Материалы портала «Научная Россия»

Опережая время

Согласно закону Мура, мощность компьютеров удваивается каждые 18 месяцев. О новейших разработках в этой области и участии в них российской науки мы побеседовали с заместителем директора по научной работе Курчатовского НБИКС-центра Вячеславом Деминым и зав

Согласно закону Мура, мощность компьютеров удваивается каждые 18 месяцев. Многие специалисты полагают, что рано или поздно это развитие упрется в некий предел быстродействия, который будет определяться массой и инертностью самих электронов. Насколько эти опасения оправданны, разберутся специалисты. К счастью, технологии не стоят на месте. Как известно, научные прорывы обычно случаются на стыке наук, и гибридные системы с искусственным интеллектом если не завтра, то послезавтра готовы прийти на смену привычному «железу», не дожидаясь его естественной смерти. О новейших разработках в этой области и участии в них российской науки мы побеседовали с заместителем директора по научной работе Курчатовского НБИКС-центра Вячеславом Александровичем Деминым и заведующим лабораторией нейроинтеллекта и нейроморфных систем НИЦ «Курчатовский институт» Михаилом Сергеевичем Бурцевым. 

Вячеслав Александрович Демин — заместитель директора по научной работе Курчатовского НБИКС-центра.
* Родился в Сарове. В 2007 г. окончил физический факультет МГУ им. М.В. Ломоносова. В 2008 г. получил степень кандидата физико-математических наук.
* Сфера научных интересов: искусственный интеллект, адаптивные нейроморфные сети на мемристорах, транспорт наночастиц в живых организмах, физика низкоразмерных структур.
* Автор более 15 научных публикаций.
Михаил Сергеевич Бурцев — заведующий лабораторией нейроинтеллекта и нейроморфных систем Курчатовского НБИКС-центра. Специалист по эволюционной кбернетике.
* Родился в Ульяновске. В 2000 г. окончил Московский энергетический институт со степенью магистра по специальности техники и технологии. В 2005 г. получил степень кандидата физико-математических наук.
* Сфера научных интересов: искусственная жизнь, моделирование эволюционных процессов, эволюция кооперации, рост сложности в природе, проблема адаптивности обучения, селекционные теории обучения, эпистемология и методология науки.
* Автор более 50 научных публикаций.

Вдохновение и разочарование

– Разработка теории методов искусственного интеллекта продолжается уже не первое десятилетие. Какие на данный момент достигнуты успехи в этой области?

В.А. Демин: Одним из первых, кто задумался о создании помощника для человека в выводе заключений, был российский ученый Семен Николаевич Корсаков. В 1832 г. он построил механическое устройство, которое помогало делать экспертные заключения в той или иной области человеческой деятельности. Например, по ряду признаков заболевания можно было ставить диагноз. Конечно, это было достаточно примитивное устройство. Он первый ввел в употребление и перфокарты. Но тогда, в первой четверти XIX в., на это изобретение смотрели больше как на игрушку.

– Он опередил свое время.

В.А. Демин: Причем намного. Серьезно об искусственном интеллекте ученые стали задумываться только в середине ХХ в. В первую очередь здесь потрудились такие замечательные математики, как Алан Тьюринг и Джон фон Нейман, которые формализовали понятия вычислений и вычислительной машины, разработали теорию алгоритмов. Тогда возникла теория клеточных автоматов. Более того, Джон фон Нейман стал первым задумываться о промышленном создании компьютерных сетей, компьютерных машин. И, как мы знаем, первый реализовал архитектуру, которой все мы сейчас пользуемся: процессор и память у нас разделены, процессор постоянно обращается к памяти, причем за один такт может быть только одно обращение, поэтому данный процесс последователен.

В это же время, в середине ХХ в., стали развиваться искусственные нейронные сети. Часть людей пошли по сформулированному Джоном фон Нейманом пути архитектуры компьютеров, которую мы имеем сейчас. А часть стала задумываться: зачем такое разделение? Надо попробовать смоделировать работу мозга, где информация обрабатывается и хранится в одних и тех же структурах – в нейронах.

Первые нейронные сети возникли благодаря усилиям математиков-информатиков Уоренна Маккаллока и Уолтера Питтса. Дальше Фрэнк Розенблатт сформулировал понятие перцептрона. Маккаллок и Питтс ввели понятие формального нейрона, т.е. именно математическое развитие данной области послужило стимулом уже к ее программному развитию. Далее стали задумываться и об аппаратном уровне, но тогда, в середине ХХ в., не было подходящих технологий.

Таким образом, эти две ветви стали бурно развиваться. И стало понятно, что моделировать нейронные сети можно на классических компьютерах. Начали предпринимать первые попытки. Был построен компьютер «Марк I» на основе нейронной сети, но он работал крайне медленно из-за последовательного алгоритма обработки данных: процессор обращается к памяти, получает оттуда данные, потом обращается за инструкциями, получает их и обрабатывает эти данные. Этот процесс повторяется последовательно.

М.С. Бурцев: Тогда же появился и сам термин «искусственный интеллект», потому что изначально это все называлось кибернетикой, математикой, нейрофизиологией – не было четкого названия. И все были этим очень вдохновлены. Фактически все выглядело так, как будто очень скоро мы достигнем фантастических результатов. Все говорили: «Через десять лет у нас будет робот, который думает как среднестатистический человек».

В 1969 г. американский ученый Марвин Минский, один из основных исследователей в области искусственного интеллекта, написал диссертацию по искусственным нейронным сетям, а потом они вместе с Сеймуром Папертом опубликовали книгу «Перцептроны», в которой показали, что эти нейронные сети плохо работают. Возник некий кризис. Интерес к данной области стал резко спадать, и примерно на 15 лет нейронные сети были едва ли не забыты, а внимание было в основном переключено на развитие неймановских компьютерных технологий. Это привело к тому, что именно на них стали выделять деньги. Я думаю, что это было одним из факторов, приведших к тому, что исследования по искусственным нейронным сетям были задвинуты. Люди, в частности Минский, которые переключились на символьный искусственный интеллект и моделирование рассуждений, были более харизматичными, и они сумели лучше продвинуть свои проекты. Грубо говоря, они захватили все финансирование, все журналы. Все считали, что это гораздо перспективнее. Прошло десять лет, и то, что они наобещали, не свершилось, как мы знаем. Нет таких роботов, которые бы обладали интеллектом среднестатистического человека, а они прогнозировали, что это случится к концу 1960-х – началу 1970-х гг.

 Новые надежды

В.А. Демин: Выход из кризиса именно нейронных сетей - такой вклад внес российский ученый Александр Иванович Галушкин. Он до сих пор сотрудничает с нами в этом направлении. Тогда он одним из первых опубликовал метод обратного распространения ошибки в нейронных сетях. Это эффективный метод обучения – изменение связей в нейронных сетях.

Существуют так называемые рекурсивные нейронные сети – нейронные сети с обратными связями, в которых сигнал может не только поступать на следующий слой нейронов, но еще и возвращаться, коррелировать состояние предыдущего слоя нейронов. Было показано, что эти сети могут решать так называемые линейно не сепарабельные задачи. Нейронные сети получили импульс дальнейшего развития, и примерно с 1980-х гг. и до сих пор искусственные нейронные сети испытывают бурный рост. Более того, как мы знаем, в 2000-х гг. подключились еще и технологии. Это и нанотехнологии, и совершенные биотехнологии, которые позволили изучать структуру мозга, ее функциональную активность во всех подробностях и деталях, и нейрокогнитивные технологии, которые изучают функциональную активность мозга уже на макроскопическом уровне. Подобные методы стали доступны исследовательским лабораториям в 2000-х гг., что как раз и определило их бурное развитие.

Изучение мозга, с одной стороны, необходимо для создания препаратов для лечения нейродегенеративных заболеваний – таких как болезни Альцгеймера, Паркинсона и т.д. С другой стороны, оно дает возможность смоделировать работу мозга на уровне отдельных нейронов и их сетей и переложить эти знания уже на искусственные системы. Это, собственно, и предопределило развитие работ над искусственным интеллектом в наше время.

М.С. Бурцев: Мы сейчас видим, что с точки зрения международной науки все проекты, связанные с мозгом, выходят на первый план. В Америке объявлена новая программа, которая придет на смену программе «Геном человека». В Европе грантовую программу, ранее называвшуюся «Европейский фреймворк», переименовали в «Горизонт-2020». Внутри этой программы выделяются два флагманских проекта, в которые планируется вкладывать по $1 млрд в течение десяти лет. Первый из них по графену, а второй, связанный с исследованием и моделированием на суперкомпьютере мозга человека, называется Human Brain Project. Руководит им Генри Маркрам. Это фактически развитие его идей, которые он сначала закладывал в рамках проекта Blue Brain. Американский проект больше направлен именно на исследование мозга и на технологии.

– Какие у каждого из проектов преимущества и недостатки?

М.С. Бурцев: Минус американского подхода в том, что они не задают конечной цели – интеграции информации: «Мы хотим просто узнать, как устроен мозг, данные получим – разберемся». У Маркрама другой подход: «С одной стороны, мы тоже хотим все узнать. Но, с другой стороны, мы работаем над созданием компьютерной модели мозга – это будет не просто модель, а база данных, в которой будут храниться все наши знания о том, как мозг работает. В конце концов такая модель начнет чуть ли не мыслить, и, используя ее, мы перенесем какие-то принципы на роботов». Например, мы сможем тестировать лекарства на модели, а не на реальных людях. За счет этого все можно делать гораздо быстрее. Проблема здесь в том, что в первом случае отсутствует конечная цель, а во втором очевидно, что после того, как мы соберем весь мозг из нейронов, наших сегодняшних знаний не хватит, чтобы он заработал. Мы не будем знать, в каком месте у нас проблема. Наш подход таков: оба варианта замечательные, но, во-первых, очень трудозатратные, во-вторых, не понятно, сколько времени надо на их реализацию. Самое главное, что они подразумевают некий качественный скачок на каком-то этапе. Мы многое знаем о том, как изменяются связи между нейронами, но как учится целый организм, для нас до сих пор остается тайной.

 Инфраструктура для искусственного мозга

– Какая работа в этом направлении ведется непосредственно в Курчатовском институте?

В.А. Демин: В Курчатовском институте как раз создана вся инфраструктура как на макроскопическом, так и на микроскопическом уровне исследований. На макроскопическом – это МРТ, ФМРТ, ПЭТ-томография, электроэнцефалография. Сейчас появляется очень много различных ее подвидов. Здесь, в НБИКС-центре, эти исследовательские методы тоже развиваются.

Микроскопические исследования возглавляет Константин Владимирович Анохин. Ведется исследование мозга на уровне работы отдельных нейронов и их популяций – с помощью флуоресцентной и других типов оптической микроскопии. Это как неинвазивные методы, когда вы только вырезаете окошко в мозге лабораторного животного и наблюдаете через лазерный микроскоп за активностью отдельных нейронов, так и инвазивные методы современной оптогенетики, когда вы вживляете в мозг оптоволокно, заточенное настолько остро, что оно может иметь размер вплоть до отдельного нейрона, и регистрируете активность одного или нескольких отдельных нейронов.

– Вы работаете еще и с культурами живых нейронов, изучаете механизмы их действия…

М.С. Бурцев: В нашей лаборатории мы сочетаем экспериментальные и теоретические подходы. Цель работы нашего отдела ‑ как раз разработка таких систем, которые были бы похожи на живые. Что бы мы хотели в идеале? Так как мы сегодня уже понимаем, что наше поведение управляется распределенными сетями миллионов нейронов, мы бы хотели видеть все эти нейроны, как они детерминируют конкретное поведение. Но увидеть это очень сложно, потому что мозг имеет трехмерную структуру. Локализовать каждый нейрон? Мы, в принципе, это можем, но животное при этом уже себя никак вести не будет, поскольку мозг либо заморожен, либо специально обработан. Мы можем увидеть каждую клетку и связи между ними с помощью каких-то методов. Но мы ведь исследуем не просто мозг сам по себе, а то, как он порождает поведение. Если мы себе представим такой идеальный метод, то мы бы хотели видеть, как животное обучается, как проявляет свои интеллектуальные способности и какие изменения происходят в сетях нейронов его мозга.

Как увидеть нейронную сеть? Мы можем извлечь из мозга живые клетки, высадить их в пробирку. Если это сделать, они начинают расти, восстанавливать связи, пытаться образовать какую-то нейронную сеть, которая проявляет спонтанную активность. Они не просто там живут, а начинают друг с другом взаимодействовать, потому что клетки не знают, что их вынули из мозга. Они продолжают делать то, что в них заложено генетической программой. Более того, они слипаются в группы и плавают в питательном растворе в виде шаров, называемых нейросферами. Их не очень удобно исследовать. Во-первых, они плавают туда-сюда, во-вторых, они трехмерные. Но если мы покроем дно чашки специальным составом, то клетки прилипают к нему: они могут «ползать», но не могут оторваться и образовать нейросферы. Тогда, поместив эту чашку под микроскоп, мы сможем увидеть всю сеть. В ней обычно десятки или сотни тысяч клеток. Мы можем встроить в них микроэлектроды и зарегистрировать электрическую активность.

– Но ведь если обычно клетки собираются в нейросферу, то на дне чашки образуется «нейроплоскость». И там будет всего лишь взаимодействие в рамках какой-то смоделированной системы. Насколько то, что мы увидим, будет отражать действительность?

М.С. Бурцев: Мы не знаем точно, будут ли они воспроизводить то, что они делают в мозге. Насколько это относится к реальной деятельности мозга? И как это связано именно с обучением? Как мы поймем, что что-то делается интеллектуально? Как я говорил, в идеальной модели мы должны видеть и весь мозг, и поведение. Здесь же получается, что мы видим весь «мозг», но поведения нет никакого. Можем ли мы этой культуре придать какое-то поведение? Мы как раз и занимаемся тем, что пытаемся добавить в эту экспериментальную биологическую модель в пробирке поведение, стараясь соединить культуру сетей с внешней средой – реальной или виртуальной – при помощи какого-то «тела». В нашем случае это робот. У него есть сенсоры, которые позволяют ему чувствовать окружающий мир. Сигналы от сенсоров мы при помощи электродов транслируем в культуру, даем ей «увидеть» то, что видит робот. И в обратную сторону, потому что активность культуры нейронов мы кодируем для робота, т.е. она может им управлять. Так у нас получается робот, который управляется культурой клеток. Это направление называется по-разному: нейроанимат или нейрогибридная система.

– И у вас уже есть действующая модель такого нейроанимата?

М.С. Бурцев: У нас есть культура с нейронами, с которой мы можем записывать сигналы и можем активировать клетки, т.е. можем взаимодействовать. И есть робот. Но чтобы у нас была готовая система, нужно соединить одно с другим. Эта часть, которая соединяет, у нас пока еще не готова.

В.А. Демин: Есть интересный промежуточный результат. Когда на культуру нейронов высаживают стволовые клетки, они начинают расти, объединяться связями посредством синапсов. Когда уже через месяц эта сеть вырастает, она начинает проявлять собственную активность. Возникает синхронная работа отдельных нейроонов, синхронное возбуждение – так называемая пачечная активность. Через определенные промежутки времени – такты – одновременно появляются электрические сигналы от этих клеток, т.е. сеть начинает жить собственной жизнью. Это говорит о том, что она действительно как-то самоорганизуется. Но в этом еще предстоит разбираться.

 От электронов к нейронам

– Каковы основные преимущества нейронных сетей перед традиционной компьютерной архитектурой?

В.А. Демин: Первое: обработка, запись и хранение информации производятся в одном месте, в одних и тех же структурах – в нейронах. Второе: это позволяет нам производить масштабные параллельные вычисления. В классической архитектуре процессор должен постоянно обращаться к памяти, а здесь мы можем одновременно и брать, и вычислять – поскольку это происходит в одном и том же месте, все можно производить параллельно. Третье: способность к обучению. Когда вы предъявляете некую обучающую выборку нейронной системе, она обучается. Формируются веса связи между нейронами, и за счет изменений этих весов формируется некая память. Затем предъявляется уже тест, который не присутствовал в обучающей выборке, – система должна как-то отреагировать на этот входной сигнал.

– Как происходит процесс обучения?

В.А. Демин: Обучение на выборке еще называется обучением с учителем, потому что учитель должен предъявить тестовую выборку, на которой обучается сеть. Классические задачи, которые сейчас уже решаются во многих компьютерных системах, – распознавания образов, например букв. У каждого человека свой стиль написания, наклон буквы, замкнутость… Нужно распознать, что это одни и те же буквы. Когда я предъявляю, допустим, тысячу вариантов написания буквы «А», то уже с большой вероятностью тысячу первый эта сеть распознает как букву «А». Такие простые искусственные нейронные сети прекрасно подходят для конкретных специфических задач, причем самых различных – и зрительных, и звуковых, и т.д.

– Означает ли это, что удалось найти аналог синапсу, благодаря которому, собственно, и происходит обучение?

В.А. Демин: Да, в последние годы наметился такой подход: это аппаратная реализация синапсов на основе, например, мемристоров. Мемристоры – это резисторы с памятью, memory resistor. Здесь принцип очень простой. Это двухполюсник, который под действием напряжения, обычно выше некоего порога, может менять свое сопротивление. Ключевая характеристика такого элемента - наличие петли гистерезиса на вольтамперные характеристики. Это говорит о том, что мемристор может помнить свои предыдущие состояния: был ли он в проводящем или непроводящем состоянии.

Я покажу, как это происходит на переключении такого мемристора из одного проводящего состояния в другое на примере диоксида титана. У нас есть такая гетероструктура – TiO2 и следующий слой TiO2, т.е. TiO2, легированный вакансиями кислорода. Эти вакансии кислорода в диоксиде титана заряжены положительно, и под действием напряжения не только наблюдается электронная проводимость в данной слоистой структуре, но еще и ионная проводимость за счет перемещения этих вакансий. Они перемещаются, и таким образом структура переключается из проводящего в непроводящее состояние. Слой TiO2насыщается вакансиями, становится проводящим, что фактически замыкает этот образец. Если убирать напряжение, то структура, естественно, остается в том же физическом состоянии, в котором она была. Эта зависимость сопротивления от протекшего через него заряда – основное свойство мемристора. Вот реализация синапса в «железе».

– У нас такая работа тоже ведется?

В.А. Демин: Да. У нас ведутся работы с неорганическими материалами для мемристоров именно на диоксиде титана. Это соединение признается многими исследовательскими группами как один из наиболее перспективных материалов в неорганике. Hewlett-Packard сейчас пытается реализовать на них память, совмещенную с процессором. В свою очередь, мы планируем делать именно нейроморфные системы на этой основе, т.е. нейронные компьютеры. И для этого у нас тоже все есть: и литографическая зона, и сами мемристивные элементы, интеллектуальный и методический потенциал.

Кроме того, мы разрабатываем и органические мемристоры на основе полианилина – известного проводящего полимера. В отличие от неорганики на основе органических материалов можно создавать так называемые стохастические сети, т.е. примерно то, что наблюдается в нашем мозге. Здесь используется электрохимический метод переключения. В активном слое, в полианилине, протекает электрохимическая реакция, которая переводит его из окисленного состояния в восстановленное и обратно. Тем самым меняется проводимость. В окисленном состоянии полианилин проводящий, а в восстановленном – непроводящий. В органической сети каждый мемристор может быть соединен и с очень далеким от него элементом посредством какой-то проводящей дорожки в самой сети, реализуемой за счет органического полимера.

– Все это очень интересно. Но обывателя в гораздо большей степени интересуют бытовые вопросы, чем высокие материи. Что новая технология может предложить обычному человеку?

В.А. Демин: Прежде всего, она позволит нам развить те продукты, которые сейчас просто недоступны, в том числе и для бытовых нужд. Кроме того, она принесет кардинальные изменения в медицине, на бирже, в тяжелой промышленности, в устранении последствий каких-то аварий – когда нужен робот, способный сам разобраться на месте, каким образом ему ответить на то или иное воздействие. Конечно, огромный интерес представляют и бытовые приложения, например «умные» помощники для нас. Представьте, что будет устройство, с которым вы сможете говорить почти как с другом, который знает ваши предпочтения, знает, во сколько вы встаете, что любите на завтрак, какие фильмы или стихи предпочитаете.

– Немного пугает такая перспектива.

В.А. Демин: Пугает. Но я думаю, что мир пойдет по этому пути. Не за горами появление нейроморфного компьютера в железе. Конечно, здесь надо еще продемонстрировать его успешность, стабильность и т.д. Как только это будет сделано, то мне кажется, потребуется лет 10-15, чтобы развить это в инженерную технологию.

М.С. Бурцев: Обычно искусственный интеллект робота рассматривается с точки зрения конечного продукта как некоего помощника человека, который может что-то делать быстрее или же может заменить человека в делах, кажущихся неинтересными, сложными, опасными, освободить нас от каких-то рутинных вещей. Однако есть другая неочевидная часть, которая вполне очевидна людям, занимающимся этим. Она связана с тем, что это фундаментальное направление исследований, итогом которых станет понимание сущности сознания, мозга и природы человека. Мы можем говорить, что мы знаем, как человек мыслит, думает и что-то делает. Но пока мы это не смогли воспроизвести в виде формальной системы, программы, наше знание неполно. Искусственный интеллект – это проверка всех наших теорий о том, что представляет собой человек на практике. Если мы знаем, как он работает, это значит, что мы можем это воспроизвести.

Подготовил Владимир Фридман



вячеслав александрович демин курчатовский институт михаил сергеевич бурцев

Назад

Социальные сети

Комментарии

  • Александр, 21 декабря 2014 г. 21:39:26

    "Цитата:" Мы можем говорить, что мы знаем, как человек мыслит, думает и что-то делает. Но пока мы это не смогли воспроизвести в виде формальной системы, программы, наше знание неполно. Искусственный интеллект – это проверка всех наших теорий о том, что представляет собой человек на практике. Если мы знаем, как он работает, это значит, что мы можем это воспроизвести."
    ---------------------------------------------------------------------
    Весьма хвастливое заявление. Если бы ученые хотя бы догадывались, как работает мозг, они бы постыдились делать такие прогнозы...
    Чтобы создать искусственный интеллект, нужно пройти примерно такой же путь, какой прошла природа.

Авторизуйтесь, чтобы оставить комментарий