Computer neuromorfici: la via neurale verso l’intelligenza artificiale

Negli ultimi due anni, gli istituti di ricerca hanno lavorato alla ricerca di nuovi concetti su come i computer potranno elaborare i dati in futuro. Uno di questi concetti è noto come calcolo neuromorfico. I modelli di calcolo neuromorfico possono sembrare simili alle reti neurali artificiali, ma hanno poco a che fare con esse.

Rispetto ai tradizionali algoritmi di intelligenza artificiale, che richiedono l’apprendimento di quantità significative di dati prima di poter essere efficaci, i sistemi di calcolo neuromorfici possono apprendere e adattarsi in corso d’opera. Il programma non è esterno alla macchina, ma viene fisicamente incluso nell’evoluzione del processore stesso. 

Questo limita l’interscambio dei dati fra il processore e la memoria.

Con la crescita esplosiva del settore dell’apprendimento automatico, ricercatori tedeschi hanno ideato un metodo di addestramento efficiente per computer neuromorfici.

Una macchina fisica ad autoapprendimento

“Abbiamo sviluppato il concetto di una macchina fisica ad autoapprendimento”, spiega Florian Marquardt, scienziato dell’Istituto Max Planck per la scienza della luce di Erlangen, in Germania. “L’idea centrale è quella di svolgere la formazione sotto forma di un processo fisico, in cui i parametri della macchina sono ottimizzati dal processo stesso.”

Come nel caso dell’addestramento delle reti neurali artificiali convenzionali, è necessario un feedback esterno per migliorare il funzionamento del modello. Tuttavia, una macchina fisica ad autoapprendimento, proposta dal team di ricercatori, rende l’allenamento molto più efficiente e fa risparmiare energia.

“Il nostro metodo funziona indipendentemente dal processo fisico che avviene nella macchina ad autoapprendimento e non abbiamo nemmeno bisogno di conoscere il processo esatto”, spiega Marquardt. “Tuttavia, il processo deve soddisfare alcune condizioni. Soprattutto, deve essere reversibile, il che significa che deve essere in grado di andare avanti o indietro con una minima perdita di energia.”

Basato sull’architettura neuromorfica

Un’architettura neuromorfica è l’opposto di un’architettura di von Neumann, su cui si basa oggi la maggior parte del nostro hardware. “Inoltre, l’architettura di von Neumann attualmente utilizzata dai dispositivi elettronici è nota per essere altamente inefficiente per la maggior parte delle applicazioni ML”, osservano i ricercatori nel loro studio.

L’architettura di Von Neumann, che vedete rappresentata qui sotto, è quella classica in cui la memoria del processoere viene a contenere il programma da svolgere, e tutto è fisicamente prefissato

L’architettura von Neumann separa memoria e calcolo, il che significa che i chip trasportano le informazioni avanti e indietro tra la CPU e la memoria. Ciò richiede più tempo ed energia. Un’architettura neuromorfica è la risposta a questa domanda.

“Speriamo di poter presentare la prima macchina fisica ad autoapprendimento entro tre anni”, ha affermato Marquardt. “Siamo quindi fiduciosi che le macchine fisiche ad autoapprendimento abbiano una forte possibilità di essere utilizzate nell’ulteriore sviluppo dell’intelligenza artificiale”.