Neuromorphic computing: cos’è la prossima generazione dell’AI

Nuovi chip hardware e nuovi concept software consentono alle macchine di imitare più da vicino il funzionamento del cervello umano. Il presente e il futuro dell’AI [...]
Gioele Fierro

COO & Engineering Director Globsit

Neuromorphic computing
  1. Home
  2. Intelligenza Artificiale
  3. Neuromorphic computing: cos’è la prossima generazione dell’AI

Gli Intel Labs e altri centri di sviluppo stanno applicando con successo il Neuromorphic Computing per sviluppare robot capaci di apprendere compiti sempre più complessi, in tempi sempre più brevi.

Al momento, l’hardware e il software delle AI neuromorfiche si trovano in uno stadio sperimentale, ma i chip neuromorfici più moderni promettono sviluppi rapidi per le SNN di ultima generazione, permettendo di uscire dalla logica binaria per avvicinarsi alla straordinaria flessibilità del nostro cervello. L’obiettivo è quello di realizzare AI in grado di pensare in modo creativo e di riconoscere pattern, oggetti e contesti che non hanno mai visto prima, collegando le esperienze passate e presenti, proprio come un essere umano.

Le varie generazioni di AI

La prima generazione di AI, che si è sviluppata fino a metà degli anni ’90 del secolo scorso, era pensata per classificare dati e prendere decisioni, risolvendo problemi all’interno di un dominio molto specifico. La seconda generazione di AI ha tentato di generalizzare, per quanto possibile, i risultati, utilizzando le reti neurali profonde e la statistica. La terza generazione di AI, che è attualmente in forte crescita applicativa, prevede modelli generalisti e spiegabili, che sono in grado di migliorare le proprie capacità, grazie ai sistemi generativi concorrenti.

La prossima sfida chiave per le AI del futuro è quella di emulare più accuratamente il funzionamento del cervello umano e la sua capacità di apprendere pattern e modelli a partire da stimoli non strutturati, conservando solo la parte rilevante dell’informazione e creando reti associative basate sull’esperienza. Le AI neuromorfiche, il Neuromorphic Computing, tentano di abbinare la flessibilità delle reti neurali umane alla potenza computazionale dei computer moderni, basando le proprie decisioni sulle Spiking Neural Networks (SNN), ovvero su reti che prevedono neuroni indipendenti che si attivano a seconda degli stimoli e che sono in grado di inviare segnali agli altri elementi della rete.

Come funziona il Neuromorphic Computing

Il concetto di Neuromorphing Computing (o computer neuromorfico) non è affatto nuovo: già a partire dalla fine degli anni ’80 i ricercatori hanno esplorato l’idea di realizzare sistemi informatici ispirati al cervello umano. Per definizione, un computer neuromorfico è un sistema che non segue lo standard della macchina di Von Neumann, ovvero il concept su cui sono basati tutti i computer che siamo abituati a utilizzare ogni giorno. Nei computer neuromorfici non c’è una separazione concettuale tra memoria e unità di elaborazione: queste macchine si basano interamente sul concetto di rete neurale, ovvero un sistema composito che non viene programmato con una sequenza di istruzioni da eseguire, ma con una serie di parametri definiti per ogni accoppiata neurone/sinapsi. Al momento, gli input alla rete vengono ancora gestiti con valori binari, ma si cercano nuovi sistemi per rendere ancora più flessibili questi chip.

Attualmente, le reti neurali delle AI sono gestite da computer tradizionali che prevedono una netta separazione hardware tra memoria e elaborazione. Questa divisione rappresenta un collo di bottiglia durante la fase di training e comporta un notevole consumo di energia per il continuo spostamento delle informazioni da un componente all’altro. La gestione delle unità di elaborazione (neurone) e memoria (sinapsi) dei neuromorphic chip è molto più fluida, dato che non è presente alcuna separazione hardware. Questo ha un vantaggio notevole per i sistemi di apprendimento automatico basati su reti profonde: si riducono drasticamente i tempi di elaborazione e i costi di training, che sono attualmente i punti critici per l’uso delle AI in ambienti reali. Rispetto a quelle tradizionali, le AI neuromorfiche sono più sostenibili e molto più efficienti, caratteristiche ancora più rilevanti, nel bel mezzo di una crisi energetica e ambientale come quella che viviamo oggi.

Un’altra peculiarità chiave dei sistemi neuromorfici è il parallelismo dell’elaborazione: per loro natura, le reti neurali sono intrinsecamente parallele; quindi, l’informazione non seguirà un flusso statico come nei computer tradizionali, ma attraverserà parallelamente tutto il modello di elaborazione. Questo particolare rende i sistemi neuromorfici facilmente scalabili, perché l’aggiunta di ulteriori chip per l’elaborazione non fa altro che accrescere il numero di neuroni/sinapsi disponibili, e quindi il sistema nel suo complesso può essere trattato come un’unica grande rete.

Neuromorphic computing

La ricerca in ambito neuromorfico

Un’AI neuromorfica ha bisogno di un hardware profondamente diverso rispetto a quello necessario a un classico computer. Ad oggi, ci sono molte società che stanno investendo per lo sviluppo di nuovi chip compatibili con questa tecnologia. IBM ha una piattaforma neuromorfica che si chiama TrueNorth23 e gli Intel Labs lavorano a una piattaforma similare chiamata Loihi7. Dal mondo accademico sono nate soluzioni come Neurogrid, BrainScales-2 e IFAT13, che hanno comprovato la loro efficacia in applicazioni di apprendimento automatico all’interno di scenari mutevoli. Anche l’Unione Europea fa la sua parte grazie al progetto Human Brain, che ha sponsorizzato lo sviluppo di SpiNNaker e BrainScales.

WHITEPAPER
Porta il tuo Contact Center ad un livello successivo con speech analytics e sentiment analysis
Intelligenza Artificiale
Marketing

 

Video Intel

Attualmente, i computer neuromorfici sono realizzati su base di silicio, la stessa tecnologia dei semiconduttori impiegata per le CPU e per i componenti degli apparati elettronici che usiamo ogni giorno. Ma la ricerca si muove rapidamente per individuare materiali più adatti alla tecnologia neuromorfica come, ad esempio, sistemi di memoria resistiva, dispositivi optoelettronici e materiali innovativi come le biomembrane, che possono essere trattate per reagire come i semiconduttori al passaggio di correnti elettriche. La ricerca in materia è in un’entusiasmante fase di sperimentazione: sono in studio implementazioni hardware dei sistemi neuromorfici molto differenti tra loro, che utilizzano sistemi digitali, analogici o addirittura ibridi per implementare in modo efficiente le SNN.

Il nuovo chip NeuRRAM, presentato in una pubblicazione di Nature, è uno dei frutti più promettenti di questa ricerca. Il chip è in grado di eseguire diversi modelli di AI, consumando solo una frazione dell’energia richiesta dai computer tradizionali per arrivare allo stesso livello di accuratezza nel risultato. Il prototipo è in grado di abbattere la barriera tra memoria e processore, eseguendo tutte le operazioni elementari necessarie a ogni neurone simulato, direttamente in memoria. Le performance di NeuRRAM permetteranno di portare l’AI su tutti quei dispositivi che richiedono compattezza e bassi consumi, come dispositivi di edge computing, sistemi IoT, tecnologie indossabili e sensori intelligenti.

Le caratteristiche dei computer neuromorfici tentano di imitare la configurazione funzionale del cervello umano non solo a livello software, ma anche a livello hardware. Tuttavia, non conosciamo nel dettaglio tutti i meccanismi biologici che rendono il cervello una macchina tanto perfetta, ed è anche su questo aspetto del problema che la ricerca si concentrerà nel prossimo futuro. Una corretta astrazione del funzionamento biologico della nostra “unità di elaborazione” consentirà di far progredire lo sviluppo delle macchine che aspirano a imitarlo.

Fonte: Intel

Video Intel

Applicazioni pratiche del Neuromorphic Computing

Nell’ultimo biennio, l’adozione dell’AI ha registrato una crescita esponenziale in tutti i settori. Il Neuromorphic Computing apre nuove possibilità per i sistemi di apprendimento in una pletora di ambiti interessanti.

Medicina

Con il giusto set di parametri, le AI su base neuromorfica sono in grado di analizzare grandi quantità di dati mai visti in precedenza, individuando pattern e andamenti utili a studiarli. Durante la pandemia di COVID-19, il calcolo neuromorfico è stato accoppiato alla teoria dei grafi come strumento per analizzare la diffusione della malattia.

Ricerca scientifica

Il calcolo neuromorfico è stato utilizzato con successo anche per trovare soluzioni approssimative a problemi NP-completi, ovvero alla classe più complessa di problemi non deterministici, la cui soluzione è necessaria per la valutazione di tantissimi modelli scientifici. Ad esempio, il sistema IBM TrueNorth Neurosynaptic è stato utilizzato per risolvere approssimativamente il problema dell’ottimizzazione binaria non vincolata quadratica (QUBO) e, in alcuni casi, le soluzioni neuromorfiche si sono rivelate più accurate delle soluzioni restituite dal computer quantistico D-Wave.

Computer Vision

La Computer Vision è uno degli ambiti dove risulta più utile applicare l’approccio “umano” alla valutazione degli ambienti e dei contesti. Le immagini catturate dei sensori possono essere particolarmente complesse e, frequentemente, le tecnologie attuali non sono sufficienti per trarre adeguate conclusioni sul riconoscimento dei componenti della scena e sul loro posizionamento spaziale. I sensori neuromorfici permettono di analizzare ogni pixel dell’immagine in parallelo, trovando correlazioni e schemi, in tempi molto brevi. Gli apparati per la realtà virtuale o aumentata potranno beneficiare in larga misura dell’efficienza e della precisione di queste AI per la visione artificiale.

Large Scale Operations

Diversi sistemi di analisi e monitoraggio ambientale o industriale richiedono l’utilizzo di vaste reti di sensori che devono comunicare tra loro. Le AI neuromorfiche possono migliorare e velocizzare i processi di analisi di questi dati, fornendo uno strumento preziosissimo per le previsioni sull’andamento futuro o per le valutazioni di manutenzione predittiva e preventiva degli impianti.

Conclusioni

Il potenziale dell’hardware neuromorfico è elevatissimo. Questo porta molti a credere che il futuro dell’informatica e dell’intelligenza artificiale risieda in questo campo di ricerca. Sistemi in grado di mimare con più accuratezza il funzionamento del cervello umano danno accesso a enormi potenzialità per sfruttare al meglio le caratteristiche proprie delle AI, facendole evolvere a un livello impossibile da raggiungere con la computazione tradizionale.

Neuromorphic computing: pensare le AI come sistemi neuromorfici è un cambio di paradigma sostanziale e drastico: vanno ripensati non solo gli algoritmi di base, ma anche le stesse architetture che sono fondamento dell’intelligenza artificiale come la conosciamo oggi. Ma le opportunità in termini di prestazioni ed efficienza energetica sono senza precedenti. Una nuova visione del calcolo parallelo che potrebbe cambiare il volto della tecnologia che usiamo tutti i giorni, migliorandone l’usabilità, rendendola più vicina alle nostre aspettative e alle nostre esigenze. Un impulso per la ricerca di nuovi materiali e nuove tecniche costruttive che sono più sostenibili e più compatibili con un futuro a misura d’uomo.

WHITEPAPER
La RPA in 9 step: da dove si comincia?
Intelligenza Artificiale
Realtà virtuale

 

FacebookTwitterLinkedIn