La svolta neuromorfa nell’informatica potrebbe interrompere l’intelligenza artificiale

Gli scienziati creano un transistor organico simile al cervello che può imparare ed evolversi.

Fonte: geralt / pixabay

Il cervello umano è un sistema cognitivo notevolmente complesso, ma energeticamente efficiente. Scienziati e ricercatori guardano all’architettura del cervello come fonte di ispirazione per l’intelligenza artificiale (AI), l’apprendimento automatico e l’apprendimento profondo. I concetti sulle reti neurali artificiali (ANNs) sono in qualche modo analoghi al cervello, con nodi artificiali invece di neuroni. Il calcolo neuromorfico è uno sforzo interdisciplinare che attinge alla fisica, alla matematica, all’ingegneria elettronica, alla biologia, all’informatica e alle neuroscienze, al fine di creare sistemi neurali artificiali che assomiglino all’architettura nel cervello. Un team di scienziati dell’università di Linköping in Svezia ha recentemente fatto un passo avanti nel calcolo neuromorfico progettando un nuovo transistor di apprendimento. Hanno pubblicato i loro risultati ieri in Advanced Science .

L’apprendimento automatico oggi viene eseguito su circuiti prefabbricati. Il cervello, al contrario, è in grado di formare nuove connessioni dove non ci sono state connessioni precedenti. Il team di ricerca di Simone Fabiano, Jennifer Y. Gerasimov, Roger Gabrielsson, Robert Forchheimer, Eleni Stavrinidou, Daniel T. Simon e Magnus Berggren hanno creato un transistor elettrochimico organico (OECT) che può imparare, formare nuove connessioni tra un input e l’output, e ha memoria sia a breve che a lungo termine.

• Self-Compassion Heals PTSD
• Perché l’intelligenza finanziaria è così emotiva
• Il coraggio di mostrarsi
• Il pregiudizio umano nella macchina di intelligenza artificiale
• Dibattito sulle linee guida sul trattamento PTSD

Un transistor elettrochimico organico può amplificare o commutare segnali di elettroni e alimentare attraverso l’iniezione di ioni da una soluzione elettricamente conduttiva (elettrolito) in un canale semiconduttore. I transistor elettrochimici organici correnti utilizzano tipicamente un polimero conduttore chiamato PEDOT. Roger Gabrielsson, membro del gruppo di ricerca del Laboratorio di elettronica organica presso l’Università di Linköping, ha invece sviluppato un monomero chiamato ETE-S.

Quando i segnali di input vengono manipolati, “la forza della risposta del transistor a un dato stimolo può essere modulata in un intervallo che si estende su diversi ordini di grandezza”, hanno scritto i ricercatori. Pertanto, il transistor elettrochimico organico del team è stato abilitato a comportarsi in modo simile alla neuroplasticità a breve e a lungo termine del cervello. La neuroplasticità è la capacità del cervello di riorganizzarsi formando nuove connessioni neurali.

Secondo Simone Fabiano, ricercatore principale di nanoelettronica organica presso il laboratorio di elettronica organica, Campus Norrköping, “È la prima volta che la formazione in tempo reale di nuovi componenti elettronici viene mostrata in dispositivi neuromorfici”.

• Sapere è potere?
• Creatività, cultura e cervello
• 3 cose che conosciamo dell’ambiente ancestrale
• La salute mentale dei veterani non è adatta a tutti
• Lontano da casa, più vicino a te

Fabiano afferma che il nuovo transistor elettrochimico organico del gruppo di ricerca può “eseguire il lavoro di migliaia di transistor normali con un consumo di energia che si avvicina all’energia consumata quando un cervello umano trasmette segnali tra due celle”.

Questa tecnologia innovativa può essere utile per l’apprendimento approfondito, un sottoinsieme dell’apprendimento automatico di intelligenza artificiale costituito da una rete neurale artificiale con più di due strati. L’apprendimento approfondito richiede molte risorse perché contiene molti livelli di elaborazione neurale, con ogni strato costituito da molti nodi (neuroni artificiali) che richiedono risorse massicce per il calcolo e la memoria. Questo spiega perché l’aumento delle GPU (Graphic Processing Units) per l’informatica generale con le sue capacità di elaborazione in parallelo (rispetto all’elaborazione seriale) ha accelerato l’ascesa dell’apprendimento in profondità. Con maggiori capacità di elaborazione sono stati introdotti progressi nelle capacità di riconoscimento del modello di apprendimento approfondito. I progressi nell’apprendimento profondo sono alla base del rinascimento dell’IA.

Secondo le previsioni di Grand View Research dell’aprile 2018, il mercato mondiale dell’informatica neuromorfica raggiungerà i 6,48 miliardi di dollari entro il 2024. I chip neuromorfici sono utilizzati nell’elettronica di consumo, nella robotica, nelle automobili e in altri prodotti. Questo nuovo transistor inaugurerà un futuro in cui l’apprendimento automatico della macchina è basato su un’elettronica organica evolvibile?

Copyright © 2019 Cami Rosso Tutti i diritti riservati.

Riferimenti

Università di Linköping. “Il transistor di apprendimento imita il cervello: un transistor elettrochimico organico evolutivo per applicazioni neuromorfiche.” ScienceDaily . 5 febbraio 2019.