I computer e l'intelligenza artificiale continuano a introdurre grandi cambiamenti nel modo in cui le persone fanno acquisti. È relativamente facile addestrare il cervello di un robot a creare una lista della spesa, ma che ne dici di assicurarti che l'acquirente robotico possa facilmente distinguere la differenza tra le migliaia di prodotti nel negozio?

I ricercatori della Purdue University e gli esperti di informatica ispirata al cervello pensano che parte della risposta possa essere trovata nei magneti. I ricercatori hanno sviluppato un processo per utilizzare il magnetismo con reti simili al cervello per programmare e insegnare dispositivi come robot personali, auto e droni a guida autonoma per generalizzare meglio su oggetti diversi.

"Le nostre reti neurali stocastiche cercano di imitare determinate attività del cervello umano e di calcolare attraverso una connessione di neuroni e sinapsi, " disse Kaushik Roy, Edward G. Tiedemann Jr. Distinguished Professor di Purdue di Ingegneria Elettrica e Informatica. "Ciò consente al cervello del computer non solo di memorizzare le informazioni, ma anche di generalizzare bene sugli oggetti e quindi fare inferenze per ottenere risultati migliori nel distinguere tra gli oggetti".

Roy ha presentato la tecnologia durante la conferenza annuale tedesca di scienze fisiche all'inizio di questo mese in Germania. L'opera è apparsa anche in Frontiere delle neuroscienze .

La dinamica di commutazione di un nanomagnete è simile alla dinamica elettrica dei neuroni. I dispositivi di giunzione a tunnel magnetici mostrano il comportamento di commutazione, che è di natura stocastica.

Il comportamento di commutazione stocastico è rappresentativo di un comportamento di commutazione sigmoideo di un neurone. Tali giunzioni tunnel magnetiche possono essere utilizzate anche per memorizzare pesi sinaptici.

Il gruppo di Purdue ha proposto un nuovo algoritmo di addestramento stocastico per le sinapsi utilizzando la plasticità dipendente dal tempo di picco (STDP), chiamato stocastico-STDP, che è stato osservato sperimentalmente nell'ippocampo del ratto. Il comportamento stocastico intrinseco del magnete è stato utilizzato per commutare gli stati di magnetizzazione in modo stocastico in base all'algoritmo proposto per l'apprendimento di diverse rappresentazioni di oggetti.

I pesi sinaptici addestrati, codificato in modo deterministico nello stato di magnetizzazione dei nanomagneti, vengono poi utilizzati durante l'inferenza. vantaggiosamente, l'uso di magneti barriera ad alta energia (30-40KT dove K è la costante di Boltzmann e T è la temperatura di esercizio) non solo consente primitive stocastiche compatte, ma consente anche di utilizzare lo stesso dispositivo come elemento di memoria stabile soddisfacendo il requisito di conservazione dei dati. Però, l'altezza della barriera dei nanomagneti utilizzati per eseguire calcoli neuronali di tipo sigmoide può essere ridotta a 20KT per una maggiore efficienza energetica.

"Il grande vantaggio con la tecnologia dei magneti che abbiamo sviluppato è che è molto efficiente dal punto di vista energetico, " ha detto Roy, che guida il Center for Brain-inspired Computing Enabling Autonomous Intelligence di Purdue. "Abbiamo creato una rete più semplice che rappresenta i neuroni e le sinapsi, comprimendo la quantità di memoria ed energia necessaria per eseguire funzioni simili ai calcoli del cervello".

Roy ha detto che le reti simili al cervello hanno anche altri usi per risolvere problemi difficili, inclusi problemi di ottimizzazione combinatoria come il problema del commesso viaggiatore e la colorazione dei grafi. I dispositivi stocastici proposti possono fungere da "ricotto naturale", aiutando gli algoritmi a uscire dai minimi locali.