КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ

---

Номер проекта 22-22-00565

НазваниеРазработка принципов функционирования нейронных сетей на магнитных наноархитектурах

Руководитель Лобанов Игорь Сергеевич, Кандидат физико-математических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет ИТМО" , г Санкт-Петербург

Конкурс №64 - Конкурс 2021 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами»

Область знания, основной код классификатора 02 - Физика и науки о космосе; 02-204 - Нано- и микроструктуры

Ключевые слова магнитные нано и микросистемы, технологии создания наносистем, нейронные сети, машинное обучение

Код ГРНТИ29.19.37

---

 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

---

Аннотация
Проект направлен на теоретическое изучение и моделирование самоорганизации магнитных состояний, нелинейной динамики, приводящей к формированию локально устойчивых магнитных конфигураций, и разработке принципов машинного обучения на этой основе, включая разработку магнитных синапсов, искусственных нейронов, методов построения сети и методов обучения этих магнитных сетей. Реализация искусственных нейронных сетей (ИНС) на основе спинтроники может значительно ускорить работу нейронных сетей, увеличить их сложность, что в перспективе позволит создавать сети сложности близкой к человеческому мозгу, а также увеличит энергоэффективность и уменьшить стоимость эксплуатации ИНС. В этом заключается актуальность поставленной в проекте научной проблемы. Развитие технологии глубокого обучения уже позволило значительно продвинуть решение задач распознавания речи и изображения, управления роботами, обработки естественных языков, однако возможностей GPU, развитие которых дало толчок для взрывного развития машинного обучения (МО), не хватает для усложняющихся задач, а их потребление слишком высоко для автономного использования, поэтому предпринимаются попытки создания специализированных для МО устройств, таких как тензорные процессоры от Google, нейроморфные процессоры IBM TrueNorth, Intel Loihi, нейронный сопроцессор для автопилота автомобиля Tesla и др. Также развитие нейронных сетей дало новый старт развитию аналоговых компьютеров разного типа , таких как оптические сети, квантовые сети и сети на магнитных системах. Одним из способов уменьшения энергопотребления и увеличения скорости работы является переход к спинтронике, когда информация переносится спиновым током. Научная новизна настоящего проекта заключается в том, что подход к реализации машинного обучения будет осуществлен на спинтронном аналоге искусственных нейронных сетей. В качестве механизма вычислений предлагается использовать спиновые волны и спиновый транспорт. Исследование будет включать теоретический анализ нелинейных уравнений движения намагниченности, включая режимы солитонного типа, описывающие статические и динамические локализованные магнитные состояния. В качестве основы реализации теоретического описания и разработки модели будут использоваться дискретные уравнения Гейзенберга, приспособление к геометрии разрабатываемого устройства, с возможными обобщениями. Планируется вывод непрерывного аналога уравнения Гейзенберга с учётом связей между подсистемами (элементами) устройства. На основе полученных уравнений будет формулироваться математическая постановка задачи: задание граничных условий и внешних магнитных полей, которые приводят к нужному поведению решения. Граничные условия для мульти-компонентного поля будут задаваться с помощью операторов проектирования на подпространство направленных волн. В качестве механизма обучения сетей предлагается использовать диссипацию, при этом подходе обучение будет составной частью работы самого магнитного устройства, и не будет требовать привлечения цифровых компьютеров, как делается в большинстве предлагаемых физических нейронных сетей. Для исследования этого подхода, названные выше элементы будут включены в модель системы связанных нелинейных уравнений Шредингера, потенциально дающих более точное описание взаимодействия элементов сетей с учётом потерь (диссипации). Полученные магнитные конфигурации, с одной стороны, будут служить элементами структур, на которых будет реализовано машинное обучение, а с другой - использоваться для переключения самих магнитных состояний. На основе статистического подхода и теории переходного состояния будет количественно рассчитана устойчивость этих систем относительно тепловых флуктуаций и случайных внешних воздействий. Расчеты в рамках микромагнитных и решеточных моделей позволят определить оптимальные параметры и архитектуру взаимодействующих магнитных элементов.

---

 

ОТЧЁТНЫЕ МАТЕРИАЛЫ

---