Акустические «нейросинапсы» из Аризоны приблизили вычисления к принципам работы мозга без электрических токов

Нейроморфные вычисления — направление, в котором аппаратные системы пытаются воспроизводить принципы работы человеческого мозга. Ключевая идея состоит в объединении памяти и вычислений в одном физическом процессе, снижая энергозатраты по сравнению с классическими архитектурами, где данные постоянно перемещаются между процессором и памятью. Однако даже самые продвинутые нейроморфные чипы пока сильно уступают мозгу по числу связей и сложности обработки.

Работа, опубликованная в журнале Science Advances, предлагает альтернативу: вместо электронов использовать акустические волны. Учёные из Аризонского университета разработали устройство, получившее название топологический акустический синапс (topological acoustic synapse, TAS).

Вместо движения электрических зарядов по кремниевым проводникам информация передаётся через сеть микроскопических акустических каналов. Такие волны могут усиливаться или ослабляться в зависимости от структуры устройства, имитируя поведение биологических синапсов — соединений между нейронами, где сила сигнала динамически меняется. Информация кодируется во временных сдвигах и интерференции волн.

На тестовых задачах, включающих классификацию видов цветов и распознавание рукописных цифр, система показала высокую точность и более быстрое обучение по сравнению со стандартными нейросетевыми моделями. При этом устройство требовало меньше внутренних настроек и работало с существенно меньшим энергопотреблением.

В сравнении с современными электронными решениями — полевыми транзисторами (field-effect transistors, FET) и мемристорами (резистивными элементами с памятью о предыдущем состоянии) — акустический синапс продемонстрировал более низкие энергетические затраты при выполнении вычислительных операций.

Отдельно отмечается, что одна такая акустическая ячейка способна обрабатывать несколько потоков данных одновременно за счёт многомерного представления сигналов. Следующая цель — масштабирование технологии: объединение множества таких элементов в компактные структуры, приближённые по принципам работы к биологическим нейронным сетям, но ориентированные на сверхнизкое энергопотребление и высокую параллельность.

Если разработку удастся масштабировать, то она сможет стать основой для нового класса вычислительных систем, где сложные задачи ИИ будут выполняться с энергозатратами, ближе к биологическим системам, чем к современным GPU-архитектурам.