Об эксперте: Олег Тельминов — кандидат технических наук, начальник отдела перспективных исследований АО «НИИМЭ», руководитель секции № 10 научной конференции Российского форума «Микроэлектроника 2026» «Нейроморфные вычисления. Искусственный интеллект».

В настоящем и обозримом будущем развитие искусственного интеллекта представлено двумя основными направлениями: классические нейросети, построенные на формальной модели нейрона, и активно развивающиеся нейроморфные вычисления. Классические сети частично служат отправной точкой для нейроморфных: часть механизмов заимствуется, часть реализуется принципиально новыми подходами.

Для достижения передовых характеристик разработчики следуют принципу бритвы Оккама — выбирают наиболее простое решение, удовлетворяющее требованиям по функционалу, точности и надежности. Однако «простое» в данном случае не значит «универсальное»: сложность аппаратно-программного решения требует совместной оптимизации структуры сети, представления данных, вычислительного графа и целевой аппаратной платформы. Рассмотрим часть таких решений на основе Международной дорожной карты развития устройств и систем (IRDS) и современных высокорейтинговых научных статей и сопоставим их с теорией решения изобретательских задач (ТРИЗ).

Достижения и перспективы развития отечественного нейроморфного процессора «Алтай» и платформы нейроморфного машинного обучения Kaspersky Neuromorphic Platform традиционно рассматриваются и обсуждаются в докладах секции № 10 форума «Микроэлектроника» «Нейроморфные вычисления. Искусственный интеллект».

Основное направление — переход от универсальной монолитной системы к распределенной гетерогенной архитектуре. В ней объединяются классические управляющие ядра, сигнальные процессоры, матричные и нейроморфные ускорители, локальная память и специализированные функциональные блоки.

Разделение на компоненты соответствует концепции Disaggregated AI (дизагрегированный ИИ — разнесение функций по специализированным блокам), а динамический выбор ресурсов и действий по заданным критериям — концепции Agentic AI (агентный ИИ — автономный выбор стратегии исполнения).

При этом выигрыш от специализации и сокращения пересылок должен превышать затраты на преобразование данных, буферизацию, синхронизацию и управление. Проблема «стены памяти» (memory wall — разрыв в скорости между процессором и памятью) решается с помощью локальных вычислений и вычислений «в памяти» (in-memory computing). Гетерогенная архитектура применяется как в периферийных устройствах, так и в мобильных, облачных и высокопроизводительных системах, оптимизируемых по производительности, энергопотреблению и отказоустойчивости.

В таких системах стремятся к высокой пропускной способности каналов передачи весов и активаций за счет их локальности и повторного использования при сокращении объема промежуточных представлений. Применяются смешанная точность и новые форматы, включая Posit. Высокая точность сохраняется только для операций, существенно влияющих на устойчивость и качество. Для точных слоев используются цифровые SRAM и программируемые блоки; для остальных — кроссбары RRAM. Активно применяются вычисления в оригинальной и модернизированной DRAM, в том числе и варианты бинарных сетей.

Нейроморфные системы развиваются в направлении сквозной спайковой (событийной) обработки: операции запускаются по готовности данных, а не по тактовому сигналу. Разреженный инференс (обработка только активных событий) существенно снижает энергопотребление. Локальные правила обучения обеспечивают непрерывную адаптацию и обучение на устройстве. Вероятностная природа вычислений, аналоговые шумы, физическая нелинейность и ограничения используются как полезный ресурс, а не как помеха. Размещение нейронов выполняется с группировкой по фактическому обмену импульсами; нейроны назначаются физическим кроссбарам с целью оптимизации энергопотребления, времени исполнения и точности. Отказоустойчивость крупных систем обеспечивается резервированием ядер и тайлов, отключением неисправных элементов по карте дефектов, программируемой маршрутизацией и реконфигурацией.

Для формальных нейросетей используют массивы блоков умножения с накоплением (MAC), для спайковых — событийные ядра. Приближенные вычисления выполняются на кроссбарах RRAM, точные — на цифровых блоках. Структуру алгоритма, формат данных и активаций выбирают совместно с учетом точности, задержки и модальности. Тип памяти подбирается по времени жизни вычислительного состояния: редко изменяемые веса хранятся MRAM и RRAM, изменяемые состояния — в SRAM, затухающие сигналы — в релаксационных устройствах. Снижения количества пересылок добиваются конвейеризацией, буферизацией и прямым обменом — с учетом затрат на преобразование форматов и коммуникацию.

Развитие ЭКБ движется по двум взаимодополняющим направлениям: уменьшение размеров транзисторов и совместная оптимизация приборов, межсоединений, памяти, корпуса и системной архитектуры. Планируется переход к вертикально совмещённым n- и p-канальным структурам CFET, а также к подведению питания, тактовых сигналов, шин и интерфейсов на обратной стороне подложки. Память, логика, сенсоры, аналоговые и цифровые вычислители объединяются посредством чиплетов, 2,5- и 3D-интеграции, сквозных соединений TSV и микроконтактов. Процессорные кристаллы и память HBM соединяются через встроенные в интерпозер мостики EMIB. Для плотных стеков памяти и сенсоров с обработкой данных непосредственно рядом с ними используется 3D-интеграция типа F2F. Повышение пропускной способности памяти, улучшение распределения питания при одновременном уменьшении задержки, энергопотребления и сопротивления достигается благодаря технологии передовой компоновки Advanced Packaging. Преимуществом перечисленных технологий для аппаратной реализации технологий ИИ является сокращение перемещения данных за счет плотной интеграции чипов и организации вычислений непосредственно в памяти.

Внимательный читатель легко увидит в перечисленных трендах реализацию нескольких из сорока основных принципов ТРИЗ. Но ценность применения ТРИЗ заключается не только в описании уже намеченных трендов, а и в возможности разработчика самостоятельно найти новое самобытное и эффективное решение с доведением до положительного результата.

• Принцип местного качества: выполнение разнородных алгоритмов — классических, формальных и спайковых — осуществляется специализированными ядрами, каждое из которых оптимизировано под свой класс задач.
• Принцип динамичности: выбор подходящего ядра выполняется по текущему сочетанию качества результата, задержки и энергопотребления, обеспечивая адаптивность системы к условиям исполнения.
• Принцип перехода в другое измерение: развитие ЭКБ в части вертикального размещения транзисторов, памяти, логики и сенсоров друг над другом, а также подведения питания и размещения межсоединений на обратной стороне подложки — переход от плоской компоновки к объемной.

ТРИЗ помогает выявить то, что пока не стало трендом, но логически вытекает из системы принципов. Ниже приведены примеры исключительно для иллюстрации, хотя они могут быть уже реализованными и описанными в публикациях — потребуется поиск аналогов и патентов.

• Принцип объединения: наличие сопряженных в одном корпусе нейросетевых и спайковых ядер дает идею их объединенного использования. Хотя уже и известны решения сквозного обучения системы со спайковым блоком выделения событийных признаков и формальной нейросетевой головной частью, стыковки таких ядер с помощью преобразователей из активаций в спайки и обратно, дистилляции знаний от нейросетевого к спайковому ядру, можно предложить конкурентный выбор решения между результатами вычислений гетерогенных ядер по критериям качества, быстродействия, энергоэффективности.
• Принцип предварительного антидействия: если вышеуказанный способ обеспечения отказоустойчивости связан с отключением неисправных элементов по карте дефектов, то рассматриваемый принцип предполагает предварительное внесение контролируемых возмущений в систему при обучении для обеспечения устойчивости к деградации и шумам до того, как они возникнут в реальности.

Разбор даже нескольких трендов показывает, что мировое развитие нейросетевых и нейроморфных решений не только соответствует отдельным принципам ТРИЗ, но и описывается ими как система. Это означает, что разработчикам можно и нужно опираться не только на текущие и намеченные мировые тренды, но и искать новые оригинальные решения и направления, применяя, например, арсенал ТРИЗ.

Более детальную информацию участники секции № 10 смогут получить из общения с докладчиками, которые традиционно представляют широкий спектр достижений — от ЭКБ на новых физических принципах и альтернативных вычислительных архитектур до прикладных алгоритмических и программных решений.