Spesso crediamo che i computer siano più efficienti degli esseri umani. Dopotutto, i computer possono completare una complessa equazione matematica in un attimo e possono anche ricordare il nome di quell’attore che continuiamo a dimenticare. Tuttavia, il cervello umano è in grado di elaborare complessi strati di informazioni in modo rapido, accurato e quasi senza alcun apporto energetico:riconoscere un volto dopo averlo visto solo una volta o riconoscere immediatamente la differenza tra una montagna e l'oceano.

Questi semplici compiti umani richiedono un'enorme elaborazione e un enorme input di energia da parte dei computer, e anche in questo caso, con vari gradi di precisione.

La creazione di computer simili al cervello con un fabbisogno energetico minimo rivoluzionerebbe quasi ogni aspetto della vita moderna. Quantum Materials for Energy Efficient Neuromorphic Computing (Q-MEEN-C), un consorzio nazionale guidato dall'Università della California a San Diego, è stato in prima linea in questa ricerca.

Alex Frañó, professore assistente di fisica dell'UC San Diego, è co-direttore di Q-MEEN-C e pensa al lavoro del centro in più fasi. Nella prima fase, ha lavorato a stretto contatto con il presidente emerito dell'Università della California e professore di fisica Robert Dynes, nonché con il professore di ingegneria Rutgers Shriram Ramanathan. Insieme, i loro team sono riusciti a trovare modi per creare o imitare le proprietà di un singolo elemento cerebrale (come un neurone o una sinapsi) in un materiale quantistico.

Ora, nella fase due, una nuova ricerca di Q-MEEN-C, pubblicata su Nano Letters , mostra che gli stimoli elettrici trasmessi tra elettrodi vicini possono influenzare anche elettrodi non vicini. Conosciuta come non-località, questa scoperta rappresenta una pietra miliare cruciale nel viaggio verso nuovi tipi di dispositivi che imitano le funzioni cerebrali note come elaborazione neuromorfica.

"Nel cervello è chiaro che queste interazioni non locali sono nominali:accadono frequentemente e con uno sforzo minimo", ha affermato Frañó, uno dei coautori dello studio. "È una parte cruciale del funzionamento del cervello, ma comportamenti simili replicati nei materiali sintetici sono scarsi."

Come molti progetti di ricerca che stanno dando i loro frutti, l’idea di verificare se fosse possibile la non località nei materiali quantistici è nata durante la pandemia. Gli spazi fisici dei laboratori erano chiusi, quindi il team ha eseguito calcoli su array che contenevano più dispositivi per imitare i molteplici neuroni e sinapsi nel cervello. Eseguendo questi test, hanno scoperto che la non-località era teoricamente possibile.

Quando i laboratori hanno riaperto, hanno perfezionato ulteriormente questa idea e hanno arruolato il professore associato della UC San Diego Jacobs School of Engineering, Duygu Kuzum, il cui lavoro nel campo dell'ingegneria elettrica e informatica li ha aiutati a trasformare una simulazione in un dispositivo reale.

Ciò ha comportato l’utilizzo di una sottile pellicola di nichel – un materiale ceramico “quantistico” che mostra ricche proprietà elettroniche – inserendo ioni idrogeno e quindi posizionando un conduttore metallico sopra. Un filo è attaccato al metallo in modo che un segnale elettrico possa essere inviato al nichelato. Il segnale fa sì che gli atomi di idrogeno simili a gel si spostino in una determinata configurazione e quando il segnale viene rimosso, la nuova configurazione rimane.

"Questo è essenzialmente l'aspetto di un ricordo", ha affermato Frañó. "Il dispositivo ricorda che hai perturbato il materiale. Ora puoi regolare con precisione la direzione in cui vanno gli ioni per creare percorsi più conduttivi e più facili per il flusso dell'elettricità."

Tradizionalmente, la creazione di reti che trasportino elettricità sufficiente ad alimentare qualcosa come un laptop richiede circuiti complicati con punti di connessione continui, il che è inefficiente e costoso. Il concetto di progettazione di Q-MEEN-C è molto più semplice perché il comportamento non locale nell'esperimento significa che tutti i fili di un circuito non devono essere collegati tra loro. Pensa a una ragnatela, dove il movimento di una parte può essere percepito su tutta la tela.

Questo è analogo al modo in cui il cervello apprende:non in modo lineare, ma a strati complessi. Ogni apprendimento crea connessioni in più aree del cervello, permettendoci di distinguere non solo gli alberi dai cani, ma anche una quercia da una palma o un golden retriever da un barboncino.

Ad oggi, questi compiti di riconoscimento di schemi che il cervello esegue in modo così bello, possono essere simulati solo tramite software per computer. Programmi di intelligenza artificiale come ChatGPT e Bard utilizzano algoritmi complessi per imitare attività basate sul cervello come pensare e scrivere. E lo fanno davvero bene. Ma senza un hardware altrettanto avanzato che lo supporti, a un certo punto il software raggiungerà il suo limite.

Frañó è ansioso di vedere una rivoluzione hardware parallela a quella attualmente in corso con il software, e che dimostri che è possibile riprodurre un comportamento non locale in un materiale sintetico, facendo un passo avanti agli scienziati. Il prossimo passo riguarderà la creazione di array più complessi con più elettrodi in configurazioni più elaborate.

"Questo è un passo avanti molto importante nei nostri tentativi di comprendere e simulare le funzioni cerebrali", ha affermato Dynes, che è anche coautore dello studio. "Mostrare un sistema che ha interazioni non locali ci porta ulteriormente nella direzione di come pensa il nostro cervello. Il nostro cervello è, ovviamente, molto più complicato di così, ma un sistema fisico capace di apprendere deve essere altamente interattivo e questo è un primo passo necessario Ora possiamo pensare ad una coerenza a lungo raggio nello spazio e nel tempo."

"È ampiamente riconosciuto che affinché questa tecnologia possa davvero esplodere, dobbiamo trovare modi per migliorare l'hardware, una macchina fisica in grado di eseguire il compito insieme al software", ha affermato Frañó. "La fase successiva sarà quella in cui creeremo macchine efficienti le cui proprietà fisiche sono quelle che stanno effettuando l'apprendimento. Questo ci fornirà un nuovo paradigma nel mondo dell'intelligenza artificiale."

Ulteriori informazioni: Ravindra Singh Bisht et al, Interazioni spaziali nelle reti sinaptiche di perovskite nichelato idrogenato, Nano lettere (2023). DOI:10.1021/acs.nanolett.3c02076

Informazioni sul giornale: Nanolettere

Fornito dall'Università della California - San Diego