Грант Российского научного фонда памяти академика Евгения Велихова учрежден и впервые вручен в 2025 г. по решению Президента России. Цель – поддержка проектов, направленных на достижение технологического лидерства и создание высокотехнологичной продукции, конкурентоспособной на мировом уровне.
Один из проектов, поддержанных грантом, является разработка нейроморфных электронных устройств, который реализует НИЦ «Курчатовский институт». Квалифицированный заказчик – Лаборатория Касперского.
О проекте рассказывает Вячеслав Демин, первый заместитель руководителя по научной работе Курчатовского комплекса НБИКС-природоподобных технологий.
— Ваш проект посвящен разработке нейроморфных устройств обработки информации. Расскажите, в чем они будут превосходить обычные компьютеры и за счет чего?
— Нейроморфные вычислительные системы отличаются от традиционных в нескольких аспектах. В первую очередь, в традиционных вычислителях модули памяти и модули вычислений разделены физически: они представляют собой разные кристаллы (чипы), которые обмениваются информацией на очень высоких частотах (такая архитектура называется архитектурой фон Неймана). Из-за этого выделяется огромное количество тепла, которое никак не используется. Фактически современный процессор — это нагревательный прибор, потому что до 95% его энергии уходит в тепло. В мозге же информация обрабатывается там же, где и хранится, благодаря чему эффективность процессов повышается.
Хранится она, как сегодня признано нейрофизиологами, в наборе синаптических контактов между нейронами. Нейроны связаны друг с другом этими контактами, и через них информация переходит от одной нервной клетки к другой. При этом на каждом нейроне в месте контакта с соседней клеткой есть белки, которые способствуют передаче сигналов. И чем больше таких белков, тем больше синаптическая проницаемость данного контакта — то есть эффективность передачи информации. Именно это свойство ученые пытаются воспроизвести в биоподобных компонентах нейроморфных вычислительных систем — в искусственных аналогах синапсов, которые называются мемристорами. При этом с некоторой точки зрения мемристоры эффективнее живых систем: для поддержания белков в синапсах нужно тратить энергию, даже когда они не проводят сигнал, а мемристоры потребляют энергию только в момент переключения из одного состояния проводимости (например, непроводящего) в другое (проводящее).
Такие устройства, имитирующие синаптические контакты между нейронами, называют цифро-аналоговыми нейроморфными системами, поскольку сами мемристоры — аналоговые элементы, то есть могут принимать фактически любое состояние электрической проводимости из некоторого непрерывного диапазона. Но есть так называемые полностью цифровые нейроморфные системы, в которых вычисление происходит не непосредственно в памяти (такой как мемристорная), а рядом с ней. Это значит, что традиционная цифровая память и вычислительные модули расположены хоть и на одном кристалле, но не совмещены полностью, как в случае мемристоров. Соответственно, энергопотребление на передачу данных между местом их хранения и вычислительными регистрами, хоть и не исключено полностью, но сильно снижено. Поэтому энергоэффективность таких систем, хотя и теоретически ниже цифро-аналоговых нейроморфных процессоров, может быть на порядки выше по сравнению с традиционными устройствами.
В рамках проекта, поддержанного грантом РНФ памяти Евгения Велихова, мы разрабатываем как цифровые, так и цифро-аналоговые процессоры, а также нейроморфные сенсоры, но это отдельное направление.
Важно упомянуть еще одно преимущество нейроморфных систем — минимальную задержку вычислений. Подобные процессоры очень хорошо подходят для вычислений в режиме реального времени, например, в робототехнике и беспилотном транспорте. В таких устройствах требуется высокая производительность, то есть обработка информации в реальном времени и низкое энергопотребление. Нейроморфные процессоры позволяют это обеспечить, поскольку они потребляют всего ватты энергии. Для сравнения, мобильные графические процессоры, которые используют для бортовых применений, потребляют от десятков ватт и выше. Серверные графические видеокарты, на которых запускаются большие языковые модели, требуют сотен ватт и даже киловатт мощности на каждую такую видеокарту.
— Какая компонентная база нужна для создания таких процессоров?
— Цифровые нейроморфные системы вообще не требуют никакой новой компонентной базы, в их основе лежат широко используемые соединения кремния. Важно разработать только правильный дизайн такого процессора. Кроме того, нужно развивать алгоритмическую базу (специальные нейросетевые алгоритмы), чтобы добиться максимально эффективного кодирования и обработки информации в нейроморфном процессоре с учетом его аппаратных возможностей и ограничений. Этому посвящено первое направление исследований нашего проекта.
Мы рассчитываем получить полнофункциональные прототипы таких процессоров уже в течение ближайших 2–3 лет. Нужно сказать, что подобные прототипы существуют, но пока это просто аппаратная платформа, без зрелых алгоритмических и программных решений.
— Что насчет цифро-аналоговых вычислительных устройств на базе мемристоров?
— Мемристоры требуют разработки новых материалов. Это в основном перспективные материалы с эффектами резистивного переключения. Они представляют собой тонкие (толщиной в несколько десятков нанометров) диэлектрические, то есть не проводящие ток, пленки. Такие пленки формируют из нескольких оксидов и других материалов, которые выполняют в составе общей мемристорной структуры разные задачи.
Один из них служит слоем, в котором происходит само резистивное переключение. Это процесс, когда в диэлектрике под действием подаваемого импульса напряжения возникает фаза проводящего электрический ток материала: в нем прорастает так называемый филамент — "проводящая дорожка" между верхним и нижним электродами, — который замыкает структуру и переводит ее в проводящее состояние. Когда полярность напряжения меняют, эти "проводящие мостики" разрушаются, переводя мемристор в исходное диэлектрическое (непроводящее) состояние.
Другие оксиды в составе пленки нужны для поддержания достаточно высокой температуры при резистивном переключении, потому что "проводящие мостики" растут только при определенном нагреве, когда атомы материала обладают достаточно высокой подвижностью. Кроме того, есть буферные слои, которые содержат в себе большое число вакансий кислорода или азота (отсутствие соответствующего иона в узле кристаллической решетки), непосредственно из которых формируются сами филаменты. Также могут присутствовать стабилизирующие слои, обеспечивающие длительное хранение записанного в мемристоре состояния. Общая мемристорная структура сегодня — это сложный стек тонкопленочных материалов, в совокупности обладающий целевыми характеристиками. Поиск оптимальной комбинации материалов для мемристора, в том числе его совмещение с управляющими транзисторными слоями на базе кремния, — актуальная задача в микроэлектронике во всем мире. Это направление определяет содержание исследований второго блока работ проекта.
На сегодняшний день существуют уже сотни разных перспективных материалов для мемристоров. Более того, ячейки памяти на основе мемристоров даже коммерчески доступны. Но пока это бинарная память: в каждой такой ячейке хранится всего один бит информации, тогда как для практических нейроморфных применений требуется несколько бит в одной ячейке — от двух и выше. Наша команда уже доказала, что возможно создать мемристорные ячейки с хранением до 8 бит информации.
— В числе направлений работы по проекту вы упомянули нейроморфные сенсоры. Что представляют собой эти устройства?
— Любая обработка данных (звуковой, визуальной и других модальностей) начинается с их регистрации, которая происходит как раз в сенсорах, или детекторах. И в них уже производится часть вычислений. А поскольку сенсоры сами по себе относительно большие (порядка нескольких квадратных миллиметров), эту площадь важно эффективно задействовать. Этим обусловлена актуальность данного направления исследований. Так, если осуществить предварительную обработку информации в детекторе, то ее можно будет передать в нейроморфный процессор уже в сжатом виде, с выделенными особенностями, важными для последующей обработки. Это значит, что процессору придется выполнить меньшее количество вычислений, и как следствие, энергопотребление системы дополнительно снизится, а ее производительность возрастет.
В рамках проекта мы планируем создать макетные элементы устройств-детекторов для предварительной обработки информации, представленной в оптическом виде. Эти элементы будут имитировать некоторые свойства сетчатки глаза млекопитающих.
— Какие возможности для исследований открывает поддержка РНФ, осуществляемая в рамках гранта памяти Евгения Велихова?
— Она открывает очень широкие возможности и позволяет проводить исследования, которые невозможно реализовать в рамках ни одного другого менее крупного научно-исследовательского проекта, поддержанного РНФ. Грант памяти Евгения Велихова создает один из инструментов поддержки технологий для их перехода через так называемую "долину смерти". Чтобы перейти от научно-исследовательских разработок на уровень опытно-конструкторских работ, часто необходимо объединить усилия сразу нескольких коллективов — и конкурс позволяет это сделать.
— Какую роль в исследованиях, проводимых в рамках гранта, играет ваш индустриальный партнер?
— В качестве индустриального партнера, или квалифицированного заказчика, у нас выступает Лаборатория Касперского. Квалифицированный заказчик участвует в прямом денежном софинансировании проекта в размере 10% от гранта и является главным интересантом в практических результатах проекта. Он играет роль "направляющего" в наших исследованиях. Если мы уходим в слишком глубокие научные изыскания, квалифицированный заказчик нас поправляет и выводит к получению прикладных разработок, более близких к внедрению. Именно благодаря усилиям сразу нескольких команд, в числе которых немаловажную роль играет квалифицированный заказчик, мы надеемся получить значимые результаты в сфере нейроморфных технологий.
— Каких результатов вы планируете достичь по завершении проекта?
— Мы ставим перед собой задачу продемонстрировать принципиальную возможность нейроморфных вычислений и создания прототипов соответствующих устройств. Как только мы это покажем, станет понятно, какой именно путь развития технологии является более перспективным, а какой — пока нереализуемым или требующим дополнительной проработки.
Очень важно, что мы развиваем три направления одновременно. Они отражают три взаимосвязанные поколения устройств. Первое поколение — это цифровые. Второе — цифро-аналоговые (на основе мемристоров). Третье — устройства с дополнительной предобработкой в нейроморфных сенсорах. То есть мы обеспечиваем преемственность этих технологий и, развивая их все, диверсифицируем риски. Если по какому-то из направлений мы окажемся неконкурентоспособными с другими решениями в данной динамично развивающейся области, то сможем с большей эффективностью и скоростью переключиться на следующее поколение нейроморфных устройств.