Развитие искусственного интеллекта и нейроморфных технологий формирует новое направление в аэродинамическом управлении летательными аппаратами. В центре интереса находятся супер-Тьюринговые синаптические резисторные схемы, способные одновременно выполнять функции обучения и вывода, что позволяет системам управления адаптироваться в режиме реального времени к изменяющимся условиям окружающей среды. Данные технологии находят эффективное применение в интеллектуальном морфинге крыльев, где необходимо оперативно изменять форму крыла для оптимизации аэродинамических характеристик и повышения устойчивости к аварийным ситуациям, например, к срывам потока (сталлам). Традиционные искусственные нейронные сети и вычислительные системы, построенные на классической модели Тьюринга, предусматривают поочередное выполнение обучения и инференса. Это создает определенные ограничения при управлении динамическими системами, в частности при быстром переключении режимов полета или изменениях внешних аэродинамических факторов.
В отличие от них, супер-Тьюринговые схемы вдохновлены биологическими нейронными сетями мозга человека, которые способны одновременно обрабатывать информацию и вносить коррективы в свои структуры для повышения эффективности работы. Сердцем таких схем служит синаптический резистор — устройство, напоминающее по функционалу биологический синапс, обладающее возможностью изменять свою проводимость в зависимости от входящих сигналов. В современной реализации синаптические резисторы, или синсторы, обладают вертикальной гетероструктурой, основанной на кремниевом канале, диэлектрическом слое SiO2, ферроэлектрическом слое Hf0.5Zr0.5O2 и электроде из Conductive Oxide WO2.
8. Такая конструкция обеспечивает нестабильность и точную настройку проводимости, что позволяет реализовать параллельное выполнение операций вывода и обучения. Применение таких синсторных схем для управления морфингом крыла было экспериментально подтверждено в аэродинамическом туннеле. Здесь схемы успешно адаптировали форму крыла на лету, обеспечивая снижение отношения лобового сопротивления к подъемной силе и восстанавливая устойчивость крыла при возникновении срывов потока. Подобная адаптация возможна благодаря непрерывной коррекции проводимости синсторов в зависимости от сенсорных данных о состоянии крыла, что помогает динамически минимизировать заданную целевую функцию — показатель эффективности аэродинамики.
Особенностью предложенного подхода является одновременное использование весовых коэффициентов (параметров проводимости) для вывода и обучения. Математически это выражено через правила коррелятивного обучения, напоминающие Spike-Time Dependent Plasticity (STDP), когда изменения веса зависят от совместного присутствия входящего и исходящего сигнала. Такой принцип обеспечивает эффективную самокоррекцию функционала нейросети и делает систему нечувствительной к ошибкам, вызванным вариацией параметров устройств или внешними воздействиями. По результатам сравнительных исследований, проведенных с участием синсторных схем, человеческих операторов и классических искусственных нейронных сетей (ANN), было установлено, что спер-Тьюринговые схемы превосходят ANN по скорости обучения, адаптивности и энергоэффективности. Особенно это ярко проявилось в условиях запредельного угла атаки — при возникновении столь сложных, хаотичных аэродинамических воздействий, когда ANN зачастую не смогли справиться с адаптацией, в то время как синсторные схемы и операторы успешно восстановили оптимальное состояние крыла.
Кроме того, энергопотребление супер-Тьюринговых схем измеряется нановаттами, что значительно ниже десятков ватт, потребляемых современными компьютерными системами для тех же целей. Такой уровень эффективности открывает новые возможности для интеграции нейроморфных процессоров в малые и энергозависимые летательные аппараты, включая беспилотные летательные системы и легкие авиамодели. Прототип синсторного массива был реализован в виде перекрестной матрицы с 20 на 20 элементов, с особой внимательностью к материалам и технологиям производства, такими как атомно-слойное осаждение (ALD) ферроэлектрического слоя и последующая термообработка. Это позволило достичь более тысячи дискретных уровней аналоговой проводимости и длительное сохранение состояния синапса более года без заметных деградаций. Внедрение таких технологий paves the way для создания многоуровневых латентных систем искусственного интеллекта, которые могут непосредственно интегрироваться в управляющие платформы летательных аппаратов.
Это снимет необходимость передачи большого объема данных на удаленные серверы и последующего отклика, что в традиционных архитектурах часто приводит к задержкам и снижению надежности в условиях нестабильной связи. Сфера применения супер-Тьюринговых синаптических резисторных схем не ограничивается морфингом крыльев. Они могут быть использованы в широком спектре интеллектуальных систем, требующих одновременного контроля, обучения и адаптации в реальном времени: от робототехники и автономных транспортных средств до систем безопасности и интеллектуальных сенсорных сетей. Таким образом, концепция супер-Тьюринговых вычислений предлагает принципиально новый взгляд на построение искусственных систем с возможностями саморегуляции и адаптации, близкими к живым организмам. Благодаря инновационным синаптическим резисторным схемам обеспечивается синтез вычисления, памяти и обучения в одном устройстве, что служит фундаментом для создания более эффективных, гибких и энергоэкономичных AI систем для авиации и промышленности.
В заключение, супер-Тьюринговые синаптические резисторные схемы представляют собой перспективное направление в области умных аэродинамических систем и нейроморфных технологий. Они объединяют преимущества биологических механизмов адаптации с мощью современных микроэлектронных решений, что позволяет создавать летательные аппараты с высокой степенью автономии, быстрым обучением и сниженным энергопотреблением. Развитие данных технологий обещает принести революционные изменения не только в аэрокосмической отрасли, но и во всех сферах, где требуются интеллектуальные адаптивные системы.
