Нейроморфный ИИ от Касперского: как устроены импульсные нейросети и процессор «Алтай»

Что такое нейроморфный искусственный интеллект

Нейроморфный искусственный интеллект — это подход к созданию вычислительных систем, которые имитируют принципы работы биологического мозга. В отличие от классических нейросетей, работающих с непрерывными числами, нейроморфные системы используют импульсные (спайковые) нейронные сети (SNN). В таких сетях нейроны обмениваются короткими электрическими импульсами — спайками, а информация кодируется не величиной сигнала, а временем и частотой этих импульсов.

Ключевое отличие нейроморфного подхода — асинхронность и событийность. В традиционных архитектурах все нейроны обрабатывают данные синхронно, даже если входной сигнал не изменился. В импульсных сетях нейроны активируются только тогда, когда получают входящий импульс. Это радикально снижает энергопотребление, поскольку неактивные нейроны и синапсы не тратят энергию.

«Лаборатория Касперского» рассматривает нейроморфные технологии как одно из перспективных направлений развития ИИ. По мнению экспертов компании, такие системы открывают возможности для создания интеллектуальных решений следующего поколения с более высоким быстродействием, автономностью и безопасностью по сравнению с существующими аналогами. Компания активно развивает это направление как в части программного обеспечения, так и в части аппаратных решений.

Импульсные нейронные сети: принципы работы

Импульсная нейронная сеть состоит из популяций нейронов и синаптических проекций. Популяция — это группа нейронов с одинаковыми параметрами, а синаптическая проекция — группа синапсов, связывающая две популяции. Единицей информационного обмена служит сообщение, которым может быть спайк, испускаемый нейроном, или синаптическое воздействие.

Каждый нейрон выполняет временную суммацию входных сигналов. Когда сумма взвешенных входных импульсов превышает определенный порог, нейрон генерирует выходной спайк. Этот механизм напоминает работу биологического нейрона, который «срабатывает» при достижении мембранного потенциала критического значения.

Важная особенность импульсных сетей — локальный принцип обучения. Вместо глобального метода обратного распространения ошибки, используемого в классических сетях, здесь применяется механизм синаптической пластичности, зависящей от времени импульсов (STDP). Суть этого механизма в том, что если спайк от пресинаптического нейрона приходит до генерации спайка постсинаптическим нейроном, вес синапса увеличивается. Если же импульс приходит после — вес уменьшается. Это биологически реалистичная модель обучения, которая позволяет сети адаптироваться к входным данным без внешнего управления.

Kaspersky Neuromorphic Platform: обзор платформы

Kaspersky Neuromorphic Platform (KNP) — это программная платформа с открытым исходным кодом, предназначенная для исследований в области импульсных нейронных сетей и создания коммерческих продуктов на их основе. Платформа позволяет разрабатывать SNN, обучать их на различных типах данных — телеметрии, событиях, изображениях, 3D-данных, звуковых и тактильных сигналах.

KNP поддерживает два языка программирования — Python и C++. Для разработчиков доступны фреймворки, бэкенд для CPU (обучение и инференс), бэкенд для нейроморфного процессора «Алтай» (инференс), а также программный эмулятор процессора «Алтай», который называют «золотой моделью». Бэкенд для GPU находится в разработке.

Платформа предоставляет возможность не только создавать сети с нуля, но и преобразовывать классические искусственные нейронные сети в импульсные, оптимизировать структуру загруженных сетей, разрабатывать новые топологии (например, импульсные аналоги сверточных нейросетей) и новые модели синаптической пластичности. Это делает KNP гибким инструментом для широкого круга исследовательских и прикладных задач.

Две технологии создания импульсных сетей в KNP

В Kaspersky Neuromorphic Platform реализованы два подхода к созданию импульсных нейронных сетей. Первый — технология ANN2SNN, которая предполагает преобразование классических сетей глубокого обучения в их импульсные аналоги. Сеть обучается методом обратного распространения ошибки с квантованием весов и использованием ступенчатой функции активации (функции Хевисайда). Для этого используются специальные тернарные слои, учитывающие ограничения нейроморфного процессора «Алтай»: входные и выходные данные — бинарные тензоры, веса находятся в диапазоне {-1, 0, 1}, а смещение — от -32 768 до 32 767.

Второй подход — технология SNN, которая предполагает разработку топологий и обучение сетей непосредственно в импульсном базисе. Здесь применяется локальный принцип обучения на основе STDP, реализуемый через различные виды дельта-синапса. Дельта-синапс в ответ на каждый спайк отправляет одно синаптическое воздействие в постсинаптический нейрон. В KNP поддерживаются две модели: синаптическая пластичность, зависящая от времени получения спайка, и пластичность, зависящая от синаптического ресурса (реализованы Хеббовская, безусловная и дофаминовая модели).

Выбор между технологиями зависит от задачи. ANN2SNN удобна, когда уже есть обученная классическая сеть, которую нужно адаптировать для энергоэффективного исполнения. Технология SNN дает больше свободы для исследования новых архитектур и механизмов обучения.

Процессор «Алтай»: российская нейроморфная архитектура

Нейроморфный процессор «Алтай» — совместная разработка компаний «Мотив-Нейроморфные Технологии» и «Лаборатории Касперского». Архитектура процессора построена в соответствии с концепцией «вычисления рядом с памятью», что минимизирует затраты на передачу данных между вычислительными блоками и памятью.

Первое поколение процессора поддерживает инференс импульсных нейронных сетей. Второе поколение, представленное в демонстрационной части конференции Kaspersky Neuromorphic AI 2023, использовалось для задач энергоэффективных измерений в быстрых процессах и обеспечения устойчивости систем ИИ к состязательным атакам. Коммерческая версия третьего поколения, которая позволит обучать биологоподобные импульсные сети непосредственно на процессоре, планировалась к представлению в 2025 году. Следующее поколение (по данным платформы KNP) с поддержкой обучения на процессоре ожидается в 2026 году.

Процессор «Алтай» ориентирован на устройства с пониженным энергопотреблением: сенсоры и контроллеры интернета вещей, автономных роботов, устройства умного дома, носимую электронику — медицинские устройства, смартфоны, умные часы, фитнес-браслеты, наушники, очки виртуальной и дополненной реальности.

Энергоэффективность и производительность нейроморфных решений

Главное преимущество сочетания импульсных нейросетей и нейроморфных процессоров — радикальное снижение энергопотребления. По оценкам разработчиков, оно может быть на несколько порядков ниже по сравнению с аналогичными ИИ-решениями на традиционных нейросетях, работающих на CPU или GPU.

Причина такой эффективности — событийный принцип работы. В классических архитектурах все вычисления выполняются постоянно, даже когда входные данные не меняются. В импульсных сетях активны только те нейроны и синапсы, которые получили импульсы. Остальные находятся в «спящем» режиме и не потребляют энергию.

Это делает нейроморфный ИИ особенно привлекательным для сегмента Edge AI — конечных устройств с искусственным интеллектом, работающих от батарей. Для промышленных датчиков, носимых устройств и автономных роботов, где время автономной работы критично, энергоэффективность становится решающим фактором. При этом производительность нейроморфных систем не уступает традиционным решениям, а в задачах обработки потоковых событийных данных может даже превосходить их.

Безопасность ИИ и устойчивость к состязательным атакам

Тема безопасности искусственного интеллекта стала отдельным направлением на конференции Kaspersky Neuromorphic AI 2023. Спикеры обсуждали вызовы и риски, связанные с уязвимостями ИИ, а также эффективные практики защиты, в том числе с использованием нейроморфного машинного обучения.

Одной из ключевых проблем современных ИИ-систем является подверженность состязательным атакам (adversarial attacks). Злоумышленник может внести едва заметные искажения во входные данные, которые приведут к ошибочной классификации. Например, небольшой шум на изображении может заставить нейросеть принять «панду» за «гиббона».

Нейроморфные системы демонстрируют большую устойчивость к таким атакам благодаря своей природе. Импульсное кодирование информации и локальные механизмы обучения делают сеть менее чувствительной к малым возмущениям входного сигнала. На конференции были представлены прототипы решений на базе процессора «Алтай» второго поколения, демонстрирующие устойчивость к состязательным атакам. Это направление особенно важно для «Лаборатории Касперского», поскольку компания специализируется на кибербезопасности и заинтересована в создании защищенных ИИ-систем.

Практические сценарии применения нейроморфного ИИ

Нейроморфные технологии находят применение в различных областях. В робототехнике импульсные сети используются для управления манипуляторами и автономными мобильными роботами, включая самообучающиеся системы с нейроуправлением. Событийный принцип обработки данных позволяет роботам быстрее реагировать на изменения окружающей среды.

В интернете вещей нейроморфные процессоры позволяют создавать энергоэффективные сенсоры и датчики, способные обрабатывать данные на месте, без передачи в облако. Это снижает задержки и повышает автономность устройств. В человеко-машинном взаимодействии импульсные сети могут использоваться для распознавания жестов, голосовых команд и тактильных сигналов.

На конференции Kaspersky Neuromorphic AI 2023 была продемонстрирована работа импульсной нейросети, которая обучалась классификации изображений непосредственно в процессе работы, на потоке (incremental learning). Это важная демонстрация способности нейроморфных систем к непрерывному обучению без остановки работы. Также были показаны решения для энергоэффективных измерений в быстрых процессах — область, где традиционные подходы часто упираются в ограничения по энергопотреблению и скорости реакции.

Экосистема и сотрудничество в области нейроморфных технологий

«Лаборатория Касперского» активно развивает экосистему вокруг нейроморфных технологий. Компания проводит ежегодную конференцию Kaspersky Neuromorphic AI, которая собирает исследователей и экспертов из ведущих научных организаций. В 2023 году в мероприятии участвовали представители МФТИ, AIRI, НТЦ «Модуль», Института системного программирования РАН, Чувашского государственного университета и других организаций.

Kaspersky Neuromorphic Platform распространяется с открытым исходным кодом, что позволяет исследователям и разработчикам со всего мира использовать платформу для своих проектов и вносить вклад в ее развитие. Для обсуждения возможностей сотрудничества компания предоставляет контактный адрес neuro@kaspersky.com.

Партнерство с «Мотив-НТ» в разработке процессора «Алтай» — пример кооперации между ИТ-компанией и производителем аппаратного обеспечения. Такое сотрудничество позволяет создавать комплексные решения, объединяющие программную платформу и специализированное «железо». Развитие нейроморфного направления вписывается в общую стратегию «Лаборатории Касперского» по созданию инновационных решений для защиты бизнеса, критической инфраструктуры и рядовых пользователей.

Перспективы развития и ограничения технологии

Нейроморфные технологии находятся на ранней стадии развития, и перед их широким внедрением стоит ряд вызовов. Во-первых, инструменты разработки для импульсных сетей менее зрелые, чем экосистема классического глубокого обучения (TensorFlow, PyTorch). Хотя KNP предоставляет удобные средства, сообщество разработчиков SNN пока значительно меньше.

Во-вторых, не все задачи эффективно решаются импульсными сетями. Для задач, требующих высокой точности на статических данных (например, распознавание изображений высокого разрешения), классические сети могут показывать лучшие результаты. Нейроморфный подход наиболее силен в обработке потоковых событийных данных, где важна энергоэффективность и низкая задержка.

В-третьих, аппаратная база нейроморфных процессоров только формируется. Процессор «Алтай» — один из первых российских чипов этого класса, и его производственные возможности и доступность для широкого круга разработчиков пока ограничены. Тем не менее, дорожная карта развития предполагает появление поколений с поддержкой обучения на процессоре, что расширит сферу применения технологии.

Несмотря на эти ограничения, интерес к нейроморфному ИИ растет. Энергоэффективность становится критически важной по мере распространения устройств интернета вещей и периферийных вычислений. «Лаборатория Касперского» инвестирует в это направление, видя в нем потенциал для создания более быстрых, автономных и безопасных интеллектуальных систем.

Вопросы и ответы