Allo studio i meccanismi neurali umani per l’intelligenza artificiale

Neuroni artificiali più veloci del cervello umano. La recente realizzazione di microprocessori simili ai neuroni che elaborano le informazioni in modo molto più rapido ed efficiente del nostro cervello segna un importante passo avanti nello sviluppo di hardware “neuromorfico” per fornire la necessaria potenza di calcolo ai sistemi di intelligenza artificiale che si ispirano al cervello umano.Microchip di calcolo a superconduttori realizzati imitando i neuroni sono in grado di elaborare le informazioni in modo più rapido ed efficiente del cervello umano. Il risultato, descritto sul numero del 26 gennaio di “Science Advances”, è una pietra miliare nello sviluppo di dispositivi informatici avanzati progettati per imitare i sistemi biologici. E potrebbe aprire la strada a un software di apprendimento automatico più naturale, anche se rimangono molti ostacoli prima che possa essere usato commercialmente.

Il software di intelligenza artificiale imita sempre più spesso il cervello. Algoritmi come quelli realizzati da Google per i programmi automatici di classificazione delle immagini e di apprendimento delle lingue utilizzano reti di neuroni artificiali per svolgere compiti complessi. Ma poiché l’hardware dei computer convenzionali non era progettato per eseguire algoritmi simili a quelli del cervello, questi compiti di apprendimento automatico richiedono una potenza di calcolo di alcuni ordini di grandezza superiore a quella del cervello umano.

“Ci deve essere un modo migliore per farlo, perché la natura l’ha trovato”, dice Michael Schneider, fisico del National Institute of Standards and Technology (NIST) degli Stati Uniti a Boulder, Colorado, coautore dello studio.

Il NIST è uno dei pochi gruppi che cercano di sviluppare l’hardware “neuromorfico” che imita il cervello umano, nella speranza che esegua il software simile a quello del cervello in modo più efficiente.

Nei sistemi elettronici convenzionali, i transistor elaborano le informazioni a intervalli regolari e in quantità precise: bit che assumono i valori 1 o 0. Ma i dispositivi neuromorfici possono accumulare piccole quantità di informazioni da più fonti, alterarle per produrre un diverso tipo di segnale e far partire una scarica elettrica solo quando necessario, proprio come i neuroni biologici. Di conseguenza, i dispositivi neuromorfici richiedono meno energia per funzionare.

Gestire le sinapsi
Eppure questi dispositivi sono ancora inefficienti, specialmente quando trasmettono informazioni attraverso lo spazio, o sinapsi, tra i transistor. Così il gruppo di Schneider ha creato elettrodi simili a neuroni con superconduttori a niobio, che conducono elettricità senza resistenza, riempiendo gli spazi tra i superconduttori con migliaia di nanocluster di manganese magnetico.

Variando la quantità di campo magnetico nella sinapsi, i nanocluster possono essere allineati per puntare in diverse direzioni. Ciò consente al sistema di codificare le informazioni sia nel livello di elettricità sia nella direzione del magnetismo, garantendo una potenza di calcolo molto maggiore rispetto ad altri sistemi neuromorfici, senza occupare spazio fisico aggiuntivo.

Le sinapsi possono trasmettere impulsi fino a un miliardo di volte al secondo – vari ordini di grandezza più velocemente dei neuroni umani – e usare un decimillesimo della quantità di energia usata da una sinapsi biologica.

Nelle simulazioni al computer, i neuroni sintetici potevano raccogliere l’input da un massimo di nove fonti prima di trasmetterlo all’elettrodo successivo. Ma sarebbero necessarie milioni di sinapsi prima che un sistema basato su questa tecnologia possa essere utilizzato per il calcolo complesso, afferma Schneider, e resta da vedere se sarà possibile riprodurlo a quella scala.

Un altro problema è che le sinapsi possono funzionare solo a temperature prossime allo zero assoluto e devono essere raffreddate con elio liquido.

Steven Furber, ingegnere informatico dell’Università di Manchester, nel Regno Unito, che studia il calcolo neuromorfico, afferma che questo potrebbe rendere i chip poco pratici per l’uso in piccoli dispositivi, anche se un grande centro dati potrebbe riuscire a gestirli. Ma Schneider afferma che il raffreddamento dei dispositivi richiede molta meno energia rispetto al funzionamento di un sistema elettronico convenzionale con una quantità equivalente di potenza di calcolo.

Un approccio alternativo
Carver Mead, ingegnere elettronico del California Institute of Technology di Pasadena, elogia la ricerca, definendola un nuovo approccio al calcolo neuromorfico. “Il campo è pieno di esagerazioni propagandistiche, ed è bello vedere un lavoro di qualità presentato in modo obiettivo”, afferma. Ma aggiunge che ci vorrà molto tempo prima che i chip possano essere utilizzati per il vero calcolo, e sottolinea che si trovano ad affrontare una forte concorrenza da parte di molti altri dispositivi di calcolo neuromorfici in fase di sviluppo.

Anche Furber sottolinea che le applicazioni pratiche sono di là da venire. “Le tecnologie dei dispositivi sono potenzialmente molto interessanti, ma non sappiamo ancora abbastanza sulle proprietà cruciali delle sinapsi biologiche per capire come usarle efficacemente”, dice. Per esempio, ci sono interrogativi aperti su come le sinapsi si rimodellano in modo autonomo quando si codifica un ricordo, rendendo difficile ricreare il processo in un chip di memoria.

Tuttavia, poiché ci vogliono 10 anni o più perché i nuovi dispositivi di calcolo raggiungano il mercato, afferma Furber, vale la pena di sviluppare il maggior numero di approcci tecnologici possibili, anche se i neuroscienziati lottano ancora per comprendere il cervello umano.

(L’originale di questo articolo è stato pubblicato su Nature il 26 gennaio 2018. Traduzione ed editing a cura di Le Scienze. Riproduzione autorizzata, tutti i diritti riservati.)