Un gruppo di ricerca del KAIST ha sviluppato un nuovo dispositivo neuromorfico capace di utilizzare direttamente il rumore elettrico prodotto dai semiconduttori per riprodurre alcune caratteristiche del funzionamento dei neuroni biologici. Il progetto, guidato dal professor Kyungmin Kim del Dipartimento di Scienza e Ingegneria dei Materiali, parte da un principio differente rispetto all’elettronica convenzionale: invece di considerare il rumore come un disturbo da eliminare, lo sfrutta come risorsa per l’elaborazione dell’informazione. L’approccio deriva dall’osservazione che il cervello umano non risponde sempre nello stesso modo a uno stimolo identico, ma incorpora una componente di variabilità e irregolarità che può contribuire alla capacità di adattamento del sistema nervoso.
La tecnologia utilizza memristori, dispositivi elettronici la cui resistenza varia in funzione degli stimoli elettrici ricevuti e che possono conservare lo stato raggiunto anche dopo la rimozione dell’alimentazione. I ricercatori hanno osservato che modificando lo stato resistivo del memristore cambiano contemporaneamente anche l’intensità e le caratteristiche temporali del rumore di corrente prodotto dal dispositivo. Questa relazione permette di controllare il rumore intervenendo direttamente sulla resistenza del memristore, trasformando quindi una proprietà normalmente indesiderata del componente in un parametro programmabile utilizzabile per il calcolo neuromorfico.
Il rumore così controllato viene amplificato e utilizzato per generare impulsi elettrici irregolari, o spike, simili a quelli attraverso cui i neuroni biologici trasmettono informazioni. Il risultato è un dispositivo definito Programmable Probabilistic Neuron, o PPN, nel quale la probabilità di generazione di uno spike varia in funzione sia del segnale in ingresso sia delle caratteristiche del rumore impostate attraverso il memristore. Come avviene nei neuroni naturali, quindi, uno stesso stimolo non produce necessariamente ogni volta una risposta identica. Il rumore passa così dal ruolo tradizionale di interferenza a quello di componente funzionale dell’elaborazione.
La regolazione del memristore permette inoltre di modificare selettivamente la velocità con cui il neurone artificiale risponde ai segnali. Questa caratteristica consente allo stesso dispositivo hardware di essere adattato a fenomeni con dinamiche temporali molto differenti. I segnali prodotti dai movimenti del corpo, per esempio, cambiano generalmente in maniera relativamente lenta, mentre i segnali vocali possono presentare variazioni nell’ordine dei kilohertz. Modificando lo stato resistivo del memristore è possibile cambiare le proprietà del rumore e, di conseguenza, la frequenza e la probabilità degli spike generati, configurando il neurone per rispondere in maniera più efficace alla specifica classe di segnale da analizzare.
Il gruppo del KAIST ha verificato sperimentalmente questa capacità utilizzando il neurone artificiale per codificare sia segnali relativi all’attività fisica sia segnali vocali nella gamma dei kilohertz. I dati originali sono stati convertiti in sequenze di spike e successivamente utilizzati per compiti di riconoscimento. Il sistema ha raggiunto un’accuratezza del 94,8% nel riconoscimento dei movimenti e del 95,0% nel riconoscimento vocale, mostrando che lo stesso dispositivo può adattarsi a segnali caratterizzati da scale temporali e frequenze differenti senza richiedere architetture hardware separate.
Uno degli aspetti centrali dell’architettura è quindi la possibilità di svolgere differenti modalità di elaborazione temporale attraverso un singolo componente programmabile. Nei sistemi elettronici tradizionali l’adattamento a segnali con caratteristiche diverse può richiedere circuiti aggiuntivi, conversioni o unità di elaborazione dedicate, mentre in questo caso la risposta viene modificata direttamente agendo sullo stato del memristore. Il principio è paragonabile alla sintonizzazione di una radio: variando il parametro elettrico del dispositivo cambiano le proprietà del rumore disponibile e, attraverso queste, anche il comportamento di spiking del neurone artificiale.
Il KAIST prevede che questa tecnologia possa essere applicata in futuro a semiconduttori neuromorfici destinati all’elaborazione efficiente di dati temporali, con applicazioni che spaziano dal rilevamento dei movimenti nei dispositivi indossabili fino al riconoscimento vocale. L’utilizzo del rumore intrinseco dei componenti e la possibilità di adattare direttamente la risposta del neurone a differenti frequenze potrebbero contribuire alla realizzazione di sistemi neuromorfici a basso consumo, nei quali una parte dell’elaborazione viene effettuata direttamente a livello del dispositivo anziché essere demandata interamente a circuiti digitali convenzionali. Secondo il gruppo di ricerca, il risultato dimostra in particolare la possibilità di utilizzare un singolo hardware per elaborare segnali caratterizzati da velocità e frequenze differenti, mantenendo una struttura ispirata al funzionamento probabilistico dei neuroni biologici.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)