Una nuova ricerca mostra un possibile modo per migliorare il calcolo ad alta efficienza energetica basato sull’imitazione delle funzioni cerebrali.
Spesso crediamo che i computer siano più efficienti degli umani. Dopotutto, i computer possono completare una complessa equazione matematica in un attimo e possono anche ricordare il nome di quell’unico attore che continuiamo a dimenticare.
Tuttavia, i cervelli umani possono elaborare strati complicati di informazioni in modo rapido, accurato e quasi senza input di energia: riconoscere un volto dopo averlo visto solo una volta o sapere immediatamente la differenza tra una montagna e l’oceano. Queste semplici attività umane richiedono un’enorme elaborazione e un input di energia da parte dei computer, e anche in questo caso, con vari gradi di precisione.
Comportamento simile al cervello: noto come non località, gli stimoli elettrici trasmessi tra elettrodi vicini possono influenzare anche gli elettrodi non vicini. Credito immagine: Mario Rojas / UC San Diego
La creazione di computer simili a cervelli con requisiti energetici minimi rivoluzionerebbe quasi ogni aspetto della vita moderna.
Finanziato dal Department of Energy, Quantum Materials for Energy Efficient Neuromorphic Computing (Q-MEEN-C) – un consorzio nazionale guidato dall’Università della California di San Diego – è stato in prima linea in questa ricerca.
Assistente Professore di Fisica presso la UC San Diego Alex Fraño è co-direttore di Q-MEEN-C e pensa al lavoro del centro in fasi.
Nella prima fase, ha lavorato a stretto contatto con il presidente emerito dell’Università della California e il professore di fisica Robert Dynes, nonché con il professore di ingegneria Rutgers Shriram Ramanathan. Insieme, i loro team sono riusciti a trovare modi per creare o imitare le proprietà di un singolo elemento cerebrale (come un neurone o una sinapsi) in un materiale quantistico.
Intelligenza artificiale, machine learning – interpretazione artistica. Credito immagine: Steve Johnson tramite Unsplash, licenza gratuita
Ora, nella fase due, una nuova ricerca di Q-MEEN-C, pubblicata in Lettere Nanomostra che gli stimoli elettrici passati tra elettrodi vicini possono influenzare anche gli elettrodi non vicini.
Conosciuta come non-località, questa scoperta è una pietra miliare cruciale nel viaggio verso nuovi tipi di dispositivi che imitano le funzioni cerebrali note come calcolo neuromorfico.
“Nel cervello si capisce che queste interazioni non locali sono nominali – si verificano frequentemente e con uno sforzo minimo”, ha affermato Frañó, uno dei coautori dell’articolo. “È una parte cruciale del funzionamento del cervello, ma comportamenti simili replicati nei materiali sintetici sono scarsi”.
Come molti progetti di ricerca che stanno dando i loro frutti, l’idea di verificare se fosse possibile la non località nei materiali quantistici è nata durante la pandemia.
Gli spazi dei laboratori fisici erano chiusi, quindi il team ha eseguito calcoli su array che contenevano più dispositivi per imitare i molteplici neuroni e sinapsi nel cervello. Nell’eseguire questi test, hanno scoperto che la non località era teoricamente possibile.
Quando i laboratori hanno riaperto, hanno perfezionato ulteriormente questa idea e hanno arruolato il professore associato della UC San Diego Jacobs School of Engineering Duygu Kuzum, il cui lavoro in ingegneria elettrica e informatica li ha aiutati a trasformare una simulazione in un dispositivo reale.
Ciò ha comportato il prelievo di un sottile film di nichelato, un “materiale quantistico” ceramico che mostra ricche proprietà elettroniche, l’inserimento di ioni idrogeno e quindi il posizionamento di un conduttore metallico sopra. Un filo è attaccato al metallo in modo che un segnale elettrico possa essere inviato al nichelato.
Il segnale fa sì che gli atomi di idrogeno simili a gel si muovano in una certa configurazione e quando il segnale viene rimosso, la nuova configurazione rimane.
“Questo è essenzialmente l’aspetto di un ricordo”, ha affermato Frañó. “Il dispositivo ricorda che hai perturbato il materiale. Ora puoi mettere a punto dove vanno quegli ioni per creare percorsi più conduttivi e più facili da attraversare per l’elettricità.
Tradizionalmente, la creazione di reti che trasportano elettricità sufficiente per alimentare qualcosa come un laptop richiede circuiti complicati con punti di connessione continui, il che è sia inefficiente che costoso.
Il concetto di progettazione di Q-MEEN-C è molto più semplice perché il comportamento non locale nell’esperimento significa che tutti i fili di un circuito non devono essere collegati tra loro. Pensa a una ragnatela, dove il movimento in una parte può essere percepito attraverso l’intera ragnatela.
Questo è analogo a come il cervello impara: non in modo lineare, ma a strati complessi. Ogni pezzo di apprendimento crea connessioni in più aree del cervello, permettendoci di differenziare non solo gli alberi dai cani, ma una quercia da una palma o un golden retriever da un barboncino.
Ad oggi, questi compiti di riconoscimento di schemi che il cervello esegue in modo così bello, possono essere simulati solo tramite software per computer.
I programmi di intelligenza artificiale come ChatGPT e Bard utilizzano algoritmi complessi per imitare attività basate sul cervello come pensare e scrivere. E lo fanno davvero bene. Ma senza hardware corrispondentemente avanzato per supportarlo, a un certo punto il software raggiungerà il suo limite.
Frañó è ansioso di una rivoluzione hardware parallela a quella attualmente in corso con il software e che mostra che è possibile riprodurre un comportamento non locale in un materiale sintetico a pochi centimetri dagli scienziati.
Il prossimo passo comporterà la creazione di matrici più complesse con più elettrodi in configurazioni più elaborate.
“Questo è un passo avanti molto importante nei nostri tentativi di comprendere e simulare le funzioni cerebrali”, ha affermato Dynes, che è anche coautore.
“Mostrare un sistema che ha interazioni non locali ci porta ulteriormente nella direzione verso il modo in cui il nostro cervello pensa. I nostri cervelli sono, ovviamente, molto più complicati di così, ma un sistema fisico in grado di apprendere deve essere altamente interattivo e questo è un primo passo necessario. Ora possiamo pensare a una coerenza a lungo raggio nello spazio e nel tempo”
“È risaputo che, affinché questa tecnologia esploda davvero, dobbiamo trovare modi per migliorare l’hardware, una macchina fisica in grado di eseguire l’attività insieme al software”, ha affermato Frañó.
“La fase successiva sarà quella in cui creeremo macchine efficienti le cui proprietà fisiche sono quelle che stanno facendo l’apprendimento. Questo ci darà un nuovo paradigma nel mondo dell’intelligenza artificiale”.
Fonte: UCSD
Da un’altra testata giornalistica. news de www.technology.org
