Ученые МФТИ с коллегами из Института биологии и биомедицины ННГУ им. Н. И. Лобачевского разработали механизм, который позволяет искусственным нейронным сетям, имитирующим работу мозга, сохранять стабильность и избегать сбоев. Разработка открывает путь к созданию сверхнадежных нейроморфных вычислительных систем.
Результаты опубликованы в The European Physical Journal Special Topics. Исследование выполнено при поддержке Министерства науки и высшего образования РФ (проекты №FSWR-2026-0012 и №FSMG-2024-0047).
«В основу нашей разработки заложен принцип гомеостаза — способности систем сохранять равновесие за счет внутренних ресурсов. Это свойство, которое в большей степени присущее биологическим объектам, было реализовано в цифровой архитектуре»,— пояснил Виктор Казанцев, руководитель лаборатории нейробиоморфных технологий МФТИ и кафедры нейротехнологий Института биологии и биомедицины ННГУ им. Н. И. Лобачевского.
По его словам, для этих целей были задействованы специальные механизмы, благодаря которым искусственная нейросеть в реальном времени отслеживала уровень своей активности и гибко регулировала силу сигналов между нейронами. Это позволяло системе подавлять перевозбуждения и не допускать «сваливания» в неконтролируемые режимы.
Моделирование специалисты провели на базе разработанной ими импульсной нейронной сети (ИНС) — платформе, которая по своей структуре максимально приближена к работе биологического мозга. В таких архитектурах сигналы проходят от нейрона к нейрону в виде коротких электрических импульсов — спайков. При этом в остальное время нейроны неактивны, что значительно экономит вычислительные мощности по сравнению с традиционными нейросетями.
В процессе исследования ученые показали, что импульсная нейронная сеть при низких целевых частотах увеличивает число спайков внутри каждого всплеска, а при высоких — наращивает частоту самих всплесков. Это позволяет системе автоматически подстраиваться под требуемый уровень активности, сохраняя стабильность в широком диапазоне режимов работы.
Исследователи также обнаружили, что значимую роль в подавлении перевозбуждений играет кратковременная синаптическая депрессия — процесс, при котором синапсы (контакты между нейронами) после фазы интенсивной активности на небольшой период ослабляют передачу сигналов. Это предотвращает лавинообразное нарастание возбуждений — «супервсплески», при которых отдельные нейроны генерировали бы сотни импульсов подряд.
Ученые дополнили разработку алгоритмом долговременной пластичности. Он изменяет вес связей между нейронами в зависимости от интервалов между импульсами. Это позволило всем нейронам в широком диапазоне частот синхронно реагировать на внешние стимулы.
В результате система научилась генерировать «сетевые спайки» — кратковременные разряды, в которых участвуют практически все нейроны. При превышении допустимого порога нейросеть переключалась в режим пропуска лишних стимулов, а при генерации ответа выдавала мощный синхронный разряд. Такой режим позволил сделать передачу сигнала устойчивой к шуму.
По словам исследователей, предложенные механизмы могут стать фундаментом для создания простых нейроморфных процессоров, сопоставимых по энергоэффективности с человеческим мозгом, которые благодаря саморегуляции смогут избегать «зависаний» и будут защищены от помех. Такие системы могут найти применение в автономной робототехнике — устройствах, которые смогут принимать решения без постоянной связи с облачными серверами.
В перспективе ученые планируют адаптировать предложенный подход для более сложных систем. Например, таких, в которых нейроны смогут самостоятельно формировать новые связи взамен утраченных.
Исследование выполнено при поддержке Министерства науки и высшего образования РФ (проекты №FSWR-2026-0012 и №FSMG-2024-0047).
Научная статья: Zharinov A. I., Tolkanova A. V., Kurganov D. P. et al. Bursting dynamics in a spiking neural network with homeostatic and synaptic plasticity // Eur. Phys. J. Spec. Top. (2026). DOI: https://doi.org/10.1140/epjs/s11734-026-02551-0
