Нейронные сети: от перцептрона до мемристоров и спайковых архитектур

Нейронные сети давно изучаются как средство воспроизведения когнитивных способностей мозга для задач искусственного интеллекта (ИИ). Однако по мере роста вычислительных потребностей традиционная аппаратная база на транзисторах и комплементарных структурах металл — оксид — полупроводник (CMOS) сталкивается с серьёзными ограничениями из-за разделения памяти и обработки — так называемого узкого места фон Неймана 1. Этот технологический тупик требует новых решений как в алгоритмах, так и в аппаратуре.

Современные обзоры фиксируют широкий спектр архитектур: от многослойных перцептронов и свёрточных сетей до трансформеров, генеративно-состязательных сетей и больших мультимодальных моделей 5. Параллельно развивается альтернативное направление — спайковые нейронные сети (SNN), которые имитируют поведение биологических нейронов и обещают энергоэффективные вычисления 3. Отдельная линия исследований связана с мемристорами — нелинейными элементами памяти, способными имитировать динамику биологических синапсов 1.

Ниже — обзор ключевых вех, архитектурных семейств, аппаратных ограничений и прикладных областей, опирающийся на недавние научные публикации.

От перцептрона до трансформеров

История искусственных нейронных сетей (ИНС) насчитывает более 80 лет. Отправной точкой считается математическая модель нейрона Мак-Каллока и Питтса 1943 года. Затем последовали перцептрон Розенблатта, сеть Хопфилда и алгоритм обратного распространения ошибки (BP) 1. В 1956 году на конференции в Дартмутском университете (США) был введён сам термин «искусственный интеллект» 1.

Среди устоявшихся архитектур обзор 1 выделяет свёрточные сети (CNN), восходящие к модели «Неокогнитрон» Фукусимы (1979); рекуррентные сети (RNN), развитые в 1990-х благодаря сетям Элмана и долгой краткосрочной памяти (LSTM); спайковые сети (SNN), эволюционировавшие из модели интегратора-и-пожара Лапика (1907) и биологически инспирированной модели нейрона Ходжкина — Хаксли (1952); генеративно-состязательные сети (GAN), предложенные Гудфеллоу и коллегами в 2014 году; и трансформеры без рекуррентных блоков, представленные Васвани и соавторами в 2017 году 1.

Глубокое обучение: архитектуры и методы

Глубокое обучение (DL) стало основой современного ИИ, достигая высоких результатов в компьютерном зрении, обработке естественного языка (NLP) и научных областях 2. Обзор, опубликованный в августе 2026 года, систематизирует основные архитектуры: CNN для изображений, рекуррентные и LSTM-сети для последовательностей, трансформеры на основе внимания, графовые нейронные сети (GNN) для графовых данных и диффузионные модели для генеративных задач 2.

В работе также описаны методы обучения — оптимизаторы SGD и Adam, регуляризация, перенос обучения, контрастивное и самообучение без учителя — и стандартные метрики оценки: accuracy, precision/recall/F1 для классификации, BLEU/ROUGE/perplexity для языка, FID/Inception Score для генеративных моделей. Приводятся таблицы с результатами бенчмарков, например точностью Top-1 на ImageNet 2.

Отдельный обзор, опубликованный в журнале Engineering Applications of Artificial Intelligence в ноябре 2025 года, рассматривает современные модели глубокого обучения в компьютерном зрении, NLP, анализе временных рядов, повсеместных вычислениях и робототехнике, а также обсуждает проблемы и будущие направления 4.

Спайковые сети: энергоэффективность и биологическое правдоподобие

Спайковые нейронные сети передают информацию дискретными импульсами — спайками — и работают в непрерывном времени, что сближает их с биологическими нейронами 3. Обзор, опубликованный в IEEE Access в апреле 2026 года, систематизирует методы обучения SNN: градиентные стратегии (суррогатные градиенты, конвертация из обычных ИНС, локальное и гибридное обучение) и биологически правдоподобные правила (варианты STDP, модулируемая наградой пластичность, гомеостатические механизмы) 3.

Ключевое преимущество SNN — энергоэффективность за счёт разреженности и временного кодирования. При реализации на нейроморфном оборудовании, таком как IBM TrueNorth, Intel Loihi, SpiNNaker или NeuroGrid, такие сети потребляют значительно меньше энергии, что делает их привлекательными для систем реального времени с ограниченным питанием 3. При этом по производительности SNN пока уступают глубоким сетям, хотя разрыв постепенно сокращается 3.

Мемристоры и нейроморфная аппаратура

Мемристоры — новые энергонезависимые элементы памяти с сопротивлением, зависящим от истории переключений, — рассматриваются как способ преодолеть узкое место фон Неймана 1. Обзор, опубликованный Американской ассоциацией содействия развитию науки (AAAS), описывает, как мемристоры могут имитировать динамическое поведение биологических синапсов и обеспечивать вычисления в памяти и параллельную обработку 1.

Среди ключевых механизмов — синаптическая пластичность, включая долговременную потенциацию и депрессию, а также новые алгоритмы обучения, использующие мемристорное поведение 1. В числе нерешённых задач — сверхнизкое энергопотребление, высокая однородность устройств и бесшовная интеграция в системы. Предлагаемые направления развития затрагивают материаловедение, проектирование устройств, системную интеграцию и индустриализацию 1.

Нейронные сети в brain informatics

Brain informatics объединяет нейронауку, искусственный интеллект и когнитивную науку для изучения когнитивных процессов мозга. Нейронные сети, основанные на биологических нейронах, применяются для работы со сложными задачами нейровизуализации, проектирования когнитивных сервисов и эмуляции мозга 6. Среди прикладных областей — диагностика заболеваний, лечение на основе нейровизуализации и персонализированное здравоохранение с фокусом на раннее вмешательство 6. Однако использование ИНС в этой сфере сопряжено с трудностями: высокие вычислительные требования, вопросы приватности и объяснимости моделей 6.

Ограничения и что важно учитывать

Несмотря на успехи, глубокое обучение остаётся требовательным к данным и вычислениям, а его модели плохо интерпретируемы 2. Спайковые сети, хотя и энергоэффективны, пока проигрывают по точности в многих задачах 3. Мемристорные технологии находятся на стадии, когда ключевые проблемы — однородность устройств и интеграция — ещё не решены 1. В brain informatics дополнительно встают вопросы приватности и объяснимости 6. Наконец, обзоры 2 и 5 подчёркивают этические и социальные аспекты: смещения в данных, справедливость, безопасность и энергопотребление.

Что дальше

Обзоры намечают несколько направлений. В глубоком обучении — эффективные модели, объяснимость, мультимодальный и гибридный ИИ 2, а также перенос обучения и мультимодальная интеграция 5. В мемристорной области — материаловедение, инженерия устройств и индустриализация 1. В спайковых сетях — дальнейшее сокращение разрыва в производительности с глубокими сетями и развитие нейроморфного оборудования 3.