Per la prima volta, è stato dimostrato con successo che una rete neurale fisica impara e ricorda "al volo", in un modo ispirato e simile al funzionamento dei neuroni del cervello.
Il risultato apre un percorso per lo sviluppo di un'intelligenza artificiale efficiente e a basso consumo energetico per attività di apprendimento e memoria più complesse e reali.
Pubblicato oggi in Nature Communications , la ricerca è frutto di una collaborazione tra scienziati dell'Università di Sydney e dell'Università della California a Los Angeles.
L'autore principale Ruomin Zhu, un Ph.D. Uno studente del Nano Institute and School of Physics dell'Università di Sydney, ha affermato:"I risultati dimostrano come le funzioni di memoria e di apprendimento ispirate dal cervello utilizzando reti di nanofili possano essere sfruttate per elaborare dati dinamici e in streaming."
Le reti di nanofili sono costituite da minuscoli fili che hanno un diametro di appena miliardesimi di metro. I fili si dispongono in schemi che ricordano il gioco per bambini "Pick Up Sticks", imitando le reti neurali, come quelle del nostro cervello. Queste reti possono essere utilizzate per eseguire attività specifiche di elaborazione delle informazioni.
I compiti di memoria e apprendimento vengono raggiunti utilizzando semplici algoritmi che rispondono ai cambiamenti nella resistenza elettronica nelle giunzioni in cui i nanofili si sovrappongono. Nota come "commutazione resistiva della memoria", questa funzione viene creata quando gli input elettrici incontrano cambiamenti nella conduttività, simile a ciò che accade con le sinapsi nel nostro cervello.
In questo studio, i ricercatori hanno utilizzato la rete per riconoscere e ricordare sequenze di impulsi elettrici corrispondenti a immagini, ispirate al modo in cui il cervello umano elabora le informazioni.
La professoressa Zdenka Kuncic, ricercatrice supervisore, ha detto che il compito di memoria è simile a ricordare un numero di telefono. La rete è stata utilizzata anche per eseguire un'attività di riconoscimento delle immagini di riferimento, accedendo alle immagini nel database MNIST di cifre scritte a mano, una raccolta di 70.000 piccole immagini in scala di grigi utilizzate nell'apprendimento automatico.
"La nostra ricerca precedente ha stabilito la capacità delle reti di nanofili di ricordare compiti semplici. Questo lavoro ha ampliato questi risultati mostrando che le attività possono essere eseguite utilizzando dati dinamici a cui si accede online", ha affermato.
"Si tratta di un significativo passo avanti poiché ottenere una capacità di apprendimento online è impegnativo quando si ha a che fare con grandi quantità di dati che possono cambiare continuamente. Un approccio standard sarebbe quello di archiviare i dati in memoria e quindi addestrare un modello di apprendimento automatico utilizzando le informazioni archiviate. Ma questo consumerebbe troppa energia per un'applicazione diffusa."
"Il nostro nuovo approccio consente alla rete neurale di nanofili di apprendere e ricordare "al volo", campione per campione, estraendo dati online, evitando così un uso intensivo di memoria e di energia."
Il signor Zhu ha affermato che ci sono altri vantaggi nell'elaborazione delle informazioni online.
"Se i dati vengono trasmessi in streaming in modo continuo, come ad esempio da un sensore, l'apprendimento automatico che si basa su reti neurali artificiali dovrebbe avere la capacità di adattarsi in tempo reale, cosa per la quale attualmente non sono ottimizzate." ha detto.
In questo studio, la rete neurale di nanofili ha mostrato una capacità di apprendimento automatico di riferimento, ottenendo un punteggio del 93,4% nell’identificazione corretta delle immagini di test. Il compito di memoria prevedeva il richiamo di sequenze fino a otto cifre. Per entrambe le attività, i dati sono stati trasmessi in streaming alla rete per dimostrare la sua capacità di apprendimento online e per mostrare come la memoria migliora tale apprendimento.
Ulteriori informazioni: Apprendimento dinamico online e memoria di sequenze con reti di nanofili neuromorfici, Nature Communications (2023). DOI:10.1038/s41467-023-42470-5
Informazioni sul giornale: Comunicazioni sulla natura
Fornito dall'Università di Sydney
