Prendendo ispirazione dal cervello umano, i ricercatori ne hanno sviluppato uno nuovo transistor sinaptico capace di pensiero di livello superiore.
Un’interpretazione artistica del brain-like computing. Credito immagine: Xiaodong Yan/Northwestern University
Progettato dai ricercatori della Northwestern University, del Boston College e del Massachusetts Institute of Technology (MIT), il dispositivo elabora e memorizza simultaneamente le informazioni proprio come il cervello umano. In nuovi esperimenti, i ricercatori hanno dimostrato che il transistor va oltre i semplici compiti di apprendimento automatico per classificare i dati ed è in grado di eseguire l’apprendimento associativo.
Sebbene studi precedenti abbiano sfruttato strategie simili per sviluppare dispositivi informatici simili al cervello, questi transistor non possono funzionare al di fuori delle temperature criogeniche. Il nuovo dispositivo, al contrario, è stabile a temperatura ambiente. Funziona inoltre a velocità elevate, consuma pochissima energia e conserva le informazioni memorizzate anche quando viene interrotta l’alimentazione, rendendolo ideale per le applicazioni del mondo reale.
IL studio è stato pubblicato sulla rivista Natura.
“Il cervello ha un’architettura fondamentalmente diversa da quella di un computer digitale”, ha affermato la Northwestern Mark C. Hersamche ha co-diretto la ricerca.
“In un computer digitale, i dati si spostano avanti e indietro tra un microprocessore e la memoria, il che consuma molta energia e crea un collo di bottiglia quando si tenta di eseguire più attività contemporaneamente. D’altra parte, nel cervello, la memoria e l’elaborazione delle informazioni sono co-localizzate e completamente integrate, con conseguente efficienza energetica di ordini di grandezza più elevata. Allo stesso modo, il nostro transistor sinaptico raggiunge la funzionalità simultanea di memoria ed elaborazione delle informazioni per imitare più fedelmente il cervello”.
Hersam è il professore Walter P. Murphy di scienza dei materiali e ingegneria presso la Northwestern Scuola di Ingegneria McCormickprofessore di medicina presso Scuola di Medicina Feinberg della Northwestern University e professore di chimica alla Northwestern Weinberg College delle Arti e delle Scienze.
È inoltre presidente del dipartimento di scienza e ingegneria dei materiali, direttore dell’ Centro di scienza e ingegneria della ricerca sui materiali e membro del Istituto Internazionale per le Nanotecnologie. Hersam ha co-condotto la ricerca con Qiong Ma del Boston College e Pablo Jarillo-Herrero del MIT.
I recenti progressi nel campo dell’intelligenza artificiale (AI) hanno motivato i ricercatori a sviluppare computer che funzionino in modo più simile al cervello umano. I sistemi informatici digitali convenzionali dispongono di unità di elaborazione e archiviazione separate, il che fa sì che le attività ad alta intensità di dati divorino grandi quantità di energia.
Con i dispositivi intelligenti che raccolgono continuamente grandi quantità di dati, i ricercatori stanno cercando di scoprire nuovi modi per elaborarli tutti senza consumare una quantità crescente di energia.
Attualmente, il resistore di memoria, o “memristor”, è la tecnologia più sviluppata in grado di eseguire funzioni combinate di elaborazione e memoria. Ma i memristor soffrono ancora di una commutazione costosa dal punto di vista energetico.
“Per diversi decenni, il paradigma in elettronica è stato quello di costruire tutto a partire dai transistor e utilizzare la stessa architettura del silicio”, ha affermato Hersam.
“Sono stati compiuti progressi significativi semplicemente inserendo sempre più transistor nei circuiti integrati. Non si può negare il successo di questa strategia, ma va a scapito di un elevato consumo energetico, soprattutto nell’attuale era dei big data, in cui l’informatica digitale è sulla buona strada per sopraffare la rete. Dobbiamo ripensare l’hardware informatico, in particolare per le attività di intelligenza artificiale e apprendimento automatico”.
Per ripensare questo paradigma, Hersam e il suo team hanno esplorato nuovi progressi nella fisica dei motivi moiré, un tipo di disegno geometrico che nasce quando due motivi vengono sovrapposti uno sopra l’altro. Quando i materiali bidimensionali vengono impilati, emergono nuove proprietà che non esistono in un solo strato. E quando questi strati vengono attorcigliati per formare un motivo moiré, diventa possibile una regolazione senza precedenti delle proprietà elettroniche.
Per il nuovo dispositivo, i ricercatori hanno combinato due diversi tipi di materiali atomicamente sottili: grafene a doppio strato e nitruro di boro esagonale. Quando impilati e volutamente attorcigliati, i materiali formavano un motivo moiré. Ruotando uno strato rispetto all’altro, i ricercatori hanno potuto ottenere proprietà elettroniche diverse in ciascuno strato di grafene anche se li separano solo dimensioni su scala atomica. Con la giusta scelta della torsione, i ricercatori hanno sfruttato la fisica del moiré per la funzionalità neuromorfica a temperatura ambiente.
“Con la torsione come nuovo parametro di progettazione, il numero di permutazioni è vasto”, ha affermato Hersam. “Il grafene e il nitruro di boro esagonale sono molto simili strutturalmente ma abbastanza diversi da ottenere effetti moiré eccezionalmente forti.”
Per testare il transistor, Hersam e il suo team lo hanno addestrato a riconoscere modelli simili, ma non identici. Proprio all’inizio di questo mese, Hersam ha introdotto un nuovo dispositivo nanoelettronico capace di analizzare e classificare i dati in modo efficiente dal punto di vista energetico, ma il suo nuovo transistor sinaptico fa fare un ulteriore passo avanti all’apprendimento automatico e all’intelligenza artificiale.
“Se l’intelligenza artificiale è destinata a imitare il pensiero umano, uno dei compiti di livello più basso sarebbe quello di classificare i dati, che consiste semplicemente nell’ordinarli in contenitori”, ha affermato Hersam. “Il nostro obiettivo è far avanzare la tecnologia dell’intelligenza artificiale nella direzione di un pensiero di livello superiore. Le condizioni del mondo reale sono spesso più complicate di quanto gli attuali algoritmi di intelligenza artificiale possano gestire, quindi abbiamo testato i nostri nuovi dispositivi in condizioni più complicate per verificarne le capacità avanzate”.
Per prima cosa i ricercatori hanno mostrato al dispositivo uno schema: 000 (tre zeri di seguito). Quindi, hanno chiesto all’intelligenza artificiale di identificare modelli simili, come 111 o 101. “Se l’abbiamo addestrato a rilevare 000 e poi gli abbiamo dato 111 e 101, saprà che 111 è più simile a 000 che a 101”, ha spiegato Hersam. “000 e 111 non sono esattamente la stessa cosa, ma sono entrambi tre cifre di seguito. Riconoscere che la somiglianza è una forma di cognizione di livello superiore nota come apprendimento associativo.
Negli esperimenti, il nuovo transistor sinaptico ha riconosciuto con successo modelli simili, mostrando la sua memoria associativa. Anche quando i ricercatori hanno lanciato palle curve, come dargli schemi incompleti, ha comunque dimostrato con successo l’apprendimento associativo.
“L’attuale intelligenza artificiale può essere facilmente confusa, il che può causare grossi problemi in determinati contesti”, ha affermato Hersam. “Immagina se stai utilizzando un veicolo a guida autonoma e le condizioni meteorologiche peggiorano. Il veicolo potrebbe non essere in grado di interpretare i dati dei sensori più complicati così come potrebbe farlo un conducente umano. Ma anche quando abbiamo fornito al nostro transistor un input imperfetto, è stato comunque possibile identificare la risposta corretta”.
Fonte: Università nordoccidentale
Da un’altra testata giornalistica. news de www.technology.org
