Человеческое тело само по себе может способствовать развитию виртуального человека благодаря появлению аналоговых компьютеров, вдохновленных его аналоговой работой. Основываясь на новаторской работе американского ученого и инженера Карвера Мида в конце 1980-х гг., область под названием «нейроморфные вычисления» привлекла мозг как источник вдохновения для разработки вычислительного оборудования[533]. В рамках одного многообещающего подхода к нейроморфной инженерии Стэн Уильямс из Техасского университета A&M, Сухас Кумар из Hewlett-Packard Labs и Цзывень Ванг из Стэнфордского университета создали наноразмерное устройство, состоящее из слоев различных неорганических материалов, в частности диоксида ниобия[534], которое могло воспроизводить реальное поведение нейронов[535].

Их работа началась в 2004 г., когда Уильямс вдохновился работой Леона Чуа из Калифорнийского университета в Беркли, инженера-электрика, который первым придумал мемристор. Этот электронный компонент можно представить как «резистор с памятью», поскольку он запоминает количество прошедшего через него электрического заряда даже после выключения. Как и в вашей голове, обработка данных и память состоят из одних и тех же адаптивных строительных блоков, поэтому энергия не тратится зря на перетасовку данных.

Постулированный Чуа в 1971 г. как «недостающее звено» в схемах, в которых традиционно использовались только конденсатор, катушка индуктивности и резистор[536], затем, наконец, обнаруженный Уильямсом и его коллегами в 2008 г.[537], этот четвертый «атом» всех электрических цепей по крайней мере в 1000 раз более энергоэффективен, чем обычное оборудование на основе транзисторов, используемое, например, в искусственном интеллекте[538].

Чуа проводит параллели между поведением мемристоров и нейронов. В частности, он утверждает, что ионные каналы натрия и калия можно рассматривать как мемристоры, которые являются ключом к генерации потенциала действия, наблюдаемого в уравнениях Ходжкина – Хаксли[539]. Чуа переформулировал их, используя четыре дифференциальных уравнения или переменные состояния, каждое из которых представляет собой динамическую и нелинейную систему, отсюда и способность генерировать импульсы или потенциалы действия. Исследуя поведение Ходжкина – Хаксли, он обнаружил переходную зону между порядком и хаосом, получившую название «грань хаоса» (Чуа описывает ее «между мертвым и живым»[540]), которая, по его мнению, является ключом к возникновению сложных явлений, включая творчество и интеллект. (Мы обсуждаем грань хаоса в нашей книге Frontiers of Complexity.)

Уильямс, вдохновленный работами Чуа, начал создавать устройства для исследования этого нелинейного режима. Сначала, в 2006 г., он создал экспериментальный мемристор. Затем ему захотелось создать устройство, имитирующее уравнения Ходжкина – Хаксли. К 2020 г. Уильямс, Кумар и Ван создали синтетический нейрон – переключатель на основе мемристора третьего порядка на слое диоксида ниобия. При приложении небольшого напряжения слой нагревается и при критической температуре превращается из изолятора в проводник, высвобождая накопленный заряд. При этом создается импульс, очень напоминающий потенциалы действия, вырабатываемые нейронами, после чего температура падает, устройство возвращается в состояние покоя и начинает повторно накапливать заряд. Так как Чуа показал, что трех дифференциальных уравнений достаточно для описания поведения аксона, они смогли представить три различных дифференциальных уравнения – или три переменных состояния – в неорганической структуре: как, изменяя напряжение на синтетических нейронах, создать богатый диапазон поведения. Всего они создали 15 сценариев (по мнению команды, основанному на исследованиях системы «четвертого порядка», всего их 23), которые наблюдались в мозге: продолжительные, взрывные и хаотические импульсы. Эти «электротермические мемристоры» также могут исследовать «грань хаоса»[541].

Далее они показали, что сети синтетических клеток мозга могут решать проблемы подобно мозгу, используя сеть из 24 наноустройств для решения игрушечной версии реальной задачи оптимизации, которая у обычного компьютера заняла бы много энергии: проблема реконструкции квазивида вируса, когда мутантные варианты вируса идентифицируются без эталонного генома.

Устройства были объединены в сеть, вдохновленную связями между корой головного мозга и таламусом, участвующими в распознавании образов. В зависимости от входных данных исследователи вводили в сеть короткие фрагменты генов. Программируя силу связей между искусственными нейронами внутри сети, они установили правила соединения этих фрагментов. В течение микросекунд их сеть искусственных нейронов пришла в состояние, характерное для генома мутантного штамма. Их аналоговые устройства, вдохновленные мозгом, были как минимум в 10 000 раз более энергоэффективны, чем цифровой процессор.

В Европе нейроморфные вычисления» являются частью проекта «Человеческий мозг» стоимостью в миллиард евро, в котором участвуют более 500 ученых и инженеров из более чем 140 институтов. SpiNNaker (архитектура импульсной нейронной сети) – один из крупнейших нейроморфных суперкомпьютеров, который с 2005 г. разрабатывается командой под руководством Стива Фербера из Манчестерского университета, Англия[542]. Эта машина соединяет миллион процессоров, которые были упрощены для снижения энергопотребления и количества выделяемого тепла (эти процессоры, произведенные компанией ARM, сделали телефоны мобильными), с помощью сети, оптимизированной для передачи потенциалов действия – в виде серии импульсов – к процессорам в сети в форме кольца. Они смоделировали различные области мозга, которые теоретически можно связать между собой для создания более крупной модели мозга[543]. В разработке находится новая версия, SpiNNaker2, хотя эти машины не являются аналоговыми. «Все нейроморфные системы» – даже те, которые используют аналоговую обработку нейронов и синапсов, – генерируют цифровые выходные сигналы в виде импульсов», – рассказал нам Фербер[544].

Проект «Человеческий мозг» включает еще одну нейроморфную машину», BrainScaleS, в Гейдельбергском университете, где работу возглавляет Йоханнес Шеммель. Первое поколение BrainScaleS состояло из четырех миллионов искусственных нейронов и одного миллиарда синапсов на 20 кремниевых пластинах, которые также общались с помощью цифровых импульсов, чтобы эффективно имитировать биологический эквивалент – в частности, способ обучения мозга путем изменения локальных связей, а не глобального алгоритма. Команда создала BrainScaleS, чтобы показать возможность подключать аналоговые схемы в больших масштабах для изучения обработки информации мозгом, где информация передается с помощью цифровых импульсов, работающих в аналоговом времени, подкрепленных данными независимых исследований реального мозга (мышей, крыс, кошек и обезьян), а также математическим моделированием, высокопроизводительными вычислениями и анализом.

На момент написания команда работала над BrainScaleS-2, который в своем окончательном варианте должен использовать до 1000 пластин, что вдвое больше, чем у предшественника, и основан на более глубоком понимании гибких правил обучения и нейронной архитектуры. Результатом станет настоящий аналоговый нейроморфный компьютер», способный имитировать «маленький мозг»[545]. Однако, хотя ожидается, что он будет работать быстрее и потреблять значительно меньше энергии, чем цифровой компьютер, Шеммель не считает, что эти аналоговые машины при эмуляции мозга смогут обеспечивать большую точность, чем цифровые.

Рисунок 45. SpiNNaker, компьютер, похожий на мозг (воспроизведено с разрешения Манчестерского университета)

Есть еще много примеров. В рамках работы под руководством Джакомо Индивери из ETH Zurich был создан нейроморфный чип, следующий принципам, впервые предложенным Карвером Мидом, и надежно распознающий сложные биосигналы. Есть цифровой чип TrueNorth, разработанный в исследовательской лаборатории IBM в Альмадене, Калифорния; цифровая платформа Intel Loihi, предназначенная для стимулирования нейроморфных исследований», система Neurogrid Стэнфордского университета; чип Akida от BrainChip; Чип GrAI One от GrAI Matter Labs для машинного обучения; и массив электронных синапсов из 1024 ячеек, основанный на мемристорах, разработанный Институтом микроэлектроники, Университетом Цинхуа и Стэнфордским университетом для более эффективной классификации лиц[546].

Чтобы использовать как цифровые алгоритмы машинного обучения, основанные на компьютерных науках, так и аналоговые схемы, ориентированные на нейробиологию, был разработан чип Tianjic (исследователями из Университета Цинхуа, Beijing Lynxi Technology, Пекинского педагогического университета, Сингапурского университета технологий и дизайна и Калифорнийского университета в Санта-Барбаре)[547]. Используя всего один чип, содержащий около 40 000 «нейронов» и 10 миллионов «синапсов», Лупин Ши и его коллеги из Университета Цинхуа продемонстрировали одновременную обработку алгоритмов и моделей на беспилотном велосипеде, способном на обнаружение объектов в реальном времени, отслеживание, голосовое управление, обход препятствий и контроль баланса. С помощью чипа автономный велосипед может не только балансировать, но и объезжать препятствия, реагировать на голосовые команды и принимать самостоятельные решения. Гибридный чип, в некоторой степени основанный на принципах, подобных работе мозга, действительно может водить велосипед.

Рисунок 46. BrainScaleS-1 в Гейдельберге, Германия (воспроизведено с разрешения Гейдельбергского университета)