Illuminazione di reti neurali artificiali
Il dispositivo “Optomemristor” emula i calcoli biologici per eseguire l’apprendimento automatico
Un team di scienziati internazionali ha eseguito difficili calcoli di apprendimento automatico utilizzando un dispositivo su scala nanometrica, chiamato “optomemristore”. Il dispositivo a film sottile calcogenuro utilizza segnali luminosi ed elettrici per interagire ed consumando pochissima energia.
Ad oggi, la ricerca sull’hardware per applicazioni di intelligenza artificiale e apprendimento automatico si è concentrata principalmente sullo sviluppo di sinapsi e neuroni elettronici o fotonici e sulla loro combinazione per eseguire forme di base di elaborazione di tipo neurale. Tuttavia, i potenti meccanismi di elaborazione che esistono nei cervelli reali, come l’apprendimento per rinforzo e il calcolo dendritico, e che ci aiutano ad apprendere nuove abilità e a svolgere le attività quotidiane, sono più difficili da implementare direttamente nell’hardware. Questo nuovo lavoro, pubblicato oggi su Nature Communications , aiuta a colmare questo “divario hardware” mancante attraverso lo sviluppo di un dispositivo “optomemristore” che risponde a più input elettronici e fotonici contemporaneamente.
L’apprendimento e l’elaborazione complessi sono resi possibili nel cervello dei mammiferi dai ricchi meccanismi biofisici che governano le funzionalità dei neuroni e delle sinapsi del cervello. Un aspetto chiave è il calcolo multifattoriale, come l’apprendimento a tre fattori, che consente al cervello di apprendere in modo efficiente utilizzando rinforzi positivi e negativi, ad esempio quando si pratica uno sport o si naviga in un labirinto. Il nostro approccio optomemristor facilita tale apprendimento a tre fattori, in un unico dispositivo.
Il Dr. Syed Ghazi Sarwat ha condotto gli esperimenti dell’optomemristore come studente DPhil presso l’Università di Oxford e attualmente lavora presso IBM Research Europe, dove ha collaborato con il collega Dr. Timoleon Moraitis per applicare i dispositivi alla risoluzione dei labirinti. Il Dr. Sarwat continua: “La nostra ricerca mostra un approccio hardware praticabile per imitare in modo efficiente l’apprendimento per rinforzo, una forma di apprendimento automatico che utilizziamo nel documento per consentire a un roditore artificiale di imparare a navigare in un labirinto!”
Il professor Harish Bhaskaran , che ha condotto lo studio presso il Dipartimento dei materiali dell’Università di Oxford, aggiunge: “Dimostriamo come le operazioni neurali basate sull’interazione di più segnali possono essere eseguite utilizzando hardware relativamente semplice. Questo è illustrato nella nostra dimostrazione di un problema di classificazione linearmente non separabile (XOR) che richiede più strati di neuroni artificiali convenzionali per la sua soluzione, a differenza del cervello che utilizza un singolo neurone biologico.
“In effetti, emulando la cosiddetta funzione di ‘inibizione dello shunt’ dei dendriti dei neuroni biologici, illustriamo come il nostro optomemristor può fornire efficacemente una soluzione a singolo neurone per problemi computazionali difficili”, ha continuato il dott. Timoleon Moraitis.
Le dimostrazioni sono in una fase iniziale di proof-of-concept e mostrano la promessa di affrontare alcune importanti sfide nell’apprendimento automatico. Alcuni problemi chiave sorgono quando si considera l’ampliamento di tali concetti e l’integrazione con altri blocchi hardware. La squadra è comunque entusiasta. “Tutti i nuovi concetti comportano rischi significativi, ma questo è un nuovo modo di pensare ai cosiddetti calcoli multifattoriali, ed è eccitante”, afferma il professor David Wright dell’Università di Exeter.
