Apprende come un cervello umano, ma è una rete neurale fisica

AGI – Per la prima volta, una rete neurale fisica si è dimostrata in grado di imparare e ricordare “al volo”, in un modo ispirato e simile al funzionamento dei neuroni del cervello. Questo risultato apre la strada allo sviluppo di intelligenza artificiale efficiente e a basso consumo energetico per compiti di apprendimento e memoria più complessi nel mondo reale.

La ricerca, pubblicata su Nature Communications, è il risultato di una collaborazione tra scienziati dell’Università di Sydney e dell’Università della California a Los Angeles. L’autore principale, Ruomin Zhu, uno studente di dottorato dell’Università di Sydney, ha dichiarato: “Questi risultati dimostrano come sia possibile sfruttare funzioni di apprendimento e memoria ispirate al cervello utilizzando reti di nanofili per elaborare dati dinamici in tempo reale”.

Le reti di nanofili sono costituite da minuscoli fili con un diametro di pochi miliardesimi di metro. Questi fili si dispongono in modelli che ricordano il gioco dei “Bastoncini” ed emulano reti neurali, simili a quelle nel nostro cervello. Queste reti possono essere utilizzate per compiere specifici compiti di elaborazione delle informazioni. I compiti di memoria e apprendimento vengono svolti utilizzando semplici algoritmi che rispondono ai cambiamenti nella resistenza elettronica nei punti in cui i nanofili si sovrappongono.

Questa funzione, chiamata “commutazione di memoria resistiva,” si attiva quando i segnali elettrici incontrano cambiamenti nella conducibilità, simili a quanto avviene 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, ispirandosi al modo in cui il cervello umano elabora le informazioni.

La ricercatrice supervisore, la Professoressa Zdenka Kuncic, ha affermato che il compito di memoria era simile a ricordare un numero di telefono. La rete è stata inoltre utilizzata per svolgere un compito di riconoscimento di 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.

“I nostri precedenti studi avevano dimostrato la capacità delle reti di nanofili di ricordare compiti semplici. Questo lavoro ha esteso tali scoperte dimostrando che i compiti possono essere svolti utilizzando dati dinamici accessibili online,” ha affermato la Professoressa Kuncic.

“Questo rappresenta un passo significativo in avanti, poiché la capacità di apprendimento in tempo reale è una sfida quando si tratta di grandi quantità di dati che possono cambiare continuamente. Un approccio standard sarebbe memorizzare i dati e quindi addestrare un modello di apprendimento automatico utilizzando quelle informazioni memorizzate. Tuttavia, ciò richiederebbe troppa energia per una diffusa applicazione. Il nostro nuovo approccio consente alla rete neurale di nanofili di apprendere e ricordare “al volo”, campione dopo campione, estraendo dati online ed evitando quindi un uso eccessivo di memoria ed energia”.

Zhu ha sottolineato anche altri vantaggi nell’elaborazione di informazioni online. “Se i dati vengono trasmessi continuamente, ad esempio da un sensore, l’apprendimento automatico basato su reti neurali artificiali deve avere la capacità di adattarsi in tempo reale, cosa per cui attualmente non sono ottimizzate,” ha affermato. In questo studio, la rete neurale di nanofili ha dimostrato una notevole capacità di apprendimento automatico, ottenendo un punteggio del 93,4% nell’identificazione corretta di immagini di test. Il compito di memoria prevedeva il ricordo di sequenze di fino a otto cifre. Per entrambi i compiti, i dati sono stati inviati in tempo reale alla rete per dimostrarne la capacita’ di apprendimento online e per mostrare come la memoria migliora tale apprendimento. 
La riproduzione è espressamente riservata © Agi 2023