Цифровая архитектура разума: как Fugaku воссоздал кору головного мозга мыши
В ноябре 2025 года коллаборация японских и американских ученых представила на суперкомпьютере Fugaku беспрецедентный эксперимент — полномасштабную симуляцию коры головного мозга мыши. Это не упрощенная абстракция, к которым мы привыкли в машинном обучении, а биофизически достоверная реконструкция. Девять миллионов нейронов были воссозданы с учетом морфологии дендритов, динамики ионных каналов и кальциевого обмена. Каждый элемент этой сети существовал в виде системы дифференциальных уравнений, описывающих процессы в пространстве и времени.
Данная работа стала первой в истории петафлопсной симуляцией мозга на микроскопическом уровне. Результаты исследования были представлены на SC’25 — ведущей конференции в области суперкомпьютерных вычислений. Для любого разработчика в сфере ИИ этот проект важен как маркер того, насколько близко мы подошли к моделированию самого совершенного интеллекта в известной нам Вселенной.
Зачем нужна биологическая детализация?
На фоне успехов GPT и диффузионных моделей возникает резонный вопрос: зачем возвращаться к сложной биологии? Современные нейросети отлично справляются с кодингом и генерацией контента, используя лишь отдаленные подобия биологических процессов — нелинейные активации и механизмы внимания.
Проблема в том, что мы до сих пор не понимаем фундаментальных принципов работы мозга. Биологический нейрон — это не функция ReLU. Это сложная структура с аксонами и разветвленными дендритными деревьями, где электрические токи и химические реакции взаимодействуют через пятнадцать типов ионных каналов. Возможно, именно в этих «деталях» скрыт секрет эффективности природного интеллекта. Чтобы проверить эту гипотезу, необходимо построить цифровую копию, сохраняющую всю сложность оригинала, и пронаблюдать за её поведением.
Fugaku: мощь японского инженерного гения
Для реализации столь амбициозной задачи был выбран Fugaku — японский суперкомпьютер, созданный институтом RIKEN и компанией Fujitsu. Его вычислительная мощь базируется на 158 976 узлах, обеспечивающих пиковую производительность в 440 петафлопс при вычислениях с двойной точностью.
Сердце каждого узла — процессор ARM A64FX. Архитектура Fugaku отличается строгой регулярностью: четыре группы по двенадцать ядер, поддержка 512-битных векторных операций SVE и высокоскоростная межузловая связь Tofu D (40 ГБ/с). Такая иерархичность идеально подходит для параллельного моделирования нейронных сетей.
Neulite: триумф минимализма
Вместо использования тяжеловесных существующих симуляторов (вроде NEURON или Arbor), авторы создали собственный движок — Neulite. Его ядро занимает менее 2600 строк кода на языке C17. Для сравнения: типичный загрузчик данных в ML-проекте может быть в разы объемнее.
Секрет эффективности Neulite кроется в трех принципах:
- Разделение труда: Вся подготовка данных вынесена во фронтенд на базе BMTK (Brain Modeling ToolKit). Ядро лишь исполняет готовые сценарии.
- Статическая оптимизация: Параметры симуляции задаются на этапе компиляции, что исключает накладные расходы в рантайме.
- Узкая специализация: Поддерживаются только модели из базы данных Allen Cell-Types. Никакой универсальности — только максимальная производительность для конкретных типов клеток.
Материалы о будущем технологий и нейросетей в моем авторском канале:
«Откровения от Олега»
Трехуровневая параллелизация
Распределить нагрузку от девяти миллионов нейронов по 145 тысячам узлов — задача не из легких. Авторы применили декомпозицию на трех уровнях:
- MPI (межпроцессное взаимодействие): Мозг делится на подсети, распределяемые между узлами.
- OpenMP (потоки): Внутри каждого процесса расчеты распределяются по ядрам.
- SVE (векторизация): Уравнения для групп морфологически идентичных нейронов решаются одновременно с помощью 512-битных векторов.
Особое внимание уделили решению линейных уравнений мембранного потенциала. Использование метода Хайнса (модифицированного исключения Гаусса для древовидных структур) позволило эффективно обрабатывать сложные дендритные ветвления без лишних вычислительных затрат.
Проблема «спайков» и битовые массивы
Главным препятствием для масштабируемости стала передача сигналов (спайков). В огромной сети задержки при обмене данными между узлами могут парализовать вычисления. Традиционные методы MPI_Allgather и MPI_Alltoall оказались либо слишком медленными, либо ресурсозатратными.
Решение оказалось элегантным в своей простоте: упаковка спайков в битовые массивы (8 нейронов на 1 байт). Если нейрон «выстрелил» — ставится единица, если нет — ноль. Такая компактная передача данных позволила достичь производительности в 7.13 петафлопс, хотя коммуникации всё еще остаются «бутылочным горлышком» системы.
Эмерджентность: когда модель «оживает»
В ходе тестов на полной модели мышиной коры (26 миллиардов синапсов, 86 регионов) исследователи обнаружили нечто удивительное. При подаче слабого тока для поддержания спонтанной активности, определенные группы тормозных нейронов во фронтальной области начали синхронно осциллировать на частоте около 10 Гц.
Эта межполушарная синхронизация — эмерджентное свойство. Ученые не программировали этот ритм специально; он возник сам собой как результат сложной топологии связей и динамики ионных каналов. Это именно то, ради чего строятся подобные модели: увидеть паттерны, которые невозможно предсказать теоретически.
Цифры и перспективы
- Одна секунда биологического времени рассчитывается за 32 секунды реального времени на всем мощностном ресурсе Fugaku.
- Энергопотребление: мозг мыши тратит 0.5 Вт, мозг человека — 20 Вт. Fugaku потребляет мегаватты.
- Полная симуляция человеческого мозга (21 миллиард нейронов в коре) при текущих темпах роста мощностей станет возможной примерно к 2044 году.
На данный момент в модели отсутствует синаптическая пластичность (обучение) и поддержка глиальных клеток. Тем не менее, Neulite на Fugaku — это мощный Proof of Concept. Мы получили инструмент для «виртуальной нейробиологии», который позволит тестировать гипотезы о природе психических заболеваний и искать вдохновение для новых архитектур искусственного интеллекта.
Пока человеческий разум остается непревзойденным эталоном энергоэффективности и гибкости, но цифровые копии уже начинают демонстрировать первые признаки сложности, присущей живой материи.
