Мы изначально ориентировались не только на создание энергонезависимой резистивной памяти, а сразу на применение наших энергоэффективных мемристоров и мемристорных схем в нейрогибридных системах. Есть недавние обзоры перспективы в ведущих журналах, которые говорят о том, что стремиться надо к тому, чтобы обрабатывать, регистрировать и использовать эти биологические сигналы в аналоговой форме. И мемристоры на микросхемах как раз позволят это сделать.

В прошлом году в нейроморфной области кое-что произошло – китайцы решили проблему хождения гуманоидных роботов. Фактически решили эту проблему методом перебора, используя вычислительные мощности, графические карты и такой очень обширный программный накат на эту тему.
Почему это имеет, на мой взгляд, прямое отношение к нейроморфным вещам и нейроинтерфейсам? Да потому, что обучение этих машин для выполнения тех или иных функций происходит с помощью нейроинтерфейсов. То есть, кроме всего прочего, кроме Reinforced Learning, там появляется учитель.

Наиболее известный нейроморфный чип называется TrueNorth. При сравнении этого чипа с серверным процессором Intel Xeon при достижении эффективности 10 в 11 степени синаптических операций в секунду, в случае использования нейроморфного чипа у нас потребляется 70 мВт энергии. А в случае традиционного серверного чипа потребляется 100 Вт энергии даже. оответственно, нейроморфный чип демонстрирует колоссальную разницу в энергоэффективности, порядка 10 в третьей степени.

Мы показали, что энергоэффективность в решении ряда задач, в частности задач компьютерного зрения для контролирования физических процессов, архитектура Алтай-1 на три порядка лучше, чем решение этой же задачи на NVIDIA GPU. Но, тем не менее, реализовав ряд таких задач, увидели тонкие места нашей архитектуры. И в начале 2023 г. запустили разработку следующего поколения процессора Алтай-3, который планируется отправить на производство уже в этом году. Первые образцы будут получены в середине второго квартала 2026 г.

В нашей стране освоена интеграция мемристорных и обеспечивающих их работу КМОП-схем – монолитная, 2,5D- и 3D-интеграция. Основные усилия направлены на микроминиатюризацию таких приборов.

Особенно хочу отметить направление в области нейроинтерфейсов, которое называется биомиметические нейроинтерфейсы. Это нейроинтерфейсы, которые по своим свойствам приближаются к структуре и функционалу мозговой ткани. Тут могут быть совершенно разные направления. Создание таких систем, которые по своей механике близки к нервной ткани. Мягкая биоэлектроника как создание мультимодальных интерфейсов, где электрическая составляющая для стимуляции сочетается с химической или с какими-то другими. И, собственно, выяснение алгоритмов воздействия на мозг, которые приближены к работе мозга. Таким образом, метод лечения, воздействия или подведения сигналов от мозга становится максимально эффективным.

Нам нужны быстрые циклы, где есть идея, где можно сделать прототип, стенд, пропилотировать. И это должно быть не квартально, а 1-2 недели. Бюрократия – это всегда проблема. Поэтому разработчикам нужны понятные интерфейсы, интерфейсы здесь имеют такое собирательное понятие, что соединяет управленцев и разработчиков. И понятные форматы взаимодействия, чтобы разработчики вообще не думали о том, как это делать.

Микроэлектроника – одна из самых динамичных отраслей в мире. С другой стороны, она одна из самых капиталоёмких и требует больших вложений. Мы видим, что каждый шаг с минимальными размерами требует всё больше и больше ресурсов.