Университет Саутгемптона представил мемристоры, которые могут использоваться для управления системами искусственного интеллекта, моделирующими работу мозга, сообщается на сайте университета.

Сегодня развитие искусственных нейронных сетей упирается в отсутствие компонентов, с помощью которых можно моделировать мозг человека. В частности, нет эффективных искусственных синапсов — ключевых компонентов, которые требуются каждой искусственной нейронной сети.

В исследовании, опубликованном в Nature Communications, ученые демонстрируют эксперементальную нейросеть, которая использует в качестве синапсов мемристоры — резисторы с памятью. Они в свою очередь позволяют обеспечить сети понимание сложных правил обучения.

Ведущий исследователь проекта доктор Алекс Серб говорит: «Если мы хотим построить искусственную систему, которая сможет имитировать человеческий мозг, обладая той же мощностью, то нам придется использовать сотни миллиардов, если не триллионов, синапсов».

«Большая часть из них должна обладать возможностью понимать правила обучения различной степени сложности, — продолжает исследователь. — Сегодня есть возможность собрать синапсы из различной электроники, но для достижения схожей с мозгом мощности — если это вообще возможно — необходимо создание совершенно новых искусственных синапсов».

Ученый полагает, что мемристоры — это самый вероятный путь к успеху. Массивы металлооксидных мемристоров могут обучаться и переобучаться на входных шаблонах — обучение проходит без учителя по принципу «Победитель получает все». Это максимально полезная технология, позволяющая процессорам (например, в устройствах IoT) при маленьких энергозатратах обрабатывать большие данные без предварительного знания о них.

В августе ученые из IBM тоже заявили о приближении к эмуляции человеческого мозга, представив искусственные нейроны, копирующие поведение человеческих. Там в качестве основы использовались материалы с изменяющимся фазовым состоянием. Также учеными из Ратгерского университета были проведены успешные операции по трансплантации нейронных сетей.