Мозг и его «Я». Кто мы? Откуда мы? Куда мы идем? - Татьяна Владимировна Черниговская

очень активно развивает это направление. Ею были выпущены варианты так называемых нейроморфных чипов, которые все время обновляются. И в ряде задач они работают эффективнее, чем существующие классические вычислительные устройства[310].

Важной задачей в нейроморфном проекте DARPA и IBM было также энергопотребление. IBM с самого начала ориентировалась на использование принципов устройства распределенных биологических сетей для того, чтобы снизить энергопотребление. При операциях нейроморфных процессоров оно уже в тысячу раз меньше, чем у классических процессоров[311].

МОДЕЛИРОВАНИЕ АРХИТЕКТУРЫ НЕРВНЫХ СЕТЕЙ МОЗГА

Следующее направление разработок IBM не менее показательное. Специалисты в Альмадене занялись исследованием того, как устроена топология связей в головном мозге у млекопитающих, в частности у приматов. Ими была составлена карта связей (коннектом) различных областей головного мозга макаки[312]. Они также редуцировали эти связи до «вычислительной сердцевины», через которую проходят основные операции мозга, что позволило увидеть, какие именно специализированные нервные структуры наиболее тесно связаны друг с другом.

Для такой сугубо технологической компании, как IBM, это был нетривиальный ход. Зачем им потребовались эти исследования? Почему недостаточно лишь распределенной памяти с мемристорными синапсами, на которых компания создает свои нейроморфные чипы? Ответ связан с необходимостью устранения двух других принципиальных различий между существующими сегодня компьютерами и мозгом.

Первое из них состоит в том, что мозг, в отличие от компьютера, оперирует с очень небольшой тактовой частотой – примерно в 500 Гц. Верхний лимит этой частоты задан минимальным биофизически возможным интервалом между двумя разрядами, которые способна сгенерировать нервная клетка. Однако при всей его медлительности мозг человека способен за доли секунды распознавать сложнейшие образы и организовывать точнейшие движения. Каким образом при столь низкой частоте операций то невероятное количество степеней свободы, которым обладает нервная система, за несколько тактов редуцируется до одного специфического интегрального состояния? Ясно, что мозг использует при этом кардинально иные принципы по сравнению с существующими сегодня вычислительными машинами. Современные компьютеры используют в своих вычислениях гигагерцевые частоты, однако количество шагов, которые они при этом должны сделать для решения задачи, огромно.

Специалисты IBM считают, что ответ на вопрос кроется в том, что нервная сеть мозга организована не как случайная сеть и не как регулярная решетка, лежащая в основе архитектуры нейроморфного мемристорного чипа, а построена по принципу сетей малого мира, где локальная организация в специализированных участках сочетается с избирательными дистантными связями с другими специализированными участками. Благодаря такой архитектуре информация из одного участка за очень небольшое количество переключений способна достичь любой другой точки всей огромной системы[313]. Поэтому даже при том, что нервная сеть оперирует с очень низкой частотой, она обладает способностью очень быстрого глобального доступа ко всей информации в системе. Чтобы воспроизвести эту способность в нейроморфных устройствах, помимо микроархитектуры, реализованной на принципах синаптической пластичности и мемристорах, нужна правильная макроархитектура – то есть организация по принципу сетей малого мира.

КОРТИКОМОРФНЫЕ АРХИТЕКТУРЫ

Второе направление разработок, которое нужно рассмотреть в связи с различием между мозгом и существующими компьютерами, – это кортикоморфные архитектуры. Еще одно ведомство США – Intelligence Advanced Research Projects Activity (IARPA) – некоторое время назад запустило проект Machine Intelligence from Cortical Networks (MICrONS)[314]. Эти идеи обсуждались и на упоминавшейся конференции по когнитивным вычислениям в IBM, где с докладом выступил Джефф Хоукинс, разрабатывающий модели кортикоморфных вычислений[315].

Идея кортикоморфных вычислений такова: кора больших полушарий мозга любого млекопитающего, будь то крыса или человек, построена изоморфно. Несмотря на различие общего количества нейронов, неокортекс любого млекопитающего состоит из одинаковой по своей архитектуре системы повторяющихся вертикально организованных модулей – колонок[316]. Каждая колонка, в свою очередь, состоит из набора микроколонок, содержащих около 110 выстроенных по вертикали нейронов. Эти колонки образуют стандартную архитектуру коры головного мозга, лишь немного варьирующую от одной ее области к другой. Микроколонки в 110 нейронов выявляются в коре и у крысы, и у кошки, и у человека. При увеличении размеров коры растет число колонок, то есть кора головного мозга человека располагает большим количеством таких функциональных модулей и, соответственно, большей специализацией, что позволяет ей решать больше специализированных задач[317].

Замысел кортикоморфных вычислений – создать машины, построенные на подобной самообучающейся архитектуре. Предполагается, что такие машины будут достигать человеческого уровня компетенции за счет операций, универсальных для коры любого млекопитающего. Для этого в проекте MICrONS изучают, сколько нейронов находится в одной корковой колонке, как они связаны, каковы их входы и выходы, и что делается внутри колонки с точки зрения логики переработки информации[318].

Далее, через методы обратной инженерии полученные знания предполагается перенести на создание искусственных вычислительных модулей. Их можно будет многократно дублировать, каждому назначая свою подзадачу (например, распознавание элемента паттерна), а все вместе они смогут выполнять сложнейшие операции, составляющие профиль кортикоморфного компьютера.

ОГРАНИЧЕНИЕ РАССМОТРЕННЫХ ПОДХОДОВ

Однако во всех перечисленных разработках так и не был решен критический вопрос: в какие именно клетки – в сети в целом или внутри отдельных корковых модулей – записывается, или, если говорить научным термином, аллоцируется новая когнитивная информация?[319]

Мы знаем, что в биологических нервных системах запоминаемая информация не распределяется равномерно по всем элементам и синапсам сети. Тогда в какие именно узлы откладывается память, приобретаемая системой при обучении? В частности, любой ли нейрон коры головного мозга способен сохранить новую информацию или лишь определенные типы клеток? Если это специфические типы, то какие именно: возбуждающие или тормозные, длинноаксонные проекционные нейроны, связывающие разные области мозга, или, наоборот, вставочные короткоаксонные? Какие операции такие клетки со свойством памяти выполняют в архитектуре кортикальной колонки? И какие нейроны других частей нервной системы обладают способностью к аллокации и хранению новой когнитивной информации?

Чтобы начать собирать ответы на эти вопросы, мы в нашей лаборатории разработали набор методов, позволяющих, с одной стороны, идентифицировать нейроны головного мозга животных, вовлекающиеся в запоминание новой информации, а с другой – используя различные молекулярные маркеры, – определять, к какому типу нервных клеток относятся данные нейроны. Описание деталей данного исследования выходит за рамки доклада, но вкратце эти методы открывают возможность находить клетки мозга, в том числе корковых модулей, в которые при обучении попадает и оседает новая информация. При этом можно устанавливать, где именно в топографической схеме корковой колонки они расположены, есть ли специфика их распределения по слоям коры и какова их функциональная роль, – то есть начинать выстраивать принципиальную схему аллокации когнитивной информации в нейронные сети мозга.

II. От нейронных сетей к нейронным гиперсетям

Теперь я хочу перейти ко второму ключевому понятию в названии выступления – нейронным