В современном мире искусственный интеллект стремится к новым рубежам, вдохновленным биологическими системами. Одним из таких прорывов являются супер-Тьюрингские синаптические резисторные схемы, разработанные для управления интеллектуальными морфирующими крыльями. Эти схемы открывают новые возможности для адаптивных систем, способных одновременно учиться и выполнять выводы — то, что природа реализовала в мозге человека. Традиционные вычислительные системы, построенные на Тьюринговой модели, обладают высокой вычислительной мощностью и эффективностью при выполнении заранее заданных алгоритмов. Однако при динамических изменениях среды и необходимости быстрого адаптивного обучения они демонстрируют ограничения из-за неспособности учиться во время выполнения задач.
В отличие от них, нейробиологические цепи мозга функционируют в так называемом супер-Тьюрингском режиме, где обучение и вывод происходят одновременно и параллельно, обеспечивая высокую скорость адаптации к изменяющейся среде. Основой представленной технологии является синаптический резистор, или синстор — специальный электронный компонент, который сочетает в себе функции памяти, обработки информации и обучения. Синсторы состоят из многослойной структуры, включающей кремниевый канал с шоттки-контактами, тонкие диэлектрические и ферроэлектрические слои на основе Hf0.5Zr0.5O2, а также проводящий слой WO2.
8. Это позволяет им эмитировать поведение биологических синапсов, регулируя свою проводимость в ответ на электрические сигналы. Особенность синсторной схемы заключается в ее способности одновременно выполнять операцию вывода, представленную умножением вектора входных напряжений на матрицу проводимостей, и изменять значения проводимостей в соответствии с обучающим правилом, выраженным уравнением корреляционного обучения. Этот процесс аналогичен пластичности синапсов в мозге, где связь между нейронами изменяется в зависимости от активности, усиливая или ослабляя сигнал. Интеллектуальное морфирующее крыло представляет собой адаптивный аэродинамический объект, способность которого изменять форму в режиме реального времени позволяет максимизировать эффективность полета.
Благодаря интеграции синсторной схемы с сенсорами, фиксирующими такие параметры, как коэффициент подъёмной силы и сопротивления, и системой управления исполнительными механизмами, достигается оптимизация формы крыла для минимизации отношения сопротивления к подъёмной силе и предотвращению срыва потока. Эксперименты с использованием синсторной схемы в управлении морфирующим крылом показали впечатляющие результаты. В условиях до срыва потока, когда аэродинамические параметры относительно стабильны, синстор демонстрирует скорость обучения и адаптации в несколько раз выше, чем человек и традиционная искусственная нейронная сеть (ИНС). В более сложных и хаотичных условиях, таких как полёт в зоне срыва потока, эта технология сохраняет стабильность и быстро корректирует параметры управления, тогда как ИНС зачастую не справляется с задачей, а человек достигает успеха лишь частично. Энергопотребление синсторных схем также отличается особенно низкими показателями — в несколько порядков ниже современных вычислительных систем, что делает эту технологию перспективной для использования в энергоограниченных системах, включая беспилотные летательные аппараты и другие мобильные устройства.
Технически, обеспечение параллельного обучения и вывода достигается благодаря особой архитектуре синаптических резисторов и включению нейронных схем, которые моделируют поведение возбудительных и тормозных нейронов. Их взаимодействие приводит к автоматической корректировке весов матрицы проводимости и, соответственно, оптимальному управлению морфингом крыла. Используемый алгоритм обучения основан на корреляционном правиле синаптической пластичности — аналогии с биологическим механизмом STDP (Spike Timing-Dependent Plasticity). Такой подход обеспечивает динамическое самонастройку систем без необходимости отделённой стадии тренировки и вывода, как в классических искусственных нейронных сетях. Применение супер-Тьюрингских синсторных схем выходит за рамки аэродинамики и интеллектуального управления крылом.
Эти технологии могут радикально изменить подход к разработке адаптивных систем во многих областях: от робототехники и авиации до IoT-устройств и медицинских приборов, где требуется быстрый отклик и обучение в нестабильных условиях без значительных энергетических затрат. В сравнении с современными интегрированными нейроморфными процессорами и прочими аналоговыми вычислительными элементами, синсторные схемы предлагают уникальное сочетание высокой точности аналогового управления, электронного контроля ферроэлектрических доменов для хранения и переменной проводимости, а также обеспечение устойчивости системы к ошибкам через непрерывное обучение. Это придаёт системе высокую надежность и гибкость, недоступную традиционным цифровым архитектурам. Успешная реализация и демонстрация этой технологии требует синергии нескольких научных направлений: материаловедения, микроэлектроники, теории управления, нейронауки и аэродинамики. Благодаря тесному сотрудничеству ученых из Университета Калифорнии в Лос-Анджелесе, Университета Мичигана и Стэнфордского университета, удалось не только создать рабочую экспериментальную модель синсторной схемы, но и интегрировать её в полноценную систему интеллектуального морфинга.
Эксперименты в аэродинамических трубах показали, что интеллектуальное управление на базе синсторов сокращает время адаптации крыла к изменяющимся условиям в десятки раз по сравнению с традиционными алгоритмами и достигает более стабильных результатов за счёт непрерывного корректирования параметров управления. Это особенно важно для летательных аппаратов, работающих в условиях турбулентности и непредсказуемых воздушных потоков, где быстрая реакция на изменение условий может спасти жизнь и повысить эксплуатационную эффективность. Развитие технологии синсторных схем открывает перспективы создания полностью автономных, энергетически эффективных, самообучающихся систем с высокой скоростью реакции. Такие инновации могут стать ключевыми для реализации концепции искусственного интеллекта, работающего не только как вычислительная машина, но и как динамическая нервная система, способная к обучению в реальном времени и адаптации к сложным условиям. В целом, супер-Тьюрингские синаптические резисторные схемы представляют собой важный шаг вперёд в области нейроморфных вычислений и интеллектуальных систем управления.
Их применение для интеллектуального морфинга крыла демонстрирует, как принципы биологической нейропластичности можно воплотить в современной электронике, создавая эффективные, гибкие и энергосберегающие технологии. Это направление обещает изменить подход к искусственному интеллекту и робототехнике, сделав их более близкими к естественным интеллектуальным процессам, примером которых служит человеческий мозг.
