, а успешность человека была непредсказуемой и значительно ниже.

Важным показателем современной электроники является энергопотребление. Синаптическая схема работает при мощности порядка 28 нановатт, что в восемь порядков ниже чем у компьютера, выполняющего аналогичную задачу с помощью ANN, что требует около 5 ватт энергии. Такое огромное снижение энергопотребления делает технологии супер-Тьюринговых схем перспективными для применения в энергоограниченных системах, таких как беспилотные летательные аппараты, носимая электроника и другие мобильные интеллектуальные устройства. Принцип работы супер-Тьюринговой синаптической схемы описывается математикой корелляционного обучения, в частности, правилами, подобными spike-timing-dependent plasticity (STDP). Управление значениями проводимости синпортов описывается дифференциальными уравнениями, которые динамически корректируют веса \({\bf{W}}\) в зависимости от входных (\({\bf{x}}\)) и выходных (\({\bf{z}}\)) импульсов.

Когда функция потерь системы, выраженная через какое-либо целевое значение, начинает уменьшаться, схема переходит в режим Turing — то есть фиксирует оптимальные параметры для выполнения одной задачи. При неожиданном изменении условий схема мгновенно активирует режим Super-Turing, в котором одновременно продолжается вывод и обучение, позволяя быстро адаптироваться без необходимости внешней переобучающей процедуры. Нейронные интерфейсы, имитирующие биологические нейроны, связаны с синапторами и обеспечивают генерацию управляющих сигналов, преобразующихся в активационные импульсы для привода актуаторов морфирующего крыла. Таким образом, весь процесс – от сбора сенсорных данных о состоянии крыла до управления и адаптивного обучения — объединен в замкнутый контур с минимальными задержками. Необходимость таких инноваций обусловлена ограничениями классического AI, применяемого в реальных условиях.

Существующие модели искусственных нейронных сетей нуждаются в огромных объемах данных для обучения, а их способность к обобщению и адаптации в реальном времени ограничена. Более того, сложные обучающие процессы требуют значительных вычислительных ресурсов и энергозатрат, что мешает внедрению таких решений в устройства с ограниченными ресурсами или требующие автономной работы. Взаимодействие с человеческими операторами, использующими визуальные показатели и управляющие импульсы вручную, является интересным сравнительным звеном. Люди, как и синаптические схемы, обладают способностью адаптироваться параллельно в процессе выполнения задачи, однако их реакции зависят от физиологических ограничений и субъективных факторов. Использование синаптических резистивных схем открывает перспективу автоматизации такого типа адаптации с большей скоростью, точностью и устойчивостью.

Помимо аэродинамических применений, супер-Тьюринговые синаптические схемы имеют широкий потенциал в робототехнике, системах автономного управления, обработке сенсорных данных в режиме реального времени и других областях, требующих гибкого, адаптивного интеллекта с низким потреблением энергии. Они способны устранять проблемы, связанные со «старением» алгоритмов и ошибками оборудования, путем постоянного самообучения и коррекции поведения системы. Материалы, используемые для создания synstor, позволяют миниатюризацию и интеграцию таких схем в сложные вычислительные системы, что расширяет возможности их внедрения в коммерческих и военных приложениях. Развитие данного направления способствует слиянию нейробиологии, материаловедению и информатики, создавая новый класс энергоэффективных вычислительных устройств, близких по принципам работы к мозгу человека. Идея супер-Тьюрингового подхода вызывает переосмысление роли классических вычислительных моделей и алгоритмов в эры искусственного интеллекта.

Совмещение обучения и вывода в одном цикле позволяет значительно снизить задержки, повысить надежность и обеспечить более естественную адаптацию систем к непредсказуемым условиям — ключевые характеристики интеллектуальных систем будущего. В заключение, супер-Тьюринговые синаптические резистивные схемы представляют собой революционный шаг в направлении создания систем с настоящей адаптивностью и эффективностью. Их способность одновременно обучаться и принимать решения, низкая энергия и высокая скорость отклика делают их идеальными кандидатами для реализации в интеллектуальных морфирующих крыльях и других прогрессивных устройствах, способных превосходить ограничения современных искусственных нейронных сетей и близко имитировать функциональность живого мозга.