Осцилляторная нейронная сеть – это сложное сплетение взаимодействующих между собой элементов (осцилляторов), которые способны принимать и передавать колебания определенной частоты. Получая сигналы различных частот от предшественников, искусственный нейрон-осциллятор может согласовывать свой ритм с этими колебаниями. В результате в сети часть элементов синхронизирована между собой (периодически и одновременно активируется), а часть нет. Таким образом, формируется пространственно-временная картина распределения синхронизации. Считается, что подобные процессы ответственны за обработку и передачу информации, происходящие в мозгу человека, и поэтому представляют особый интерес для изучения.
Перед учеными кафедры электроники и электроэнергетики ПетрГУ была поставлена актуальная цель по распознаванию образов на основе сетей из связанных осцилляторов, реализуемых на структурах из двуокиси ванадия. Физики разработали методику регистрации синхронизации, обладающую высокой чувствительностью и избирательностью. Применяя ее на практике, возможно создать сеть, способную распознавать образы подобно тому, как это делают биологические нейронные системы.
В этой работе в качестве входных образов использовали таблицы размерности 3×3, передаваемые в сеть за счет изменения питающих токов, которые, в свою очередь, меняли частоты колебаний осцилляторов. В результате динамика связанной сети реагировала на каждый полученный образ. Идея заключалась в том, что, подобрав ключевые параметры сети, можно обучить систему синхронизироваться только для определенного входного образа, а значит – распознавать его.
В качестве регистрируемого сигнала выбрали состояние синхронизации выходного нейрона-осциллятора относительно ритма основного нейрона-осциллятора. Авторы показали, что синхронизация может наблюдаться не только на основных частотах, но и на их кратных долях (субгармониках). Увеличение числа синхронных состояний за счет субгармоник называется эффектом синхронизации высокого порядка. Имея одновременно несколько состояний синхронизации, нейрон становится мультиуровневым. Так, осцилляторная сеть из малого количества нейронов может выполнять сложные операции, к примеру, по распознаванию речи, изображений и видео, а также способна к решению задач прогнозирования, оптимизации и управления.
Используя это свойство, исследователям удалось настроить сеть так, что разные входные образы вызывали различную синхронизацию осцилляторной сети. Оказалось, что сеть способна распознавать одновременно до 14-ти фигур (размерности 3×3) из 102 возможных вариантов, имея при этом на выходе всего один осциллятор.
«В перспективе на основе этих сетей могут быть созданы компактные нейросетевые чипы с наноразмерными осцилляторами. Особенность разрабатываемой нами нейросетевой технологии заключается в принципиально новой системе обработки информации. Она основана на эффекте синхронизации высокого порядка импульсных сигналов, позволяющем реализовывать мультиуровневые нейроны с высокой степенью функциональности. Преимуществом подобных осцилляторных нейронных сетей является перспектива их создания с использованием самых различных физических осцилляторов, в том числе магнитной и электрической природы. При этом обученная сеть уже не нуждается в компьютерных вычислениях, и работает самостоятельно, как отдельный нейронный организм», – рассказывает руководитель гранта, доцент Петрозаводского государственного университета Андрей Величко.
