LOGIN
Se pensate che gli algoritmi di machine learning e intelligenza artificiale "spinti" dai supercomputer siano già abbastanza spaventosi, allora preparatevi al "peggio". Un gruppo di ricercatori della School of Engineering and Applied Science presso la Washington University di St. Louis (Stati Uniti) ha appena messo a punto un nuovo microchip che dovrebbe potenziare ulteriormente gli applicativi che sfruttano l'intelligenza artificiale e l'apprendimento automatico.
Il segreto sta in microscopiche strutture cristalline che consentono agli elettroni di fluire più velocemente (e seguendo percorsi differenti) rispetto a quanto accade nei circuiti di silicio e rame. La scoperta – ancora nelle primissime fasi di test – dovrebbe portare alla creazione di modelli di reti neurali artificiali più simili al reale funzionamento di un cervello umano. In questo modo si riusciranno a potenziare le capacità di calcolo degli attuali sistemi informatici da utilizzare per il machine learning e l'intelligenza artificiale.
Che cosa sono le nanostrutture cristalline
Prima di spiegare nel dettaglio il lavoro del team di ricercatori statunitensi, è necessario comprendere cosa siano i nanocristalli e come riescano a influire (in maniera positiva, ovviamente) nell'esecuzione degli algoritmi di intelligenza artificiale. Quando si parla di nanostrutture cristalline ci si riferisce a particelle di materiali aventi almeno una dimensione più piccola di 100 nanometri (100 miliardesimi di metro) composte da atomi disposti in una struttura cristallina o policristallina.
Come teorizzato dal gruppo diretto dal professor Elijah Thimsen, il flusso degli elettroni (e della corrente elettrica) all'interno di strutture nanocristalline segue un moto e "strade" differenti rispetto a quanto avviene all'interno di altre strutture della materia. Il responsabile, in questo caso, è il meccanismo di trasporto degli elettroni, un fenomeno fisico che ancora oggi non trova una spiegazione scientifica adeguata. Il gruppo di ricerca della Washington University, però, è stato in grado di controllare e "manipolare" il flusso di elettroni, così da potenziare le capacità di calcolo di un normale sistema informatico.
Rete di nanocristalli
L'assunto teorico sul quale si basa il progetto del professor Thimsen è che, all'interno di una struttura nanocristallina, ogni atomo sia collegato a tutti gli altri atomi dello stesso cristallo, formando così una rete completamente magliata. Si viene così a creare un network particolarmente esteso, nel quale ogni atomo o nanoparticella è un nodo capace di scambiare segnali con tutti gli altri nodi/atomi. Ciò consente di creare dispositivi computazionali più sofisticati e potenti degli odierni, capaci di effettuare calcoli più complessi in un lasso di tempo infinitamente inferiore rispetto agli standard odierni.
Nuovo modello di rete neurale artificiale
L'architettura dei nanocristalli consente pertanto di realizzare nuovi modelli di rete neurali artificiali, sempre più somiglianti a un cervello umano. L'organizzazione e la strutturazione interna del nostro encefalo – nel quale i neuroni hanno connessioni molto estese con migliaia di altri neuroni – ricorda molto da vicino quella della rete "completamente magliata" delle strutture nanocristalline. I nanocristalli, dunque, potrebbero anche diventare delle "alternative sintetiche" alla rete di neuroni che compone il nostro cervello, permettendo loro di eseguire algoritmi di machine learning e intelligenza artificiale sempre più complessi e sempre più somiglianti ai processi che avvengono effettivamente all'interno della nostra testa.
Per questo motivo, il prossimo passaggio del progetto di ricerca diretto dal professor Thimsen riguarda la progettazione e realizzazione di un nuovo chip basato sulle nanostrutture cristalline e in grado di replicare – seppure solo parzialmente – il funzionamento del cervello umano. "Se si tratta realmente di una rete neurale – spiega il ricercatore statunitense –, i risultati di un'elaborazione dovranno dipendere necessariamente dall'input fornito inizialmente. Nel caso riuscissimo a ottenere questo risultato, potremmo iniziare a istruire un sistema a eseguire compiti piuttosto semplici e vedere fino a che punto riesce a spingersi".
