Spazio. L'ultima frontiera. E il 2 novembre 2018, La navicella spaziale Voyager 2 della NASA ha attraversato la vastità dello spazio interstellare, dopo il Voyager 1, che ha fatto il salto sei anni prima. Dal loro lancio nel 1977, le due sonde hanno percorso più di 11 miliardi di miglia attraverso il sistema solare, durare molto più a lungo di quanto previsto dagli scienziati.

Alimentato da plutonio e assorbe 400 watt di potenza ciascuno per far funzionare la loro elettronica e il calore, le sonde ancora scattano foto e le rimandano alla NASA. Dopo 42 anni, anche se, solo sei dei 10 strumenti di Voyager 2 funzionano ancora, e gli scienziati della NASA prevedono che la sonda si oscurerà nel 2025, molto prima che lasci il nostro sistema solare.

Ma cosa accadrebbe se Voyager 2 avesse bisogno solo di un paio di watt di potenza? Riuscirà a sopravvivere abbastanza a lungo da continuare le sue esplorazioni nel futuro?

Questi sono i tipi di domande che gli scienziati stanno ponendo all'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE). Qui, Angelo Yanguas-Gil, principale scienziato dei materiali nella divisione Materiali Applicati, sta guidando un team interdisciplinare che sta ripensando il design dei chip per computer non solo per funzionare e adattarsi meglio, ma per farlo usando una quantità minuscola di energia, circa un watt.

Per ispirazione, il team sta cercando il cervello degli insetti, come le formiche, api, e moscerini della frutta, che offrono una nuova frontiera in un tipo di intelligenza artificiale noto come calcolo neuromorfico. Ciò che hanno scoperto potrebbe trasformare l'intelligenza artificiale nella sua testa artificiale.

Ispirato dalla biologia, i chip per computer di nuova concezione del team, che si basano su nuovi progetti e materiali, può bypassare la "nuvola" per imparare al volo, conservare radicalmente energia e adattarsi ad ambienti estremi, come lo spazio profondo e le aree radioattive, il tutto offrendo allo stesso tempo affidabilità, risultati accurati.

Il ventre molle dell'intelligenza artificiale

L'intelligenza artificiale pervade le nostre vite, fornendo innumerevoli vantaggi come l'alimentazione di assistenti digitali ad attivazione vocale, guidare auto a guida autonoma, riconoscere i nostri volti, e aiutandoci a rispondere automaticamente a SMS ed e-mail. IA, però, presenta alcune limitazioni:si basa su risme di dati e hardware sempre più veloce, a cui deve essere sempre connesso, richiede una grande quantità di potenza e ha una flessibilità limitata.

In che modo l'intelligenza artificiale è inflessibile? La risposta sta nel modo in cui una forma popolare di intelligenza artificiale, chiamata rete neurale, individua accordi significativi nei dati. La maggior parte delle reti neurali, che scoprono modelli e relazioni nei dati senza una programmazione esplicita, sono statici, progettato per un compito specifico, come il riconoscimento delle immagini. Una volta che una rete apprende questo compito, non può cambiare marcia e iniziare a guidare un'auto.

"La scena cambia, la distribuzione dei dati è leggermente diversa rispetto a prima, e quello che hai imparato non vale più, " ha spiegato Sandeep Madireddy, un informatico nella divisione Matematica e Informatica (MCS) di Argonne, che si è unito alla squadra di Yanguas-Gil.

insetti, d'altra parte, sono versatili e possono risolvere i problemi in modi diversi, disse Yanguas-Gil.

"In un sistema biologico, la rete può apprendere da sola e offre un grado di flessibilità molto più elevato, " ha detto. "La pressione evolutiva sugli insetti produce molto efficiente, macchine di calcolo adattativo. api, ad esempio, mostrano la metà del numero di comportamenti cognitivi distinti dei delfini, solo in un volume molto più piccolo."

Preciso sotto pressione

Per dimostrare questo punto, I chimici di Yanguas-Gil e Argonne Jeff Elam e Anil Mane hanno progettato e simulato un nuovo chip neuromorfo ispirato alla minuscola struttura cerebrale delle api, moscerini della frutta e formiche. Il team ha creato una rete da zero che contiene due scoperte fondamentali:

• Filtri dinamici e pesi che modificano la forza di varie connessioni neurali, a seconda di ciò che il sistema ritiene importante in tempo reale.
• Ossido di tungsteno-alluminio, un pluripremiato materiale nanocomposito creato da Elam e Mane, il che consentirebbe al chip di funzionare a livelli di potenza molto inferiori a un watt. (Al contrario, unità di elaborazione grafica [GPU], basato sulla lavorazione convenzionale dei semiconduttori al silicio, può consumare 100 watt o più per chip.)

I test del nuovo design del chip hanno rivelato che era accurato quanto il design standard, ma ha imparato molto più rapidamente e ha mantenuto la sua precisione, anche con tassi di errore inferiori al 60% nelle sue operazioni interne.

"Con le reti neurali, tassi di errore del 20 percento intaccano la precisione del sistema, " ha affermato Yanguas-Gil. "Il nostro sistema può tollerare tassi di errore molto più elevati e mantenere la stessa precisione di un sistema perfetto. Questo lo rende un buon candidato per macchine che trascorrono 30 anni nello spazio."

Con questi risultati, il team ha vinto il Best Paper Award ad agosto alla Space Computing Conference dell'Institute of Electrical and Electronics Engineers (IEEE) Computer Society.

Costruire la mente dell'alveare

Dopo che il suo team ha sviluppato il progetto per il chip neuromorfo, Yanguas-Gil arruolò Madireddy e Prasanna Balaprakash, anche un informatico nella divisione MCS del laboratorio, e ha sfruttato i potenti strumenti informatici di Argonne per massimizzare le sue prestazioni.

Utilizzando il supercomputer Theta presso l'Argonne Leadership Computing Facility, una struttura per gli utenti dell'Office of Science del DOE, il duo ha eseguito il progetto neuromorfico attraverso un pacchetto software che hanno sviluppato chiamato DeepHyper, che esegue l'apprendimento automatico delle reti neurali. DeepHyper testa migliaia di diverse configurazioni del cervello degli insetti, generando variazioni migliori fino a identificare quella giusta per un particolare compito.

Con ogni serie di configurazioni, DeepHyper apprende, valutando e quindi generando il set di configurazione successivo in base a ciò che ha visto. "Funziona più o meno allo stesso modo in cui gli umani imparano a giocare, "disse Balaprakash. "Tu giochi, ottieni un punteggio, e poi, in base al feedback e ai tuoi errori, lentamente diventi sempre migliore."

In uno scenario produttivo, tutto questo apprendimento sarà codificato sul chip neuromorfo, e il chip stesso sarà in grado di adattarsi, cambiare marcia per risolvere ogni tipo di compito.

Come cambiare il gioco

Questi progressi sono solo l'inizio. Una volta che Yanguas-Gil e il suo team hanno scoperto il design del chip più performante, devono concordare sui suoi migliori usi. Fortunatamente, sembra esserci una domanda infinita per un chip che combini l'intelligenza del computer, proprio dove è necessaria, con requisiti di bassa potenza.

Cosa succede se, ad esempio, gli scienziati potrebbero posizionare sensori a bassa potenza nelle foreste nazionali per fungere da allarme per gli incendi?

Sia Yanguas-Gil che Balaprakash indicano anche aree urbane, dove il chip potrebbe monitorare potenziali sostanze chimiche pericolose. Argonne, in collaborazione con l'Università di Chicago e la città di Chicago, ha già installato 120 dispositivi di rilevamento intelligenti in tutta la città per misurare fattori come la qualità dell'aria, traffico e clima, un progetto finanziato dalla National Science Foundation noto come Array of Things.

Questi dispositivi intelligenti utilizzano la piattaforma tecnologica Waggle di Argonne, che includono dispositivi di calcolo ad alte prestazioni programmabili in remoto in modo che le capacità di intelligenza artificiale possano essere integrate con i sensori. In questo modo, ad esempio, l'analisi delle immagini può fornire informazioni sulla quantità e sul carattere delle attività di strada e persino sulle interazioni umane. In un senso reale, questi dispositivi possono utilizzare tecniche di intelligenza artificiale per "apprendere" sui loro ambienti al fine di rilevare eventi o schemi nuovi o insoliti.

"Immagina se quei sensori potessero apprendere in tempo reale e rilevare gas velenosi?" chiese Balaprakash.

In teoria, Yanguas-Gil concorda sul fatto che i chip neuromorfici potrebbero agire come spettrometri di massa per imparare in tempo reale a riconoscere diversi frammenti di molecole senza essere esplicitamente programmati. "Sarebbe un punto di svolta, " Egli ha detto.