In questo campo emergente dell'informatica, gli scienziati stanno modellando il cervello per rendere i computer più veloci ed efficaci. Negli ultimi decenni abbiamo assistito a una rivoluzione tecnologica determinata dalla creazione di processori per computer basati su silicio e altri materiali semiconduttori.
Un tempo i computer avevano le dimensioni di intere stanze, ma da allora sono stati ridotti a singoli chip. La legge di Moore, un concetto usato da Gordon Moore nel 1965 per descrivere l'osservazione che il numero di componenti per chip integrato raddoppierà ogni due anni, portando a computer sempre più veloci, è stata la forza trainante di questa tendenza.
Ma con l'aumentare delle richieste computazionali a causa dei progressi nei computer, nei robot, nell'internet delle cose (IoT) e nelle macchine intelligenti, l'industria dei semiconduttori ha raggiunto un punto in cui non è più possibile miniaturizzare ulteriormente i chip dei computer. In realtà ci sono solo così tanti transistor che possono stare su un singolo chip.
Di conseguenza, gli informatici si stanno rivolgendo a un approccio completamente nuovo all'informatica, noto come "informatica neuromorfica", in cui i computer sono progettati per funzionare in modo simile al cervello umano e interagire con il mondo esterno.
Questo campo di studio sta guadagnando popolarità ed è considerato la fase fondamentale nella creazione di hardware per computer e sistemi di intelligenza artificiale. Copriamo tutto ciò che devi sapere su questo campo emergente e cosa significa per il futuro dell'informatica.
In che modo il cervello elabora e memorizza le informazioni?
Prima di passare ai dispositivi neuromorfici e alle loro applicazioni, è bene discutere il fenomeno biologico che motiva questo campo (plasticità sinaptica). Questa è la straordinaria capacità del cervello umano di cambiare e adattarsi alle nuove informazioni. Per valutarlo correttamente, dobbiamo prima discutere il funzionamento di base del nostro "centro di calcolo".
Le cellule messaggere del cervello sono chiamate neuroni. Sono tutti interconnessi, grazie alle sinapsi, i siti di connessione che li collegano tutti in una vasta rete attraverso la quale vengono trasmessi impulsi elettronici e segnali chimici. Comunicano tra loro tramite "picchi", che sono brevi lampi di elettricità della durata di millisecondi.
La memoria in un computer può essere aumentata semplicemente aggiungendo più celle di memoria, ma nel cervello i ricordi vengono prodotti rafforzando le connessioni tra i neuroni e creando nuove connessioni. Quando due neuroni sono più strettamente connessi tra loro, possiamo dire che il peso sinaptico della sinapsi connessa aumenta. Circa 10 nel nostro cervello12 Ci sono i neuroni e sono collegati tra loro 10.15 Comunicano attraverso le sinapsi. Queste connessioni e il grado di comunicazione tra di loro fluttuano nel tempo e la quantità di stimoli o picchi ricevuti in modo che il cervello possa adattarsi all'ambiente che cambia, formare e conservare i ricordi.
È fondamentale comprendere il potenziamento e la depressione, due meccanismi chiave della plasticità sinaptica, in cui le connessioni sinaptiche si rafforzano o si indeboliscono gradualmente e svolgono un ruolo importante nell'apprendimento e nella memoria. Questo è possibile in qualsiasi intervallo di tempo da secondi a ore o più.
Si ipotizza che i picchi di frequenza più elevati, come quelli che si verificano durante l'apprendimento di una nuova abilità, siano collegati allo sviluppo della memoria a lungo termine rafforzando o rafforzando determinate sinapsi. D'altra parte, gli stimoli di frequenza inferiore provocano depressione e conseguente indebolimento della connessione (o peso sinaptico) alla relativa giunzione sinaptica, che è simile alla dimenticanza di qualcosa appreso.
Va sottolineato che si tratta di una semplificazione un po' eccessiva e che l'empowerment e la depressione dipendono non solo dalla frequenza dei battiti ma anche dal tempo. Ad esempio, quando molti neuroni inviano contemporaneamente picchi a una sinapsi, il peso sinaptico aumenta molto più velocemente di una successione di impulsi.
I ricercatori devono pensare fuori dagli schemi per imitare deliberatamente questo processo perché è così sofisticato e complesso.
Come funziona un computer neuromorfo?
L'architettura von Neumann utilizzata per costruire i computer moderni si basa su idee sviluppate per la prima volta da Alan Turing negli anni '1930. Questa configurazione richiede di tenere separate la memoria e le unità di elaborazione dei dati, il che rallenta le prestazioni perché i dati devono essere inviati avanti e indietro tra di loro e consumano più energia inutilmente.
I computer neuromorfici, d'altra parte, utilizzano architetture di chip che combinano calcolo e memoria in un unico componente. In termini di hardware, quest'area si sta espandendo e include nuovi design all'avanguardia, vari materiali e nuove parti di computer.
Ricercatori di tutto il mondo stanno lavorando per creare reti sintetiche di neuroni e sinapsi che imitano la flessibilità del cervello, utilizzando sia materiali organici che inorganici. La maggior parte dei computer neuromorfici su larga scala attualmente esistenti, come TrueNorth di IBM, Loihi di Intel e BrainScales-2, utilizzano transistor basati sulla collaudata tecnologia dei semiconduttori di ossido di metallo.
I computer Von Neumann usano spesso i transistor come uno degli elementi costitutivi dell'elettronica. Esistono centinaia di tipi diversi di transistor, con il transistor a effetto di campo a semiconduttore in ossido di metallo o MOSFET che è il più popolare. Funzionano principalmente come interruttore (e in misura minore come amplificatore) per le correnti elettriche all'interno di un chip di computer.
Ciò consente a ciascun transistor di essere in uno stato acceso o spento, che è equivalente a un binario 1 o 0, e impedisce o consente a una corrente di fluire, consentendole di esistere in entrambi gli stati. Questo principio di funzionamento rende incredibilmente facile archiviare ed elaborare le informazioni, motivo per cui le celle di memoria elettroniche e le porte logiche sono diventate componenti essenziali del nostro mondo digitale.
Tuttavia, i segnali elettrici nel nostro cervello non sono solo 0 e 1. Ad esempio, una connessione tra sinapsi può avere diversi "pesi" o densità.
Sono stati creati molti strumenti per simulare questo su un computer neuromorfo. Uno "strato attivo" che modula il segnale tra le unità è incluso in un particolare tipo di transistor semiconduttore noto come transistor sinaptico polimerico. La conduttività, e quindi l'uscita del segnale, è influenzata dalla composizione specifica del polimero conduttivo utilizzato per formare questo strato.
Quando una certa frequenza di tensione viene applicata attraverso i transistor, lo strato attivo cambia, causando depressioni o amplificazioni nel segnale elettrico paragonabili a picchi nell'attività cerebrale. Questo è fondamentalmente il modo in cui entra in gioco la plasticità e ogni picco contiene dati numerici su frequenza, temporizzazione, dimensioni e forma. I picchi possono essere convertiti in valori binari e viceversa, ma il processo esatto per farlo è attualmente oggetto di indagine.
I ricercatori hanno segnalato modi sempre più creativi per imitare la struttura del cervello utilizzando componenti artificiali come memristori, condensatori, dispositivi spintronici e persino alcuni intriganti tentativi di eseguire calcoli neuromorfici utilizzando funghi. L'hardware neuromorfico non si limita solo ai transistor.
Come programmare un computer neuromorfo?
Le reti neurali artificiali (ANN) sono spesso utilizzate dai computer neuromorfici per eseguire attività computazionali. Le reti neurali spiking (SNN), una delle tante varianti delle ANN, sono di particolare interesse poiché sono costruite su neuroni sintetici che interagiscono tra loro scambiandosi segnali elettrici noti come "picchi" e incorporano il tempo nei loro modelli. Di conseguenza, questi sistemi consumano meno energia perché i neuroni artificiali trasmettono informazioni solo quando il numero totale di picchi che ricevono supera una certa soglia.
Prima che la rete possa iniziare a funzionare, deve essere programmata o, in altre parole, appresa. Ciò si ottiene fornendogli fatti da cui può attingere. La strategia di apprendimento può variare a seconda del tipo di ANN. Ad esempio, se la rete viene addestrata a riconoscere gatti o cani nelle fotografie, migliaia di immagini possono essere alimentate con il tag "gatto" o "cane" per addestrare il soggetto a riconoscerlo da solo in lavori futuri. La manipolazione del colore di ciascun pixel dell'immagine richiede calcoli estremamente laboriosi per l'identificazione.
Esiste un'ampia varietà di ANN e quale utilizzare dipende dalle esigenze dell'utente. Sebbene gli SNN siano attraenti a causa del loro basso consumo energetico, sono generalmente difficili da addestrare, principalmente a causa delle loro complesse dinamiche neuronali e della natura indistinguibile dei processi di spiking.
Dove viene utilizzato il calcolo neuromorfico?
Secondo gli esperti, i dispositivi neuromorfici integreranno piuttosto che sostituire l'hardware del computer tradizionale, soprattutto quando si tratta di risolvere alcuni problemi tecnologici. Sebbene ci siano affermazioni secondo cui i computer neuromorfici possono simulare la logica booleana, un'idea fondamentale in qualsiasi linguaggio di programmazione moderno, ciò suggerisce che i computer neuromorfici possono potenzialmente eseguire calcoli generici.
In ogni caso, le aree e le applicazioni in cui il cervello è superiore ai computer tradizionali in termini di efficienza energetica e velocità di calcolo troveranno il calcolo neuromorfico molto impressionante.
Questi includono l'applicazione dell'intelligenza artificiale (AI) per svolgere efficacemente compiti cognitivi come l'identificazione vocale o di immagini, nonché l'apertura di nuove possibilità per la robotica, il rilevamento e l'assistenza sanitaria (solo per citarne alcuni).
Anche se l'argomento è ancora agli inizi e ci sono ostacoli da superare, il calcolo neuromorfico sta diventando sempre più popolare e offre una valida alternativa ai sistemi informatici tradizionali.
Fonte: advancedsciencenews
Günceleme: 14/03/2023 15:25