Новый подход к обработке логических выводов, представленный в системе TernaT, стал прорывом в развитии Vector-Symbolic Architecture — технологии, существующей с 1988 года, но до сих пор страдавшей от фундаментальных ограничений. Основной проблемой традиционных VSA-решений было катастрофическое накопление шума при обработке более 12 фактов, что полностью исключало возможность сложных многошаговых рассуждений. Разработчики TernaT предложили радикально новую архитектуру, сочетающую три ключевых инновации: шардирование данных по предикатам, обучаемый тернарный резонатор и гибридную систему управления на базе MLP/Transformer.

Технической основой прорыва стал GraphKANResonator — компактный механизм очистки данных размером всего 16 КБ, использующий тернарные веса (-1, 0, +1) и содержащий 65 536 параметров. Этот компонент выполняет итеративное уточнение представлений всего за пять циклов (1.1 мс на CPU), что стало возможным благодаря применению контрастивного обучения. В отличие от классических подходов, резонатор тренируется не только на чистых данных, но и на специально сгенерированных шумных вариантах, что позволило снизить уровень ложных срабатываний с 1.3% до рекордных 0.2%. Для сравнения, существующие алгоритмические решения (Kanerva 1988, Plate 2003, Frady 2021) не могли обеспечить подобной точности даже при значительно больших вычислительных ресурсах.

Архитектура TernaT включает три взаимодополняющих компонента: PredicateShardedStore для интеллектуальной группировки фактов, GraphKANResonator для очистки данных и связку FastController + ChainScorer для управления процессом вывода. В тестах на базе из 96 фактов и 53 сущностей система показала 90% точность на многошаговых вопросах, включая 70% на самых сложных трёхшаговых запросах. Эти результаты особенно впечатляют на фоне традиционных VSA-решений, которые давали лишь 30% точности и полностью проваливались на многошаговых запросах из-за фундаментальных ограничений архитектуры.

Разработка открывает новые перспективы для российского рынка интернета вещей и встраиваемых систем, где требования к энергоэффективности и стоимости критически важны. TernaT полностью помещается в микроконтроллеры стоимостью от $0.50 (Cortex-M0+) и более мощные платформы типа ESP32-S3, что делает её потенциально востребованной в промышленных датчиках, носимых устройствах и других сферах, где использование крупных языковых моделей невозможно. Особенно актуально это для отечественных разработчиков, сталкивающихся с ограничениями в доступе к современным GPU-решениям.

Несмотря на впечатляющие результаты, разработчики отмечают ряд ограничений, которые предстоит преодолеть в будущих версиях. Точность на трёхшаговых запросах остаётся на уровне 70% из-за накопления ошибок в цепочках рассуждений. NLP-компонент системы работает только с заранее известными сущностями, а его обучение проводилось на относительно небольшом наборе из 190 примеров. Эти ограничения пока не позволяют рассматривать TernaT как готовый коммерческий продукт, но демонстрируют принципиальную возможность создания эффективных reasoner'ов для ресурсоограниченных устройств.

Перспективы развития технологии включают увеличение масштаба обучающей выборки, улучшение механизмов обработки неизвестных сущностей и оптимизацию энергопотребления. Учитывая растущий спрос на edge-вычисления в России, особенно в условиях санкций, решения класса TernaT могут стать важной альтернативой западным LLM-решениям для специализированных приложений, где критичны минимальные требования к оборудованию и энергопотреблению.