Инновационная архитектура искусственного интеллекта, разработанная в МФТИ, преодолевает ключевую проблему машинного обучения — катастрофическое забывание. Технология обеспечивает сохранение информации в сотни тысяч раз дольше, открывая путь к созданию автономных ИИ-систем для промышленных роботов, беспилотников и дронов, способных непрерывно обучаться в динамичной среде.
Ученые приблизились к разгадке одной из главных тайн мозга: способности усваивать новое без потери существующих знаний. Секрет кроется в непрерывной перестройке нейронных связей — ревайринге, который преобразует хрупкую кратковременную память в устойчивые долговременные воспоминания.
Нейронные сети подобны карте местности. При обучении формируются следы памяти, напоминающие протоптанные лесные тропинки. Но если движение становится хаотичным, тропа быстро исчезает. Аналогично ИИ, поглощая новые данные, постоянно перезаписывает параметры, что приводит к "катастрофическому забыванию" и нестабильности памяти в изменчивых условиях.
Прорывное решение пришло из нейробиологии. Специалисты МФТИ создали модель памяти на базе спайковых нейронных сетей, имитирующих работу биологического мозга. Ключевым элементом стал механизм ревайринга, работающий совместно со спайк-зависимой пластичностью (STDP), которая регулирует силу связей между нейронами.
Процесс начинается с обучения под внешним воздействием, формирующего кратковременную память через усиление нейронных связей. После отключения внешних сигналов активируется ревайринг: сеть самостоятельно перестраивает анатомическую структуру, "впечатывая" паттерн в карту связей. Эта самоорганизованная консолидация памяти превращает временные данные в устойчивые структурные изменения архитектуры.
Эксперименты подтвердили феноменальный результат: надежность хранения информации возросла в сотни тысяч раз. При тестировании обычные сети забывали данные после 1 000 всплесков активности, тогда как сеть с ревайрингом сохраняла информацию после 170 миллионов импульсов.
Исследователи выявили важную роль "хабовых" нейронов, возникающих при обучении. Одиночный импульс такого нейрона синхронизирует сотни других клеток сети. В стандартных архитектурах количество хабов после обучения резко падает, но при ревайринге их концентрация сохраняется и растет. Эти элементы формируют стабильный каркас для долговременного хранения данных, выступая вероятными энграммными клетками.
Новая ИИ-архитектура уже реализована в компьютерных моделях. Следующая цель — создание физических нейроморфных процессоров для автономных систем, способных непрерывно адаптироваться: исследовательских роботов, беспилотного транспорта и интеллектуальных дронов.
Источник: scientificrussia.ru
