Un team di ricercatori dell'Università di Tecnologia di Eindhoven (TU/e) ha sviluppato un innovativo chip neuromorfico in grado di eseguire l'addestramento di reti neurali direttamente sull'hardware. Questa tecnologia potrebbe aprire la strada a chip AI più efficienti e dedicati.
Le reti neurali su larga scala sono alla base di molte tecnologie basate sull'intelligenza artificiale, come i chip neuromorfici ispirati al cervello umano. Tuttavia, l'addestramento di queste reti è spesso un processo lungo, laborioso e ad alto consumo energetico, poiché il modello viene prima addestrato su un computer e poi trasferito sul chip. Ciò limita l'applicazione e l'efficienza dei chip neuromorfici.
Il nuovo dispositivo sviluppato dai ricercatori della TU/e risolve questo problema eliminando la necessità di trasferire i modelli addestrati sul chip. L'addestramento può essere eseguito direttamente sull'hardware, con notevoli vantaggi in termini di efficienza energetica e di risorse.
Ispirazione dal cervello umano
Il professor Yoeri van de Burgt, associato del Dipartimento di Ingegneria Meccanica della TU/e, spiega che questa ricerca è ispirata al funzionamento del cervello umano: "Il cervello è una potente macchina di calcolo, ma è anche veloce, dinamico, adattabile e molto efficiente dal punto di vista energetico. Queste caratteristiche ci hanno spinto a imitarne il funzionamento in tecnologie dove l'apprendimento è importante, come i sistemi di intelligenza artificiale nei trasporti, nelle comunicazioni e nell'assistenza sanitaria."
Al cuore di questi sistemi AI ci sono le reti neurali, modelli software ispirati al cervello. Come i neuroni comunicano tra loro attraverso le sinapsi, rafforzando le connessioni più utilizzate, nelle reti neurali artificiali la forza della connessione tra i nodi è rappresentata da un valore numerico chiamato "peso".
L'innovazione: addestramento diretto sul chip
I chip neuromorfici tradizionali presentano alcune limitazioni. L'addestramento viene solitamente eseguito su un computer e poi i pesi della rete vengono mappati sull'hardware del chip. In alternativa, l'addestramento può essere fatto direttamente sull'hardware, ma i dispositivi attuali devono essere programmati uno per uno e poi controllati per eventuali errori.
Il team guidato da Van de Burgt ha superato queste limitazioni sviluppando un dispositivo in grado di eseguire l'addestramento direttamente sul chip neuromorfico. Questo elimina la necessità di trasferire i modelli addestrati e apre la strada a chip AI più efficienti.
Tim Stevens, uno degli autori principali dello studio, spiega: "Abbiamo dimostrato che è possibile eseguire l'addestramento solo sull'hardware, senza bisogno di trasferire un modello addestrato sul chip. Questo potrebbe portare a chip più efficienti per applicazioni di intelligenza artificiale."
Una rete neurale a due strati
I ricercatori hanno fabbricato una rete neurale a due strati basata su componenti di memoria ad accesso casuale elettrochimica (EC-RAM) realizzati con materiali organici. Hanno quindi testato l'hardware con una versione modificata dell'algoritmo di addestramento ampiamente utilizzato chiamato "backpropagation con discesa del gradiente".
Stevens spiega: "L'algoritmo convenzionale è frequentemente utilizzato per migliorare l'accuratezza delle reti neurali, ma non è compatibile con il nostro hardware, quindi abbiamo sviluppato una nostra versione."
Questa innovazione potrebbe avere importanti applicazioni in diversi campi dell'intelligenza artificiale, dal ChatGPT alle previsioni meteorologiche, offrendo la possibilità di addestrare reti neurali su componenti hardware con un consumo energetico notevolmente ridotto.
Prospettive future
Dopo aver dimostrato l'efficacia di questo nuovo approccio di addestramento, il prossimo passo sarà ampliare la scala del progetto. Van de Burgt afferma: "Abbiamo dimostrato che questo funziona per una piccola rete a due strati. Il prossimo passo è coinvolgere l'industria e altri grandi laboratori di ricerca per costruire reti hardware molto più grandi e testarle con problemi di dati reali."
Questo permetterebbe ai ricercatori di dimostrare che questi sistemi sono molto efficienti sia nell'addestramento che nell'esecuzione di reti neurali e sistemi AI utili. "Vorremmo applicare questa tecnologia in diversi casi pratici", aggiunge Van de Burgt. "Il mio sogno è che tali tecnologie diventino la norma nelle applicazioni di intelligenza artificiale in futuro."
La ricerca, pubblicata sulla rivista Science Advances, rappresenta un importante passo avanti verso lo sviluppo di hardware AI più efficienti ed efficaci. Con il crescente impatto dell'intelligenza artificiale in molti settori e la conseguente preoccupazione per il suo consumo energetico, la possibilità di addestrare reti neurali su componenti hardware con un costo energetico ridotto apre interessanti prospettive per il futuro della tecnologia.
Il chip neuromorfico rappresenta una delle innovazioni più promettenti nella tecnologia moderna, in quanto promette di rivoluzionare il campo dell'intelligenza artificiale. Isolato nel contesto più ampio delle tecnologie AI, affonda le radici in una storia ricca di ricerche volte a mimare il funzionamento del cervello umano. Lo sviluppo di questi chip è frutto di un intenso lavoro ingegneristico e scientifico, che mira a riprodurre l'efficienza di calcolo del nostro organo più complesso.
La storia dei chip neuromorfici inizia negli anni '80 con Carver Mead, professore al California Institute of Technology, che teorizzò che le proprietà del silicio potessero essere sfruttate non soltanto per elaborare informazioni come nei circuiti digitali tradizionali, ma anche per emulare la modalità di funzionamento dei neuroni e delle sinapsi nel cervello umano. Questo fu l'abbrivio per un nuovo campo di ricerche e sviluppo che aveva come obiettivo la creazione di sistemi computazionali somiglianti al sistema nervoso.
Un aspetto affascinante dei chip neuromorfici è la loro abilità nel processare informazioni usando algoritmi basati sulla struttura e funzione corticali del cervello. Questo approccio "bio-ispirato" permette ai circuiti di gestire processi decisionali complessi più velocemente e efficientemente rispetto ai chip basati sulle tradizionali architetture von Neumann, consumando una frazione dell'energia.
"Imitare il processo impiantato dalla natura, per raggiungere un'efficienza che ancora la tecnologia moderna non può eguagliare."
La nuova generazione di chip neuromorfici integra non solo capacità di elaborazione, ma anche di apprendimento, grazie ai progressi nel campo delle reti neurali. Questi circuiti sono in grado di apprendere, di adattarsi e di rispondere, rendendo per esempio possibile il continuo miglioramento degli assistenti vocali e dei sistemi di raccomandazione senza la necessità di inviare costantemente dati al cloud per ulteriori analisi.
Uno dei protagonisti più intriganti in questa saga è, senza dubbio, l'odierno chip neuromorfico capaci di eseguire l'addestramento di reti neurali in loco. Ciò rappresenta un cambiamento paradigmatico rilevante rispetto alla necessità di apprendere solo da modeli pre-addestrati, aprendo nuove frontiere di personalizzazione e sicurezza dei dati.
L'innalzamento delle competenze dei chip, grazie a materiali organici e nuove architetture di circuito, ha ulteriormente ampliato il loro impiego. Oggi, l'interesse si sposta verso la capacità di questi chip di operare in ambienti dove accesso e trasferimento di enormi quantità di dati sono impraticabili.
In conclusione, questi dispositivi non solo sfidano le nostre concezioni tradizionali di cosa possa essere un computer e come esso debba operare, ma stanno anche aprendo porte verso applicazioni pratiche che qualche decennio fa sarebbero state ritenute fantascienza, come veicoli completamente autonomi o sistemi AI in grado di interagire in modo quasi umano. Estendere la nostra comprensione e l’applicazione di tali tecnologie promette di essere un viaggio affascinante per ricercatori e innovatori nei prossimi anni. L'impatto potrebbe essere così profondo da influenzare ogni aspetto della nostra vita quotidiana.