Come ogni ricetta, un sistema di calcolo neuromorfo memristivo ideale richiede una speciale miscela di circuiti CMOS e dispositivi memristivi, così come le risorse spaziali e le dinamiche temporali che devono essere ben adattate alle applicazioni di elaborazione del segnale e ai casi d'uso del sistema. Credit:Elisabetta Chicca
Durante gli anni '90, Carver Mead e colleghi hanno combinato la ricerca di base in neuroscienze con un'elegante progettazione di circuiti analogici nell'ingegneria elettronica. Questo lavoro pionieristico sui circuiti elettronici neuromorfi ha ispirato ricercatori in Germania e Svizzera a esplorare la possibilità di riprodurre la fisica dei circuiti neurali reali utilizzando la fisica del silicio.
Il campo dell'elettronica neuromorfa "mima-cervello" mostra un grande potenziale non solo per la ricerca di base, ma anche per lo sfruttamento commerciale di applicazioni informatiche all'avanguardia e "internet delle cose".
In Lettere di fisica applicata Elisabetta Chicca, dell'Università di Bielefeld, e Giacomo Indiveri, dell'Università di Zurigo e dell'ETH di Zurigo, presentare il loro lavoro per capire come i sistemi di elaborazione neurale in biologia effettuano il calcolo, così come una ricetta per riprodurre questi principi di calcolo nell'elettronica analogica/digitale a segnale misto e nei nuovi materiali.
Una delle caratteristiche computazionali più distintive delle reti neurali è l'apprendimento, quindi Chicca e Indiveri sono particolarmente interessati a riprodurre le proprietà adattative e plastiche delle sinapsi reali. Hanno utilizzato sia circuiti elettronici a semiconduttore a ossido di metallo complementare (CMOS) standard sia tecnologie di memoria avanzate su nanoscala, come dispositivi memristivi¬, per costruire sistemi intelligenti in grado di apprendere.
Questo lavoro è significativo, perché può portare a una migliore comprensione di come implementare una sofisticata elaborazione del segnale utilizzando dispositivi compatti e a bassa potenza.
I loro risultati chiave sono che gli apparenti svantaggi di queste tecnologie di elaborazione a bassa potenza, principalmente legati alla bassa precisione, elevata sensibilità al rumore ed elevata variabilità, può essere effettivamente sfruttato per eseguire calcoli robusti ed efficienti, proprio come il cervello può usare neuroni altamente variabili e rumorosi per implementare un comportamento robusto.
I ricercatori hanno detto che è sorprendente vedere il campo delle tecnologie di memoria, tipicamente interessato a tecnologie di dispositivi ad alta densità bit-precise, ora guardando al cervello animale come fonte di ispirazione per capire come costruire sistemi di elaborazione neurale adattivi e robusti. È molto in linea con l'agenda di ricerca di base che Mead e colleghi stavano seguendo più di 30 anni fa.
"I sistemi di elaborazione neurale elettronica che costruiamo non sono destinati a competere con i potenti e accurati sistemi di intelligenza artificiale che funzionano su grandi cluster di computer assetati di energia per l'elaborazione del linguaggio naturale o il riconoscimento e la classificazione di immagini ad alta risoluzione, " disse Chicca.
In contrasto, i loro sistemi "offrono soluzioni promettenti per quelle applicazioni che richiedono un'elaborazione in tempo reale compatta e a bassissima potenza (submilliwatt) con brevi latenze, " ha detto Indiveri.
Ha detto che gli esempi di tali applicazioni rientrano nel "dominio dell'"informatica estrema", che richiedono una piccola quantità di intelligenza artificiale per estrarre informazioni da segnali sensoriali in diretta o in streaming, come per l'elaborazione del bio-segnale nei dispositivi indossabili, interfacce cervello-macchina e monitoraggio ambientale sempre attivo."
