Il dottor Mario Lanza
Transistor di silicio standard imita le funzioni cerebrali e apre la strada a hardware di intelligenza artificiale efficiente e scalabile utilizzando la tecnologia CHIP esistente
Un singolo transistor può replicare comportamenti neurali e sinaptici.
Le implementazioni hardware delle reti neurali artificiali (ANNs) - le più avanzate sono fatte di milioni di neuroni elettronici interconnessi da centinaia di milioni di sinapsi elettroniche - hanno raggiunto un'efficienza energetica maggiore rispetto ai computer classici in alcuni dati di computing di dati ad alta intensità di scala. I computer neuromorfici all'avanguardia, come Intel’s Loihi2 o IBM’s NorthPole, implementano ANNs (artificial neural networks) utilizzando i circuiti che imitano i neuroni e le sinapsi ispirati a transistor CMOS (complementary metal–oxide–semiconductor). La semplificazione della struttura e delle dimensioni di questi due elementi costitutivi consentirebbe la costruzione di ANNs più sofisticati, più grandi e più efficienti dal punto di vista energetico.
Recentemente, i ricercatori della National University of Singapore (NUS) hanno dimostrato che un singolo transistor di silicio standard, il componente principale dei microchip trovati in computer, smartphone e quasi tutti i moderni elettronici, può imitare le funzioni sia di un neurone biologico che di sinapsi quando operano in modo non tradizionale.
Lo studio, pubblicata su Nature (1), condotto dal professore associato Mario Lanza (2) del Dipartimento di Scienze dei Materiali e ingegneria presso il College of Design and Engineering della NUS, offre un percorso promettente verso hardware scalabili ed efficienti dal punto di vista energetico per le reti neurali artificiali (ANN). Questo progresso segna un significativo passo avanti nel calcolo neuromorfico, un campo che mira a replicare l'efficienza del cervello nell'elaborazione delle informazioni
Inserire il cervello nel silicio
I computer più sofisticati al mondo esistono già all'interno delle nostre teste. Gli studi dimostrano che il cervello umano è, nel complesso, più efficiente dal punto di vista energetico rispetto ai processori elettronici, grazie a quasi 90 miliardi di neuroni che formano circa 100 trilioni di connessioni tra loro e sinapsi che mettono a punto la loro forza nel tempo - un processo noto come plasticità sinaptica, che sostiene l'apprendimento e la memoria.
Per decenni, gli scienziati hanno cercato di replicare questa efficienza usando reti neurali artificiali (ANNs). Le ANNs hanno recentemente guidato notevoli progressi nell'intelligenza artificiale, ispirate vagamente da come il cervello elabora le informazioni. Ma mentre prendono in prestito la terminologia biologica, le somiglianze corrono solo skin profonde: le ANNs basate sul software, come quelle che alimentano i modelli di grandi dimensioni come Chatgpt, hanno un vorace appetito per le risorse computazionali e quindi l'elettricità. Questo li rende poco pratici per molte applicazioni.
Il calcolo neuromorfico mira a imitare la potenza di calcolo e l'efficienza energetica del cervello. Ciò richiede non solo la riprogettazione dell'architettura del sistema per effettuare memoria e calcolo nello stesso posto - i cosiddetti computing in memoria (IMC) - ma anche per sviluppare dispositivi elettronici che sfruttano i fenomeni fisici ed elettronici in grado di replicare più fedelmente come funzionano i neuroni e le sinapsi. Tuttavia, gli attuali sistemi di calcolo neuromorfo sono ostacolati dalla necessità di complicati circuiti multi-transistor o materiali emergenti che devono ancora essere validati per la produzione su larga scala.
«Per consentire il vero calcolo neuromorfo, in cui i microchip si comportano come neuroni biologici e sinapsi, abbiamo bisogno di hardware che sia scalabile ed anche efficiente dal punto di vista energetico», ha affermato il professor Lanza.
Una svolta con silicio standard
Il team di ricerca NUS ha ora dimostrato che un singolo transistor di silicio standard, se disposto e gestito in modo specifico, può replicare sia l'accensione neurale che le variazioni di peso sinaptico - i meccanismi fondamentali dei neuroni e delle sinapsi biologiche. Ciò è stato ottenuto regolando la resistenza del terminale di massa a valori specifici, che consentono il controllo di due fenomeni fisici che si svolgono nel transistor: puntamento attraverso la ionizzazione dell'impatto e intrappolamento della carica. Inoltre, il team ha costruito una cellula a due transistor in grado di operare in neurone o regime sinaptico, che i ricercatori hanno chiamato “memoria di accesso casuale neuro-sinaptica” o NS-RAM.
Il professor Mario Lanza racconta: «Altri approcci richiedono array di transistor complessi o materiali nuovi con producibilità incerta, ma il nostro metodo utilizza la tecnologia CMOS commerciale, la stessa piattaforma trovata nei moderni processori informatici e microchip di memoria. Ciò significa che è scalabile, affidabile e compatibile con i processi di fabbricazione di semiconduttori esistenti».
Attraverso esperimenti, la cellula NS-RAM ha dimostrato un basso consumo di energia, ha mantenuto prestazioni stabili per molti cicli di funzionamento e ha mostrato un comportamento coerente e prevedibile su diversi dispositivi. Tutti attributi desiderati per la costruzione di hardware ANNs affidabili, adatti alle applicazioni del mondo reale. La svolta del team segna un cambio di fase nello sviluppo di processori di intelligenza artificiale compatti ed efficienti che potrebbero consentire un calcolo più veloce e più reattivo.
Riferimenti:
(1) Synaptic and neural behaviours in a standard silicon transistor
(2) Mario Lanza
Descrizione foto: Il professor associato Mario Lanza e il suo team hanno dimostrato un rivoluzionario transistor di silicio che imita i comportamenti neurali e sinaptici, segnando una svolta significativa nel calcolo neuromorfo. - Credit: College of Design and Engineering, NUS.
Autore traduzione riassuntiva e adattamento linguistico: Edoardo Capuano / Articolo originale: AI Breakthrough: Scientists Transform Everyday Transistor Into an Artificial Neuron