Нейроморфный процессор Алтай: отечественное решение для энергоэффективных вычислений

Приветствуем вас, дорогие читатели!

Завершая цикл статей о передовых архитектурах нейроморфных процессоров, мы решили обратить особое внимание на отечественные разработки, которые нередко остаются вне поля зрения широкой общественности. В этой статье мы поговорим о нейроморфном процессоре «Алтай».

В мире нейроморфных вычислений мы уже познакомились с несколькими выдающимися разработками: архитектурой TrueNorth от IBM — одного из первых коммерческих нейроморфных процессоров; углубились в SpiNNaker, массивно-параллельную платформу, способную эмулировать миллионы биологических нейронов в реальном времени; обсуждали Tianjic — гибридный китайский чип, совмещающий работу с классическими и спайковыми нейронными сетями. Сегодня речь пойдёт о российском решении для энергоэффективных вычислений - нейроморфном процессоре "Алтай", разработанном для автономной обработки видео, аудио и сенсорных данных в реальном времени.

«Алтай» (ALTAI) — российский цифровой импульсный нейроморфный процессор, разработанный компанией «Мотив НТ» для высокопроизводительной и при этом энергоэффективной обработки больших объёмов потоковых данных в режиме реального времени. Проект ставит перед собой задачу обеспечить технологическую независимость и автономность в сфере искусственного интеллекта, где традиционные решения на базе CPU, GPU и FPGA зачастую не удовлетворяют требованиям по энергопотреблению, габаритам и масштабируемости.

В основе «Алтая» лежит принцип биологически вдохновлённых вычислений: процессор моделирует работу импульсных нейронных сетей (SNN), что позволяет достичь высокого уровня параллелизма и существенно сократить затраты энергии. Такой подход особенно важен для робототехники, IoT-устройств, беспилотных систем и других направлений, где необходима компактная, быстрая и малопотребляющая аппаратная платформа. Появление технологий такого уровня в России подтверждает не только высокую компетенцию отечественных разработчиков, но и серьёзный потенциал дальнейшего развития нейроморфных систем.

История разработки нейроморфного процессора «Алтай»

В середине 2010-х годов искусственный интеллект начал стремительно развиваться, но его аппаратная реализация оставалась ограниченной традиционными архитектурами. Несмотря на значительные вычислительные мощности, эти решения имели недостатки: высокое энергопотребление, ограниченную масштабируемость и задержки. В этот период зародилась идея создания принципиально нового вычислительного устройства, вдохновленного биологическими нейронными сетями. Так, в 2015 году в рамках СНИЛ ВТ (Специальная научно-исследовательская лаборатория вычислительных технологий) на базе НГТУ были сформулированы основные принципы архитектуры процессора «Алтай».

Фактическая работа над проектом началась в 2017 году, когда компания «Мотив Нейроморфные Технологии» (сейчас «Мотив НТ») получила грантовую поддержку от Фонда содействия инновациям и инновационного центра «Сколково». В 2018 году команда получила минигрант «Сколково» и сфокусировалась на разработке первых аппаратных прототипов. Важную роль сыграло сотрудничество с Лабораторией Касперского, которая стала стратегическим партнёром проекта.

К 2020 году был создан первый прототип «Алтай-1», включавший 16 нейроморфных ядер, каждое из которых моделировало 512 нейронов с 512 входными линиями. Общая вычислительная мощность чипа позволяла моделировать до 8192 нейронов и 4 миллионов синапсов. Процессор продемонстрировал высокую энергоэффективность при низком энергопотреблении (около 300 мВт), что значительно превосходило традиционные решения. В том же году была опубликована научная статья, описывающая архитектуру чипа и результаты тестирования на наборах данных MNIST (98% точность) и CIFAR-10 (83,2%). Важным показателем стало энергопотребление, оказавшееся на несколько порядков ниже, чем у традиционных графических процессоров при решении аналогичных задач.

В 2022 году Лаборатория Касперского стала инвестором компании «Мотив НТ», что позволило расширить исследования и подготовить платформу к коммерческому использованию. В этом же году было заключено соглашение о научном сотрудничестве с НИЦ «Курчатовский институт», а компания вошла в акселератор «Микроэлектроника». К 2023 году был представлен обновленный прототип «Алтай-1» (v.2), который стал частью демонстрационных решений по промышленным измерениям, кибербезопасности и компьютерному зрению.

Параллельно началась разработка Kaspersky Neuromorphic Platform (KNP) – программной платформы для разработки, обучения и тестирования нейроморфных алгоритмов. KNP стал фундаментальным программным решением, обеспечивающим доступность нейроморфных вычислений для исследовательского сообщества и разработчиков.

Согласно информации, представленной на Kaspersky Neuromorphic Conference 2024, в 2025 году ожидается выпуск пилотной партии процессоров «Алтай-3» с небольшим количеством ядер, а в 2026 году планируется инженерный запуск первой коммерческой версии «Алтай-3», предназначенной для энергоэффективных встраиваемых систем, устройств «ИИ на чипе» и промышленных решений.

Архитектура процессора «Алтай»

Процессор «Алтай» представляет собой нейроморфную сверхбольшую интегральную схему (СБИС), предназначенную для энергоэффективного исполнения импульсных нейронных сетей (SNN) в реальном времени. Архитектура разработана с учетом требований обработки больших объемов зашумленных данных, характерных для систем машинного обучения, интернета вещей, робототехники и автономных интеллектуальных устройств.

Основные цели архитектуры:

• Энергоэффективность: минимизация энергозатрат за счет локализации вычислений и хранения данных.
• Масштабируемость: возможность расширения числа ядер без изменения физического интерфейса и упаковки, что обеспечивает согласованность при интеграции в более крупные системы.
• Реальное время: обработка нейронных сигналов в режиме реального времени с частотой синхронизации до 2000 Гц.

«Алтай» реализован на современной монолитной кремниевой технологии (CMOS) с технологической нормой 28 нм, что обеспечивает стабильную работу и высокую производительность устройства. Компактный корпус микросхемы размером 9×9 мм позволяет интегрировать чип в различные классы устройств от IoT до дата-центров. Вся вычислительная логика построена цифровым способом, что дает надёжность, точность и исключает влияние аналоговых шумов.

В основе архитектуры лежит цифровая модель нейрона, которая воспроизводит ключевые характеристики биологических нейронов: порог активации, интеграцию сигналов и другие параметры цифровой модели. Параметры работы нейрона (такие как порог, временная задержка, рефрактерный период) задаются программно, что позволяет адаптировать модель под различные задачи без изменения аппаратной части.

«Алтай» построен по принципу GALS (Globally Asynchronous, Locally Synchronous) — глобально асинхронной, локально синхронной архитектуры. Он состоит из множества независимых нейроядер, организованных в единую масштабируемую сеть. Внутри каждого ядра используется синхронная логика, что обеспечивает стабильность и предсказуемость вычислений. Между ядрами реализована асинхронная коммуникация, что позволяет избежать необходимости использования глобального тактового сигнала и снижает энергопотребление. Такой подход имитирует асинхронное взаимодействие нейронов в биологическом мозге.

Для эффективной передачи данных между нейроядрами «Алтай» использует специальные асинхронные коммуникационные блоки, которые позволяют передавать сигналы без ожидания глобального тактового импульса, что критично для обработки событий в реальном времени.

Архитектура «Алтая» предусматривает возможность масштабирования через модульное объединение ядер и наличие интерфейсов для межчиповой интеграции. Процессоры можно объединять между собой в матрицу практически неограниченных размеров для увеличения вычислительной мощности. Это позволяет создавать системы от небольших встроенных устройств до крупных вычислительных комплексов.

Важной особенностью архитектуры является отказоустойчивость: при выполнении задач с нечеткими алгоритмами сбой в работе одного из ядер не приводит к существенному искажению результата. Работоспособность системы сохраняется даже при неисправности нескольких ядер.

Технические характеристики

Нейроморфный процессор «Алтай-1» обладает следующими техническими характеристиками:

• Производительность: до 100 миллиардов операций в секунду
• Обработка видео: до 1000 кадров в секунду (с возможностью ускорения до 2200 кадров/с)
• Энергопотребление: 70 мВт
• Количество ядер: 16 нейроморфных ядер
• Количество нейронов: до 8192 моделируемых нейронов
• Количество синапсов: до 4 миллионов
• Максимальная частота синхронизации нейросети: 2000 Гц
• Технологический процесс: 28 нм
• Размеры корпуса: 9×9 мм

Kaspersky Neuromorphic Platform: программное обеспечение для чипа «Алтай»

Платформа Kaspersky Neuromorphic Platform (KNP) предоставляет обширный набор программных решений, ориентированных на разработку, обучение и исполнение нейронных сетей. Эти инструменты разработаны с учётом аппаратных особенностей нейроморфного процессора «Алтай» и позволяют инженерам создавать энергоэффективные и высокопроизводительные решения.

KNP SDK обеспечивает:

• исполнение SNN (спайковых нейронных сетей) на CPU и процессоре «Алтай-1»;
• конвертацию ANN (традиционных искусственных нейронных сетей) в SNN с поддержкой тернарных слоев;
• API на C++ и Python для взаимодействия с нейронами, синапсами и их популяциями;
• запуск вычислений на разных бэкендах, включая многопоточные вычисления и аппаратное ускорение на чипе «Алтай».

В состав программного комплекса входят:

• компилятор для системного программирования - позволяет оптимизировать код для эффективного выполнения на нейроморфной архитектуре;
• препроцессор нейронных сетей - подготавливает нейронные модели к работе на спайковой архитектуре;
• компилятор нейронных сетей - преобразует модели в формат, оптимизированный для исполнения на «Алтае»;
• коллекция примеров - демонстрирует основные функциональные возможности на примере глубоких нейронных сетей.

Программная платформа KNP также поддерживает интеграцию с библиотеками машинного обучения, что делает процессоры «Алтай» универсальным решением для задач, требующих высокой энергоэффективности. По данным с официального сайта Лаборатории Касперского, исходный код KNP теперь доступен в открытом доступе под лицензией Apache 2.0, что позволяет разработчикам не только использовать готовые решения, но и активно участвовать в развитии платформы, адаптируя её под специфические прикладные задачи и экспериментируя с новыми алгоритмами.

Пилотные проекты

Нейроморфный процессор «Алтай» применяется в различных пилотных проектах, демонстрирующих его возможности в обработке потоковых данных в режиме реального времени. Рассмотрим ключевые демонстрационные проекты:

Характеризация физических процессов

Комбинация нейроморфной камеры и вычислителя «Алтай» позволяет энергоэффективно характеризовать динамику физических процессов. В одном из экспериментов в качестве модели использовался вентилятор с переменной скоростью вращения. Спайковая сеть, реализованная на «Алтае», решала регрессионную задачу – прогнозировала скорость и направление вращения по данным с DVS-камеры. При сравнении с решением на GPU (GTX 1650 Ti) энергопотребление «Алтая» оказалось на 1–2 порядка ниже (0,3 Вт против 13 Вт) при сохранении высокой точности и скорости обработки данных.

Обработка акустической информации

В сотрудничестве с Курчатовским институтом разработан демонстратор для распознавания звуков городской среды. На нейроморфном чипе «Алтай» реализован классификатор, который разделяет звуковые сигналы на 10 классов. При этом использована методика преобразования ANN в SNN с сохранением точности, а также частотная кодировка амплитуд. Для решения задачи было задействовано 13 ядер, охватывающих 5100 нейронов. Энергопотребление системы составляет менее 70 мВт, тогда как аналогичный процесс на графическом процессоре Nvidia требовал 27,59 Вт, что показывает многократное превосходство в энергоэффективности.

Обработка быстрых процессов

Демонстрационный проект, реализованный Лабораторией Касперского, показал возможность обработки сигналов с высокой скоростью. Задача заключалась в регрессионном определении частоты мигания светодиода (LED) по данным с DVS-камеры, при этом изменение частоты LED происходило по синусоидальному закону в диапазоне от 0,25 до 1,25 кГц. Система на «Алтае» обеспечивала оценку частоты мигания в среднем за 1,4 мс, анализируя поток данных со скоростью до 2500 кадров в секунду. Это подчеркивает потенциал нейроморфных вычислений для быстродействующей обработки информации.

Детектор атак

Еще один пилотный проект продемонстрировал применение нейросетевых детекторов для выявления атак на систему. В этом эксперименте нейросетевой детектор, реализованный на спайковых сетях, показал повышенную устойчивость к состязательным атакам на системы распознавания лиц (Face ID), что важно для систем информационной безопасности.

Эти пилотные проекты наглядно демонстрируют практическую применимость нейроморфного процессора «Алтай» в разнообразных задачах обработки данных в реальном времени, где энергоэффективность и скорость играют ключевую роль.

Ключевые области применения

Применение нейроморфного процессора «Алтай» охватывает широкий спектр задач в различных областях:

IoT-устройства и робототехника

«Алтай» позволяет локально обрабатывать большие массивы данных от сенсоров и камер в режиме реального времени. За счёт низкого энергопотребления и компактности он идеально подходит для робототехнических систем, носимых устройств, умных датчиков и автономных гаджетов в сфере Интернета вещей. Локальная интеллектуальная обработка данных при небольших размерах устройства открывает новые возможности для создания автономных роботов и IoT-систем, способных функционировать длительное время без подзарядки.

В промышленном IoT «Алтай» может использоваться для предиктивного обслуживания оборудования, анализируя данные с датчиков вибрации, температуры и других параметров непосредственно на месте, без необходимости передачи больших объемов информации в облако. Это особенно актуально для удаленных объектов с ограниченным доступом к сети.

Дата-центры

Архитектура нейроморфного процессора обеспечивает энергоэффективную обработку больших данных. Значительное снижение расходов на электроэнергию достигается благодаря энергоэффективной архитектуре «Алтая». В серверных решениях это означает снижение расходов на электроэнергию и охлаждение, а также увеличение пропускной способности при обработке данных для задач машинного обучения и анализа.

Согласно оценкам разработчиков, использование нейроморфных процессоров в дата-центрах может снизить энергопотребление на обработку данных до 90% по сравнению с традиционными GPU-решениями. Это особенно важно в контексте постоянно растущего объема данных, обрабатываемых современными центрами.

Новые устройства

«Алтай» может выступать основой для пассивных 3D-сенсоров и систем машинного зрения для робототехники и беспилотного транспорта. Например, он обеспечивает работу пассивных 3D-сенсоров для машинного зрения, поддерживая распознавание образов и принятие решений непосредственно на устройстве. Это особенно важно для беспилотного транспорта, систем контроля производственных процессов и других устройств, где критично сочетание быстродействия и низкого энергопотребления.

Возможность обрабатывать несколько тысяч кадров в секунду делает «Алтай» незаменимым в задачах высокоскоростного анализа видеопотока, например, для систем технического зрения на производственных линиях или для анализа быстротекущих процессов в научных исследованиях.

Кибербезопасность

Нейроморфные сети на базе «Алтая» способны в реальном времени обнаруживать аномалии в компьютерных и индустриальных сетях. Импульсные нейронные сети проявляют высокую устойчивость к ряду атак и могут использоваться для построения надёжных систем мониторинга и защиты. Выявление аномалий происходит быстрее и с меньшими затратами энергии по сравнению с традиционными системами обнаружения вторжений.

Лаборатория Касперского активно исследует применение «Алтая» для защиты от новых типов кибератак, включая продвинутые персистентные угрозы (APT) и атаки нулевого дня. Благодаря способности обучаться в процессе работы, нейроморфные системы могут адаптироваться к новым видам угроз без необходимости постоянного обновления сигнатурных баз.

Эти области применения демонстрируют широкий потенциал нейроморфных процессоров в решении задач, где требуется энергоэффективность, компактность и быстродействие.

Заключение

Создание нейроморфного процессора «Алтай» является значимым этапом в развитии отечественных вычислительных технологий. Чип демонстрирует возможности российских разработок в сфере энергоэффективного искусственного интеллекта. Архитектура процессора, вдохновлённая принципами биологических нейронных сетей, обеспечивает новые возможности для создания автономных систем, встраиваемого ИИ и обработки событийных данных. Благодаря интеграции «Алтая» с Kaspersky Neuromorphic Platform исследователи и инженеры получают прямой доступ к нейроморфным решениям, что упрощает разработку и тестирование ИИ-приложений.

Высокая производительность, дополненная малым энергопотреблением и компактными габаритами, делает «Алтай» универсальным решением как для IoT и встраиваемых систем, так и для дата-центров. Архитектура процессора ориентирована на обработку событийных потоков и работу в режиме реального времени, что особенно важно в условиях ограниченных вычислительных и энергетических ресурсов. Таким образом, «Алтай» демонстрирует не только превосходство в энергоэффективных вычислениях, но и широкие возможности для внедрения в самые разные отрасли, формируя основу для дальнейшего развития отечественных решений на мировом рынке искусственного интеллекта.

Этой статьёй мы завершаем блок, посвящённый современным архитектурам нейроморфных процессоров и передовым подходам в области спайковых нейросетей. Мир нейроморфных вычислений богат и разнообразен. Мы не затронули множество других архитектур, таких как Loihi от Intel, BrainScaleS, Akida, Neurogrid, DYNAP-SE, SenseEdge и многие другие. Каждая из них предлагает интересные технические решения и мы обязательно будем возвращаться к ним в будущем. Сейчас для нас важно рассказать о собственных наработках и альтернативных аппаратных решениях. Следующий блок нашего цикла статей мы посвятим технологиям проектирования чипов и особенности микроэлектронных решений, формирующих основу будущих вычислительных платформ. А уже в следующей статье поделимся достижениями и результатами работы нашей команды. Следите за обновлениями — впереди много интересного!

Нам важно ваше мнение: какие темы в области нейроморфных вычислений вам особенно интересны? Что бы вы хотели обсудить вместе с нами? Пишите в комментариях — мы всегда открыты к диалогу.

Спасибо, что вы с нами!
С уважением, команда MemriLab!

Источники:

1. Статья «Нейроморфный процессор «Алтай» для энергоэффективных вычислений», 2020. Гришанов Н.В., Зверев А.В., Ипатов Д.Е., Канглер В.М., Катомин М.Н., Коденко Н.И., Кострицын И.А., Макаров Ю.С., Мамычев В.И., Павлов П.В., Панченко К.Е., Полстянкин А.В.
2. Разработка заказной нейроморфной сверхбольшой интегральной схемы. Плакат. Гришанов Н.В., Зверев А.В., Ипатов Д.Е., Макаров Ю.С., Мамычев В.И., Постянкин А.В.
3. Официальный сайт проекта Мотив
4. Kaspersky Neuromorphic Platform
5. Kaspersky Neuromorphic AI 2023
6. Kaspersky Neuromorphic AI Conference 2024
7. Презентации: Нейроморфные чипы в Робототехнике 4.0