Новый тип нейросети на базе мемристоров может значительно улучшить эффективность обучения машин и привести к тому, что они научатся мыслить как люди.

Новый тип нейросети на базе мемристоров может значительно улучшить эффективность обучения машин и привести к тому, что они научатся мыслить как люди. Новая нейросеть типа «резервуарная компьютерная система» смогла предсказывать слова перед тем, как они были произнесены в диалоге. Таким образом, система на основании настоящих событий могла предсказывать будущие.

Резервуарные компьютерные системы, базирующиеся на обычных нейросетях, разрабатывались ранее с привлечением большего числа оптических компонентов. Исследователи из Мичиганского университета создала такую систему на основе мемристоров. Решение занимает гораздо меньше места и может быть легко интегрировано в существующие компоненты на базе полупроводников.

Мемристоры – это особые резистивные компоненты, способные одновременно выполнять логические функции и хранить данные. Это контрастирует с типичным подходом в вычислительных системах, когда процессор обрабатывает логику отдельно от хранения данных. В новейшем исследовании специалисты создали особый мемристор, запоминающий лишь недавние события.

Резервуарные компьютерные системы, построенные на мемристорах, могут не проходить специальный обучающий этап, поскольку критически важный компонент системы – резервуар – не требует обучения. Когда в него поступает набор данных, он идентифицирует временные соотношения в полученной информации и переводит её в более простом формате на вторичную сеть. Вторичная сеть требует некоторого обучения, как у простых нейросетей.

Концепт резервуарной компьютерной сети проверялся на распознавании рукописного текста – типичной для нейросети задачи, по которой можно оценить качество работы. Символы разбивались на ряды пикселей и «скармливались» системе в виде напряжения разного уровня на манер азбуки Морзе. Белые точки – около 0 В, чёрные точки – чуть более 1 В.

При использовании лишь 88 мемристоров в качестве узлов новая нейросеть смогла достичь точности 91 %. Для подобного показателя традиционной нейросети потребовались бы тысячи узлов. Исследователи полагают, что подобные системы в будущем могут применяться для распознавания речи и прогнозирования.