Мозги компьютера что это
Процессор – это электронный «мозг» компьютера, выполняющий программный код и руководящий работой всех устройств на компьютере. Процессор выполнен в виде одной монокристальной микросхемы – чипа, устанавливающийся на материнской плате. Сверху на нем пишется его марка, тактовая частота и изготовитель. Процессор за единицу времени выполняет огромное количество операций по обработке информации, поступающих в его память. Соответственно, чем выше скорость процессора, тем выше быстродействие всей системы.
Процессоры для персональных компьютеров подразделяются на несколько критериев:
Выбор процессора начинается с выбора производителя. Основными производителями процессоров считаются две компании: Intel и AMD. К выбору процессора надо подходить стратегически, т.к. процессоры и соответственно платформы взаимно не совместимы. То есть процессор одного семейства нельзя заменить процессором другого семейства одной и той же фирмы – придется менять всю платформу.
Архитектура процессора
Законы конкуренции привели к тому, что внимание разработчиков было направлено на поиск повышения производительности. Было найдено два новых направления:
расширение разрядности существующих 32-битных процессоров до 64 бит;интеграция в процессор двух и более ядер, которые занимаются непосредственно вычислениями.
Разрядность процессора – длина одновременно обрабатывающих данных (в битах).
Ядро процессора – совокупность арифметическо-логических устройств, блоков управления и кэш-памяти, выполненная в рамках единой микроархитектуры процессора.
Рабочая частота – частота переключения транзисторов в ядре процессора. Получается умножением тактовой частоты системной шины на коэффициент, заданный специальным блоком процессора.
Тактовая частота – опорная частота, генерируемая специальным устройством системной шины. Используется для синхронизации процессора и шины.
Современные процессоры имеют архитектуру «неймановского» типа:
арифметическо-логическое устройство;блок управления;блок памяти;устройство ввода-вывода.
Ядро процессора
Главным элементом процессора, выполняющим обработку данных является арифметическо-логическое устройство (АЛУ). Процессор имеет специальные ячейки памяти, которые называются регистры. В них хранятся и поступают данные с огромной скоростью. По мере обработки данные из регистра поступают и возвращаются.
Все современные микропроцессоры являются синхронными, то есть меняют состояние элементов в момент поступления тактовых импульсов. В каждом цикле есть сигнал, который переключает определенные триггеры. Например, в регистры данные загружаются лишь по фронту импульса, а считываются только по спаду. Именно поэтому АЛУ может в течение одного цикла и считать, и записать данные в регистр.
Блок управления, АЛУ и кэш-память образуют ядро процессора.
Системная шина
Как данные, так и команды для их обработки процессор получает из ячеек оперативной памяти по системной шине. В составе системной шины различают: шину данных, адресную шину, шину управления. По шине данных в регистры процессора копируются данные из ячеек памяти. По адресной шине процессор выбирает, начиная с какой именно ячейки он должен получить данные. По шине управления процессор получает из оперативной памяти команды для обработки данных.
Кэш-память
Внутри процессора все операции происходят в десятки раз быстрее, чем при обмене данными с оперативной памятью. Это означает, что чем реже процессор обращается к памяти за данными и командами, тем быстрее он способен работать. Чтобы сократить количество обращений, в процессор встраивают сравнительно небольшой блок сверхоперативной памяти, способной работать на частоте ядра. Этот блок памяти называют кэш-памятью.
При обращении к ячейкам оперативной памяти процессор получает не только те данные, которые требуются немедленно для загрузки в регистры, но и еще что-то «про запас». Этот запас записывается в кэш-память. Если запасенные данные потребуются в следующем цикле, процессор заберет их из кэш-памяти. Если же потребуются иные данные, процессор обратится к оперативной памяти, и содержимое кэша обновится. Как правило, современные процессоры имеют два блока внутренней кэш-памяти. Первый блок (кэш-память первого уровня, 11) обычно разделен на кэш данных и кэш инструкций. Второй блок (кэш-память второго уровня, 12) служит только для хранения данных. В некоторых моделях процессоров (например, Pentium 4 Extreme Edition) используется кэш-память третьего уровня.
Процессорный разъем
Для подключения кэш-памяти, блоков ввода-вывода, тактовых сигналов, питания процессору требуются сотни линий. Поэтому ядро и другие блоки процессора размещают в герметичном корпусе, оснащенном множеством контактных ножек или площадок. Корпус вставляют в процессорный разъем (Зоскет.) на системной плате, а уже от разъема шины идут к другим устройствам компьютера.
Процессорные разъемы принято маркировать по числу контактов, например Socked 775 или Socked 939. Процессоры одного семейства и одной архитектуры могут иметь разные корпуса и разные процессорные разъемы, несовместимые друг с другом. А вот обратная картина (один разъем для процессоров разной архитектуры) встречается очень редко.
Зачем процессорному разъему сотни контактов? В основном — для электропитания. Шина данных в процессоре Pentium 4 насчитывает 64-разряда и требует наличия 64 линий. Шина адреса занимает 36 линий. 124 линии отведено для служебных нужд, а 28 выводов зарезервировано. Все оставшиеся контакты используются для подачи питания. Так, в разъеме Socked 775 линий питания — 523.
Такое количество линий питания объясняется особенностями архитектуры процессоров. Современный процессор насчитывает свыше 150 миллионов транзисторов. Их надо обеспечить током: небольшим, в доли микроампера, но каждый из полутора сотен миллионов транзисторов. В итоге получается, что суммарный ток потребления процессора составляет десятки ампер. Например, максимальный потребляемый ток для процессора Pentium 4 с ядром Prescott равен 119 А. Для сравнения — максимально допустимый ток в бытовой электросети обычно не превышает 16 А.
Мозг как компьютер: плохо справляется с математикой, и хорошо – со всем остальным
Все мы помним со школы мучительные упражнения в арифметике. На то, чтобы перемножить числа вроде 3 752 и 6 901 при помощи карандаша и бумаги, уйдёт не меньше минуты. Конечно же, сегодня, когда под рукой у нас телефоны, мы быстро можем проверить, что результат нашего упражнения должен равняться 25 892 552. Процессоры современных телефонов могут выполнять более 100 млрд таких операций в секунду. Более того, эти чипы потребляют всего несколько ватт, что делает их гораздо эффективнее наших медленных мозгов, потребляющих 20 Вт и требующих гораздо большего времени на достижение того же результата.
Конечно же, мозг эволюционировал не для того, чтобы заниматься арифметикой. Поэтому у него это получается плохо. Но он прекрасно справляется с обработкой постоянного потока информации, идущего от нашего окружения. И он реагирует на неё – иногда быстрее, чем мы можем это осознать. И неважно, сколько энергии будет потреблять обычный компьютер – он с трудом будет справляться с тем, что легко даётся мозгу – например, с пониманием языка или с бегом по лестнице.
Если бы могли создать машины, вычислительные способности и энергетическая эффективность которых были бы сравнимы с мозгом, то всё поменялось бы кардинально. Роботы бы ловко двигались в физическом мире и общались бы с нами на естественном языке. Крупномасштабные системы собирали бы огромные объёмы информации по бизнесу, науке, медицине или управлению государством, обнаруживая новые закономерности, находя причинно-следственные связи и делая предсказания. Умные мобильные приложения типа Siri и Cortana могли бы меньше полагаться на облака. Такая технология могла бы позволить нам создать устройства с небольшим энергопотреблением, дополняющие наши чувства, обеспечивающие нас лекарствами и эмулирующие нервные сигналы, компенсируя повреждение органов или паралич.
Но не рано ли ставить себе такие смелые цели? Не слишком ограничено ли наше понимание мозга для того, чтобы мы могли создавать технологии, работающие на основе его принципов? Я считаю, что эмуляция даже простейших особенностей нервных контуров может резко улучшить работу множества коммерческих приложений. Насколько точно компьютеры должны копировать биологические детали строения мозга, чтобы приблизиться к его уровню быстродействия – это пока открытый вопрос. Но сегодняшние системы, вдохновлённые строением мозга, или нейроморфные, станут важными инструментами для поисков ответа на него.
Ключевая особенность обычных компьютеров – физическое разделение памяти, хранящей данные и инструкции, и логики, обрабатывающей эту информацию. В мозгу такого разделения нет. Вычисления и хранение данных происходят одновременно и локально, в обширной сети, состоящей из примерно 100 млрд нервных клеток (нейронов) и более 100 трлн связей (синапсов). По большей части мозг определяется этими связями и тем, как каждый из нейронов реагирует на входящий сигнал других нейронов.
Говоря об исключительных возможностях человеческого мозга, обычно мы имеем в виду недавнее приобретение долгого эволюционного процесса – неокортекс (новую кору). Этот тонкий и крайне складчатый слой формирует внешнюю оболочку мозга и выполняет очень разные задачи, включающие обработку поступающей от чувств информации, управление моторикой, работу с памятью и обучение. Такой широкий спектр возможностей доступен довольно однородной структуре: шесть горизонтальных слоёв и миллион вертикальных столбиков по 500 мкм шириной, состоящих из нейронов, интегрирующих и распределяющих информацию, закодированную в электрических импульсах, вдоль растущих из них усиков – дендритов и аксонов.
Как у всех клеток человеческого тела, у нейрона существует электрический потенциал порядка 70 мВ между внешней поверхностью и внутренностями. Это мембранное напряжение изменяется, когда нейрон получает сигнал от других связанных с ним нейронов. Если мембранное напряжение поднимается до критической величины, он формирует импульс, или скачок напряжения, длящийся несколько миллисекунд, величиной порядка 40 мВ. Этот импульс распространяется по аксону нейрона, пока не доходит до синапса – сложной биохимической структуры, соединяющей аксон одного нейрона с дендритом другого. Если импульс удовлетворяет определённым ограничениям, синапс преобразует его в другой импульс, идущий вниз по ветвящимся дендритам нейрона, получающего сигнал, и меняет его мембранное напряжение в положительную или отрицательную сторону.
Связность – критическая особенность мозга. Пирамидальный нейрон – особенно важный тип клеток человеческого неокортекса – содержит порядка 30 000 синапсов, то есть 30 000 входных каналов от других нейронов. И мозг постоянно приспосабливается. Нейрон и свойства синапса – и даже сама структура сети – постоянно изменяются, в основном под воздействием входных данных с органов чувств и обратной связи окружающей среды.
Современные компьютеры общего назначения цифровые, а не аналоговые; мозг классифицировать не так-то просто. Нейроны накапливают электрический заряд, как конденсаторы в электронных схемах. Это явно аналоговый процесс. Но мозг использует всплески в качестве единиц информации, а это в основе своей двоичная схема: в любое время в любом месте всплеск либо есть, либо его нет. В терминах электроники, мозг – система со смешанными сигналами, с локальными аналоговыми вычислениями и передачей информацией при помощи двоичных всплесков. Поскольку у всплеска есть только значения 0 или 1, он может пройти большое расстояние, не теряя этой основной информации. Он также воспроизводится, достигая следующего нейрона в сети.
Ещё одно ключевое отличие мозга и компьютера – мозг справляется с обработкой информации без центрального тактового генератора, синхронизирующего его работу. Хотя мы и наблюдаем синхронизирующие события – мозговые волны – они организуются сами, возникая как результат работы нейросетей. Что интересно, современные компьютерные системы начинают перенимать асинхронность, свойственную мозгу, чтобы ускорить вычисления, выполняя их параллельно. Но степень и цель параллелизации двух этих систем крайне различны.
У идеи использования мозга в качестве модели для вычислений глубокие корни. Первые попытки были основаны на простом пороговом нейроне, выдающем одно значение, если сумма взвешенных входящих данных превышает порог, и другое – если не превышает. Биологический реализм такого подхода, задуманного Уорреном Маккалохом и Уолтером Питтсом в 1940-х, весьма ограничен. Тем не менее, это был первый шаг к применению концепции срабатывающего нейрона в качестве элемента вычислений.
В 1957 году Фрэнк Розенблатт предложил другой вариант порогового нейрона, перцептрон. Сеть из взаимосвязанных узлов (искусственных нейронов) составляется слоями. Видимые слои на поверхности сети взаимодействуют с внешним миром в качестве входов и выходов, а скрытые слои, находящиеся внутри, выполняют все вычисления.
Розенблатт также предложил использовать основную особенность мозга: сдерживание. Вместо того, чтобы складывать все входы, нейроны в перцептроне могут вносить и отрицательный вклад. Эта особенность позволяет нейросетям использовать единственный скрытый слой для решения задач на XOR в логике, в которых выход равен истине, если только один из двух двоичных входов истинный. Этот простой пример показывает, что добавление биологического реализма может добавлять и новые вычислительные возможности. Но какие функции мозга необходимы для его работы, а какие – бесполезные следы эволюции? Никто не знает.
Нам известно, что впечатляющих вычислительных результатов можно добиться и без попыток создать биологический реализм. Исследователи глубинного обучения продвинулись очень далеко в деле использования компьютеров для анализа крупных объёмов данных и выделения определённых признаков из сложных изображений. Хотя созданные ими нейросети обладают большим количеством входов и скрытых слоёв, чем когда бы то ни было, они всё-таки основаны на крайне простых моделях нейронов. Их широкие возможности отражают не биологический реализм, а масштаб содержащихся в них сетей и мощность используемых для их тренировки компьютеров. Но сетям с глубинным обучением всё ещё очень далеко до вычислительных скоростей, энергетической эффективности и возможностей обучения биологического мозга.
Огромный разрыв между мозгом и современными компьютерами лучше всего подчёркивают крупномасштабные симуляции мозга. За последние годы было сделано несколько таких попыток, но все они были жёстко ограничены двумя факторами: энергией и временем симуляции. К примеру, рассмотрим симуляцию, проведённую Маркусом Дайсманом с его коллегами несколько лет назад при использовании 83 000 процессоров на суперкомпьютере К в Японии. Симуляция 1,73 млрд нейронов потребляла в 10 млрд раз больше энергии, чем эквивалентный участок мозга, хотя они и использовали чрезвычайно упрощённые модели и не проводили никакого обучения. И такие симуляции обычно работали более чем в 1000 раз медленнее реального времени биологического мозга.
Почему же они такие медленные? Симуляция мозга на обычных компьютерах требует вычисления миллиардов дифференциальных уравнений, связанных между собой, и описывающих динамику клеток и сетей: аналоговые процессы вроде перемещения заряда по клеточной мембране. Компьютеры, использующие булевскую логику – меняющую энергию на точность – и разделяющие память и вычисления, крайне неэффективно справляются с моделированием мозга.
Эти симуляции могут стать инструментом познания мозга, передавая полученные в лаборатории данные в симуляции, с которыми мы можем экспериментировать, а затем сравнивать результаты с наблюдениями. Но если мы надеемся идти в другом направлении и использовать уроки нейробиологии для создания новых вычислительных систем, нам необходимо переосмыслить то, как мы разрабатываем и создаём компьютеры.
Нейроны в кремнии.
Идея о создании компьютеров при помощи транзисторов, работающих как нейроны, появилась в 1980-х у профессора Карвера Мида из Калтеха. Одним из ключевых аргументов Мида в пользу «нейроморфных» компьютеров было то, что полупроводниковые устройства могут, работая в определённом режиме, следовать тем же физическим законам, что и нейроны, и что аналоговое поведение можно использовать для расчётов с большой энергоэффективностью.
Группа Мида также изобрела платформу для нейрокоммуникаций, в которой всплески кодируются только их адресами в сети и временем возникновения. Эта работа стала новаторской, поскольку она первой сделала время необходимой особенностью искусственных нейросетей. Время – ключевой фактор для мозга. Сигналам нужно время на распространение, мембранам – время на реакцию, и именно время определяет форму постсинаптических потенциалов.
Несколько активных сегодня исследовательских групп, например, группа Джиакомо Индивери из Швейцарской высшей технической школы и Квабены Боахен из Стэнфорда, пошли по стопам Мида и успешно внедрили элементы биологических корковых сетей. Фокус в том, чтобы работать с транзисторами при помощи тока низкого напряжения, не достигающего их порогового значения, создавая аналоговые схемы, копирующие поведение нервной системы, и при этом потребляющие немного энергии.
Дальнейшие исследования в этом направлении могут найти применение в таких системах, как интерфейс мозг-компьютер. Но между этими системами и реальным размером сети, связности и способностью к обучению животного мозга существует огромный разрыв.
Так что в районе 2005 году три группы исследователей независимо начали разрабатывать нейроморфные системы, существенно отличающиеся от изначального подхода Мида. Они хотели создать крупномасштабные системы с миллионами нейронов.
Ближе всех к обычным компьютерам стоит проект SpiNNaker, руководимый Стивом Фёрбером из Манчестерского университета. Эта группа разработала собственный цифровой чип, состоящий из 18 процессоров ARM, работающих на 200 МГц – примерно одна десятая часть скорости современных CPU. Хотя ядра ARM пришли из мира классических компьютеров, они симулируют всплески, отправляемые через особые маршрутизаторы, разработанные так, чтобы передавать информацию асинхронно – прямо как мозг. В текущей реализации, являющейся частью проекта Евросоюза «Человеческий мозг» [Human Brain Project], и завершённой в 2016 году, содержится 500 000 ядер ARM. В зависимости от сложности модели нейрона, каждое ядро способно симулировать до 1000 нейронов.
Чип TrueNorth, разработанный Дармендра Мода и его коллегами из Исследовательской лаборатории IBM в Альмадене, отказывается от использования микропроцессоров как вычислительных единиц, и представляет собой на самом деле нейроморфную систему, в которой переплелись вычисления и память. TrueNorth всё равно остаётся цифровой системой, но основана она на специально разработанных нейроконтурах, реализующих определённую модель нейрона. В чипе содержится 5,4 млрд транзисторов, он построен по 28-нм технологии Samsung КМОП (комплементарная структура металл-оксид-полупроводник). Транзисторы эмулируют 1 млн нейроконтуров и 256 млн простых (однобитных) синапсов на одном чипе.
Я бы сказал, что следующий проект, BrainScaleS, отошёл довольно далеко от обычных компьютеров и приблизился к биологическому мозгу. Над этим проектом работали мы с моими коллегами из Гейдельбергского университета для европейской инициативы «Человеческий мозг». BrainScaleS реализует обработку смешанных сигналов. Он комбинирует нейроны и синапсы, в роли которых выступают кремниевые транзисторы, работающие как аналоговые устройства с цифровым обменом информацией. Полноразмерная система состоит из 8-дюймовых кремниевых подложек и позволяет эмулировать 4 млн нейронов и 1 млрд синапсов.
Система может воспроизводить девять различных режимов срабатывания биологических нейронов, и разработана в тесном сотрудничестве с нейробиологами. В отличие от аналогового подхода Мида, BrainScaleS работает в ускоренном режиме, его эмуляция в 10 000 раз быстрее реального времени. Это особенно удобно для изучения процесса обучения и развития.
Обучение, скорее всего, станет критическим компонентом нейроморфных систем. Сейчас чипы, сделанные по образу мозга, а также нейросети, работающие на обычных компьютерах, тренируются на стороне при помощи более мощных компьютеров. Но если мы хотим использовать нейроморфные системы в реальных приложениях – допустим, в роботах, которые должны будут работать бок о бок с нами, они должны будут уметь учиться и адаптироваться на лету.
Во втором поколении нашей системы BrainScaleS мы реализовали возможность обучения, создав на чипе «обработчики гибкости». Они используются для изменения широкого спектра параметров нейронов и синапсов. Эта возможность позволяет нам точно подстраивать параметры для компенсации различий в размере и электрических свойствах при переходе от одного устройства к другому – примерно как сам мозг подстраивается под изменения.
Три описанных мной крупномасштабных системы дополняют друг друга. SpiNNaker можно гибко настраивать и использовать для проверки разных нейромоделей, у TrueNorth высока плотность интеграции, BrainScaleS разработана для постоянного обучения и развития. Поиски правильного способа оценки эффективности таких систем пока продолжаются. Но и ранние результаты многообещающие. Группа TrueNorth от IBM недавно подсчитала, что синаптическая передача в их системе отнимает 26 пДж. И хотя это в 1000 раз больше энергии, требующейся в биологической системе, зато это почти в 100 000 раз меньше энергии, уходящей на передачу в симуляции на компьютерах общего назначения.
Мы всё ещё находимся на ранней стадии понимания того, что могут делать такие системы и как их применять к решению реальных задач. Одновременно мы должны найти способы комбинировать множество нейроморфных чипов в крупные сети с улучшенными возможностями к обучению, при этом понижая энергопотребление. Одна из проблем – связность: мозг трёхмерный, а наши схемы – двумерные. Вопрос трёхмерной интеграции схем сейчас активно изучают, и такие технологии могут нам помочь.
Ещё одним подспорьем могут стать устройства, не основанные на КМОП – мемристоры или PCRAM (память с изменением фазового состояния). Сегодня веса, определяющие реакцию искусственных синапсов на входящие сигналы, хранятся в обычной цифровой памяти, отнимающей большую часть кремниевых ресурсов, необходимых для построения сети. Но другие виды памяти могут помочь нам уменьшить размеры этих ячеек с микрометровых до нанометровых. И основной трудностью современных систем будет поддержка различий между разными устройствами. Для этого смогут помочь принципы калибровки, разработанные в BrainScaleS.
Мы только начали свой путь по дороге к практичным и полезным нейроморфным системам. Но усилия стоят того. В случае успеха мы не только создадим мощные вычислительные системы; мы даже можем получить новую информацию о работе нашего собственного мозга.
Компьютер с архитектурой человеческого мозга
С момента появления первого микропроцессора в 1971 году тактовые частоты увеличились на три порядка. «Некоторые склонны рассматривать это как эволюцию в области компьютерных технологий, но ее направление явно расходится с эволюцией биологического мозга, — говорит Дхармендра Модха, директор по науке подразделения Cognitive Computing лаборатории IBM Research в Алмадене. — Тактовые частоты современных компьютеров выше, чем у мозга, в сто миллионов раз, но и удельный расход энергии (на логический элемент) у них в десять тысяч раз больше. При попытке же полномасштабного моделирования функционирования мозга со 100 трлн синапсами все выглядит еще печальнее: даже при использовании Sequoia, одного из самых производительных суперкомпьютеров мира, основанного на архитектуре IBM Blue Gene/Q, функционирование структуры можно воссоздать не в реальном времени, а на скорости в 1500 раз медленнее.
И это при том, что Sequoia состоит из 96 стоек, занимает площадь в 300 м 2 и имеет потребляемую мощность около 8 МВт. А чтобы «догнать» мозг, нужен гипотетический компьютер, потребляющий около 12 ГВт! Для сравнения: потребляемая мощность человеческого мозга составляет около 20 Вт. Столь большая разница объясняется двумя факторами: технологией и архитектурой. Человеческий мозг использует в качестве элементной базы органические нейроны, а микропроцессоры — неорганические кремниевые транзисторы. Но с этим пока ничего сделать невозможно, и мы решили сосредоточиться на втором факторе — архитектуре».
Ключевая разница
Все современные компьютеры построены по так называемой архитектуре фон Неймана, которая предусматривает наличие процессора и памяти, в которой хранятся данные и логические инструкции по их обработке — программы. Обмен данными между процессором и памятью осуществляется по специальному каналу, который является самым узким местом, ограничивающим производительность такой системы. Операции выполняются последовательно, дирижируют ими внутренние часы (тактовый генератор), и чем больше частота тактов, тем быстрее выполняется обработка данных. И тем выше энергопотребление процессора.
Биологический мозг устроен совершенно по-другому. Основная задача, для которой эволюция путем проб и ошибок создала эту сложную нервную структуру, — обработка большого количества сенсорных сигналов и выдача в ответ на эти сигналы сложных команд. Мозг состоит из множества нервных клеток (нейронов), образующих между собой межклеточные соединения — синапсы. Для такой структуры не существует разделения на «процессор» и «память», язык мозга — это импульсы возбуждения, передаваемые от одного нейрона к другим с помощью синапсов, а инструкции и данные кодируются динамической структурой связей. Такая обработка данных происходит параллельно, то есть не требует высоких тактовых частот внутренних часов, а это означает, что по энергоэффективности такая система не имеет себе равных, на много порядков превосходя самые лучшие изделия рук человеческих.
Синаптическая задача
В 2006 году в исследовательском подразделении IBM задумались над вопросом, нельзя ли построить компьютер, отступив от архитектуры фон Неймана и взяв за образец принципы построения биологического мозга. Это послужило толчком к появлению в 2008 году проекта с говорящим именем SyNAPSE, финансируемого агентством передовых оборонных разработок DARPA.
«Цель проекта, в работе над которым приняли участие множество исследовательских центров и ведущих университетов по всему миру, вполне отражена в его названии. SyNAPSE — это Systems of Neuromorphic Adaptive Plastic Scalable Electronics, нейроморфные адаптивные масштабируемые электронные системы, — объясняет «Популярной механике» Билл Риск, один из руководителей группы разработчиков подразделения IBM Research в Алмадене. — Если говорить более простыми словами, то это создание компьютера, основанного на совершенно новой архитектуре, позаимствованной у человеческого мозга. Ведь это удивительно эффективное устройство. Мозг способен одновременно получать большое количество сигналов — от зрительной системы, слуха, осязания, обоняния — и обрабатывать их. Причем зачастую очень неординарными способами. Вот, например, вы смотрите на изображение розы, но при этом вспоминаете ее запах и ощущение колючек на стебле, хотя ни от обоняния, ни от осязания сигналов в этот момент не поступает: в мозгу нет строгого разделения на поступающие данные, память, инструкции по обработке и команды; все это кодируется с помощью одних и тех же принципов — конфигурации нейронов и синапсов (структуры связей) и передачи нервных импульсов».
Кирпичики мозга
В мозгу мыши насчитывается 16 млн нейронов, образующих разветвленную сеть с помощью 128 млрд синапсов. Это не так уж и много: человеческий мозг образован сетью из 220 трлн синапсов, объединяющих 22 млрд нейронов. Но, несмотря на серьезное количественное различие на несколько порядков, принципы построения мозга и у человека, и у мыши сходны. На макроскопическом уровне можно выделить отдельные области мозга, отвечающие за выполнение тех или иных специализированных задач: зрительная кора, соматосенсорная, моторные области, ассоциативная кора и другие. При более глубоком рассмотрении оказывается, что мозг состоит из так называемых модулей (колонок кортекса), групп нейронов, которые можно рассматривать в качестве строительных блоков коры.
Именно этим и воспользовались разработчики IBM Research. В 2011 году удалось создать полупроводниковый «кирпичик», аналог колонки кортекса — нейросинаптическое ядро из 256 нейронов, объединенных 65 536 синапсами, тем самым продемонстрировав возможность реализации подобного нестандартного подхода «в железе». В состав такого ядра входит также память для хранения параметров конфигурации нейрона и синапсов и модуль коммуникации. А в августе 2014 года команда, работающая над проектом, представила созданный по 28-нм техпроцессу процессор TrueNorth, объединяющий 4096 таких ядер на одном чипе, то есть 1 млн нейронов и 256 млн синапсов. Как утверждает руководитель SyNAPSE Дхармендра Модха, этот процессор — настоящая революция: «Он имеет параллельную, распределенную, модульную, масштабируемую и гибкую архитектуру, объединяющую обработку сигналов, коммуникации и память на одном чипе. Работа TrueNorth управляется не высокочастотным тактовым генератором, а потоком событий («возбуждений» под действием «нервных импульсов»), в результате чего нам удалось добиться рекордных показателей энергоэффективности: при типичной работе процессор потребляет менее 100 мВт, в тысячу раз меньше обычного современного процессора».