Учёные USC создали нейроморфный чип размером с монету без батарейки и облака
Инженеры Университета Южной Калифорнии (USC) построили устройство, которое воспринимает окружающий мир, обучается на его сигналах и принимает решения — без батарейки, без интернета, без сервера и без цифровой обработки. Весь этот цикл умещается на плате размером с монету и питается исключительно энергией тех самых сигналов, которые устройство обрабатывает. Исследование опубликовано 2 июня 2026 года как обложечная статья журнала Nature Sensors.
Работу возглавил профессор Дж. Джошуа Ян (J. Joshua Yang) из Школы инженерии имени Вербий USC при соавторстве постдокторального исследователя Сын Джу Кима (Seung Ju Kim) в рамках Центра нейроморфных вычислений в экстремальных условиях (CONCRETE Center) — проекта, финансируемого ВВС и армией США.
«Сигнал — это не просто сигнал для обработки. Он также является источником энергии для питания системы», — сформулировал принцип Ян.
Почему цифровые системы расходуют энергию впустую
Весь современный мир вычислений построен на одном допущении: все сигналы из реального мира нужно сначала перевести в цифровую форму — нули и единицы, — а уже потом обрабатывать. Это удобно, но дорого: перевод требует специальных схем, занимает время и поглощает энергию.
«Исходные данные — аналоговые и огромные. Если вам нужно перевести их в цифровой формат, нужна ещё одна сложная схема и масса энергии. А потом надо хранить данные. Хранение тоже требует времени, энергии и места», — объясняет Ян.
Устройство USC полностью отказывается от этого шага. Оно работает с аналоговыми сигналами напрямую — точно так же, как мозг работает с потоком ощущений, не переводя свет или прикосновение в двоичный код. В основе — два типа наноразмерных элементов, называемых мемристорами.
Первый тип ведёт себя как нейрон: получив сигнал, он генерирует импульс, и чем сильнее стимул — чем ярче свет или сильнее давление, — тем быстрее этот импульс. Второй тип работает как синапс: он «запоминает» поступившие сигналы, обновляет своё состояние при новых входных данных и удерживает его после того, как сигналы прекращаются. Соединив оба типа с несколькими резисторами и конденсаторами, исследователи получили схему, которая без какого-либо программного обеспечения улавливает закономерности в потоке сигналов от разных датчиков и запоминает их.
Обучение без учителя и без ярлыков
Большинство современных нейросетей обучаются по принципу «покажи миллион примеров с правильными ответами». Это требует огромных вычислительных ресурсов и не происходит в реальном времени. Устройство USC работает иначе.
«Наш мозг обучается больше по принципу обучения без учителя, — объясняет Ян. — Если показать маленькому ребёнку стол, стул, лошадь, овцу и свинью, не говоря ничего, он очень быстро сможет разделить их на мебель и животных, хотя у всех четыре ноги. Это обучение без учителя. Ты учишься из данных и понимаешь их внутренние связи».
Ким описывает принцип ещё проще: «В нашей системе память обновляется не программным алгоритмом обучения. Вместо этого она возникает из временных соотношений между физическими сигналами. Повторяющиеся совпадающие сигналы усиливаются, несвязанные — постепенно затухают». Именно так работает синаптическая пластичность в биологическом мозге.
Самопитание достигается так: свет падает на фотодетектор — и та же энергия, которую он несёт, приводит в действие схему. Давление сжимает пьезоэлемент — и этот же механический импульс питает систему обработки. Сигнал и источник питания — одно и то же.
Где это может работать уже сегодня
Чтобы продемонстрировать практическую ценность, исследователи моделировали сеть датчиков, разбросанных по лесистой местности для обнаружения молний — главного источника природных пожаров в отдалённых районах Калифорнии. Молния производит два сигнала с разной скоростью: свет приходит почти мгновенно, звук — со скоростью около 340 м/с. Разрыв между моментами их прихода кодирует расстояние до разряда. Устройство запоминает этот разрыв прямо в своей схеме — без сервера, без Wi-Fi, без регистратора данных. В симуляции система точно восстановила координаты молний по всей площади сети.
Ключевые параметры и области применения:
- Пожарная разведка: сеть дешёвых самопитающихся датчиков в лесу выявляет молнии и очаги пожара без инфраструктуры и обслуживания годами.
- Умные очки: Ян называет это главным потребительским применением. Будущие очки должны переводить иностранные надписи, распознавать лица и обрабатывать окружающую среду в реальном времени — весить не больше 50 граммов и не требовать подзарядки каждый час. Первое поколение Google Glass справлялось лишь 30 минут при записи видео.
- Тело как батарейка: устройство может питаться от давления шагов, тепла тела или вибрации — без внешнего источника питания, без смартфона и без облака.
- Космос и глубоководье: в местах, где подзарядка невозможна, а передача данных на Землю занимает минуты или часы, локальная обработка «на месте» — единственное реалистичное решение.
- Экстремальные температуры: лаборатория Яна ранее создала мемристоры, работающие при температурах выше 700°C (Nature, март 2026). Комбинация двух разработок может дать систему, обучающуюся в условиях, уничтожающих обычную электронику, — внутри реакторов, на поверхности Венеры, в вулканических зонах.
«ИИ может делать хорошее в местах, куда мы не можем пойти — там, где слишком жарко, слишком радиоактивно, слишком далеко», — говорит Ян.
Для более широкого контекста: мировые дата-центры в 2026 году потребляют около 1–2% глобального электричества, и этот показатель удваивается примерно каждые четыре года. По данным Международного энергетического агентства, к 2030 году их доля может достичь 4–5%. Устройства, способные обучаться и обрабатывать данные прямо на месте сбора — без передачи в облако, — открывают путь к «интеллекту без инфраструктуры».
«Энергия — это ключевая проблема для дата-центров, — говорит Ян. — Всё ограничено энергией. Учись у самого эффективного компьютера в мире — нашего мозга».
