Rivoluzione nella IA: Nuovo transistor simile al cervello imita l'intelligenza umana.

I ricercatori hanno sviluppato un innovativo transistor sinaptico che simula le funzioni di elaborazione e memoria integrate del cervello umano. Questo dispositivo ad alta efficienza energetica può svolgere compiti cognitivi complessi come l’apprendimento associativo e funziona a temperatura ambiente, segnando un significativo passo avanti nel campo dell’intelligenza artificiale. Credito immagine: Xiaodong Yan/Northwestern University

Ispirandosi alle complesse funzioni del cervello umano, un gruppo di ricercatori della Northwestern University, del Boston College e del Massachusetts Institute of Technology (MIT) ha progettato un transistor sinaptico rivoluzionario.

Questo dispositivo all’avanguardia non solo elabora ma conserva anche i dati, riflettendo il ruolo multiforme del cervello umano. I recenti esperimenti condotti dal team hanno dimostrato che questo transistor trascende le attività standard di apprendimento automatico per classificare i dati e può eseguire l’apprendimento associativo.

Nonostante il fatto che studi precedenti abbiano utilizzato tattiche simili per costruire dispositivi informatici simili al cervello, quei transistor non erano in grado di funzionare se non a temperature criogeniche. Tuttavia, questo dispositivo innovativo è stabile a temperatura ambiente, funziona rapidamente, utilizza un'energia minima e salvaguarda i dati memorizzati anche quando viene interrotta l'alimentazione, rendendolo adatto per applicazioni pratiche.

Lo studio è stato pubblicato recentemente sulla rivista Nature.

Secondo Mark C. Hersam, professore della Northwestern che ha co-diretto la ricerca, l’architettura del cervello è fondamentalmente diversa da quella di un computer digitale. In un computer digitale, i dati fluiscono 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. Tuttavia, nel cervello, la memoria e l’elaborazione delle informazioni sono co-localizzate e completamente integrate, con conseguente efficienza energetica di gran lunga maggiore. Il transistor sinaptico sviluppato imita il cervello ottenendo funzionalità simultanee di memoria ed elaborazione delle informazioni.

Hersam è titolare della cattedra Walter P. Murphy di Scienza e ingegneria dei materiali presso la McCormick School of Engineering della Northwestern. Oltre a servire come presidente del dipartimento di scienza e ingegneria dei materiali, direttore del Centro di scienza e ingegneria dei materiali, è anche membro dell'Istituto internazionale per le nanotecnologie. La ricerca è stata co-guidata da Qiong Ma del Boston College e Pablo Jarillo-Herrero del MIT.

Gli attuali progressi nel campo dell’intelligenza artificiale (AI) hanno spinto i ricercatori a sviluppare computer che funzionano in modo simile al cervello umano. I tradizionali sistemi di elaborazione digitale dispongono di unità di archiviazione ed elaborazione distinte, pertanto le attività ad alto contenuto di dati richiedono molta energia. Poiché i dispositivi intelligenti raccolgono costantemente enormi quantità di dati, i ricercatori sono alla ricerca di nuovi metodi per elaborare queste informazioni senza consumare troppa energia. La tecnologia più avanzata in grado di eseguire funzioni combinate di elaborazione e memoria attualmente è il resistore di memoria o “memristor”. Tuttavia, i memristor hanno ancora difficoltà con la commutazione ad alto consumo energetico.

Secondo Hersam, nonostante siano stati compiuti progressi significativi inserendo più transistor nei circuiti integrati utilizzando la stessa architettura del silicio, questa strategia porta ancora a un elevato consumo energetico, soprattutto nell’era dei big data in cui l’informatica digitale potrebbe sopraffare la rete. È necessario ripensare l’hardware informatico, in particolare per le attività di intelligenza artificiale e apprendimento automatico.

Per modificare questo paradigma, Hersam e il suo team hanno esplorato nuovi progressi nella fisica dei motivi moiré, un tipo di disegno geometrico formato quando due motivi si sovrappongono. Quando i materiali bidimensionali vengono impilati, appaiono nuove proprietà non presenti in un singolo strato. Quando questi strati vengono attorcigliati per formare un motivo moiré, le proprietà elettroniche diventano altamente sintonizzabili.

I ricercatori hanno utilizzato due diversi tipi di materiali atomicamente sottili per il nuovo dispositivo: grafene a doppio strato e nitruro di boro esagonale. Impilando e torcendo questi materiali, hanno creato un motivo moiré. Potrebbero mettere a punto diverse proprietà elettroniche in ciascuno strato di grafene ruotando uno strato rispetto all’altro, anche se questi strati sono separati solo da dimensioni su scala atomica. La giusta quantità di torsione ha consentito la creazione di una funzionalità neuromorfica moiré fisica a temperatura ambiente.

Hersam ha aggiunto: “Con l’introduzione della torsione come nuovo parametro di progettazione, le possibilità sono ampie. Il grafene e il nitruro di boro esagonale sono strutturalmente molto simili ma abbastanza diversi da ottenere effetti moiré incredibilmente 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 in grado 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”.

Innanzitutto, 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”.