L’Intelligenza Artificiale ha un problema di Energia. Dall’UK Arriva il Chip “Neuromorfico” che Taglia i Consumi di 2.000 Volte

L’entusiasmo globale per l’intelligenza artificiale generativa e per le reti neurali ci ha fatto dimenticare, forse per un eccesso di ottimismo tecnologico, un dettaglio fisico e macroeconomico non di poco conto: l’IA consuma una quantità di energia spaventosa. I grandi server farm richiedono potenze paragonabili a quelle di piccole nazioni, creando un collo di bottiglia strutturale che rischia di frenare l’innovazione stessa. La soluzione, ironia della sorte, potrebbe non arrivare da algoritmi software sempre più complessi, ma da un radicale ritorno all’hardware fisico.

Un team di ricercatori della Loughborough University, nel Regno Unito, ha infatti sviluppato un nuovo microchip ispirato al cervello umano che promette di rendere i sistemi di intelligenza artificiale fino a 2.000 volte più efficienti dal punto di vista energetico rispetto ai metodi tradizionali. Un passo in avanti notevole che potrebbe spostare la curva dell’offerta aggregata del settore tecnologico, liberando risorse energetiche preziose.

Cos’è e come funziona il chip a “Memristori”

Per comprendere la portata della scoperta, pubblicata sulla rivista scientifica Advanced Intelligent Systems, dobbiamo addentrarci nei meandri del cosiddetto Reservoir Computing (RC) e dell’elettronica neuromorfica.

I computer tradizionali, basati sull’architettura di Von Neumann, separano nettamente l’unità di elaborazione (CPU) dalla memoria. Ogni volta che si deve compiere un calcolo, i dati viaggiano avanti e indietro consumando tempo ed energia. Il nuovo chip britannico, guidato dal Dr. Pavel Borisov, utilizza invece dispositivi chiamati memristori (una contrazione di memory e resistor). Questi componenti non solo limitano il flusso di corrente elettrica, ma “ricordano” la quantità di carica che li ha attraversati in precedenza. Elaborano e memorizzano le informazioni nello stesso identico luogo fisico, esattamente come fanno le sinapsi nel nostro cervello.

Cosa è un memristore: immagine illustrativa

Il vero colpo di genio, tuttavia, risiede nella struttura dei materiali utilizzati:

• Film sottile di ossido di niobio: Il materiale semiconduttore alla base del dispositivo, capace di commutazioni resistive volatili in base al calore generato dal passaggio di corrente (Joule heating).
• Nanoporosità casuale: L’elettrodo inferiore in platino presenta dei pori su scala nanometrica, distribuiti in modo del tutto casuale.

Questa irregolarità strutturale simula le connessioni apparentemente caotiche tra i neuroni del cervello dei mammiferi. La rete complessa e casuale permette ai segnali elettrici di prendere percorsi multipli. Quando un segnale (sotto forma di voltaggio) attraversa il chip, la risposta (la corrente in uscita) varia in base a queste connessioni fisiche intricate e alla “memoria a breve termine” del materiale.

La prova del nove: Caos e Previsioni

Per dimostrare che questo approccio non è solo un bell’esercizio accademico, ma una solida realtà ingegneristica, i ricercatori hanno sottoposto il chip a test computazionali estremamente complessi:

1. Operazioni logiche XOR: Un test base che i sistemi lineari semplici non riescono a risolvere, superato con il 100% di precisione in soli 12 cicli di addestramento.
2. Riconoscimento di immagini: Il chip ha riconosciuto immagini pixelate di numeri da zero a nove con estrema precisione.
3. Il sistema caotico di Lorenz-63: La sfida più ardua. Si tratta del modello matematico del caos, noto al grande pubblico per l'”effetto farfalla“, basato su equazioni integrali 3D, dove variazioni minime iniziali generano risultati futuri completamente diversi. Inviando al chip i dati temporali del sistema caotico sotto forma di impulsi elettrici, la rete neuromorfica è riuscita a prevedere il comportamento a breve termine del sistema e a ricostruire i dati mancanti con un grado di accuratezza sorprendente.

Perché risparmia così tanta energia?

Il risparmio energetico, che arriva a sfiorare un fattore di 2.000 rispetto all’esecuzione dello stesso compito tramite software (come le Echo State Networks convenzionali), deriva dal fatto che il calcolo matematico non viene simulato da milioni di transistor che si accendono e spengono elaborando codice. Il calcolo avviene fisicamente. La variazione della resistenza elettrica all’interno dell’ossido di niobio è di per sé il risultato dell’operazione. Si bypassa completamente l’inefficienza del software, elaborando i dati che cambiano nel tempo direttamente nell’hardware. I consumi passano dai Watt necessari per alimentare un processore standard, a frazioni di nanoJoule per singolo impulso di lettura.

Perché è fondamentale per l’IA e per l’Economia?

Siamo di fronte a un cambio di paradigma essenziale. Oggi, per far funzionare un’IA complessa, i nostri dispositivi devono collegarsi costantemente a giganteschi server in cloud, con problemi annessi di latenza, sicurezza dei dati e, come abbiamo visto, uno spreco energetico insostenibile.

Questo chip apre le porte all’edge computing di altissimo livello. Significa che potremmo avere sistemi di intelligenza artificiale avanzati direttamente “a bordo” di smartphone, automobili, sensori industriali e dispositivi medici. Macchine in grado di elaborare serie temporali complesse (come i battiti cardiaci, le fluttuazioni meteorologiche o i dati dei mercati finanziari) operando totalmente offline, in modo istantaneo e con una batteria che potrebbe durare mesi.

La tecnologia è ancora allo stadio di prototipo scalabile, ma indica la rotta obbligata. Se l’IA deve essere il motore della nostra produttività futura e non un buco nero per le nostre reti elettriche, l’innovazione dovrà necessariamente passare per hardware fisicamente efficienti, in un perfetto e pragmatico equilibrio tra natura e ingegneria.

Rimani aggiornato seguendoci su Google News!

SEGUICI