Che cos'è il calcolo neuromorfico?

L’innovazione è la ricerca di nuovi metodi scientifici per risolvere o migliorare i limiti delle tecnologie più avanzate. Se guardiamo allo stato attuale dell’IA, è estremamente potente e capace di fare cose che solo pochi anni fa sembravano impossibili. Tuttavia, molti di questi sistemi sono inefficienti e richiedono molte risorse. 

Come abbiamo spiegato in un articolo a parte su IA sostenibile, l’addestramento e l’esecuzione dei moderni sistemi di IA richiedono enormi quantità di elettricità, acqua e risorse, con un’impronta ambientale in rapido aumento. In questo contesto, non sorprende che Sam Altman, CEO di OpenAI, l’azienda dietro ChatGPT e altri modelli di IA generativa di successo, abbia dichiarato che il futuro dell’IA dipende da svolte nel settore energetico. 

Tuttavia, mentre attendiamo il tanto auspicato avvento di nuove fonti di energia (pulita), i ricercatori stanno cercando nuovi modi per ridurre il conto energetico delle attuali tecnologie di IA attraverso approcci di calcolo inediti e più efficienti.

È qui che entra in gioco il calcolo neuromorfico. Il calcolo neuromorfico è un approccio al computing ispirato alla struttura e al funzionamento del cervello umano. Comporta un cambio di paradigma che simula le strutture e le funzioni neurali e sinaptiche del cervello per elaborare le informazioni. L’obiettivo è creare sistemi di IA inediti che superino i modelli di deep learning odierni in termini di capacità ed efficienza.

Questo articolo ti fornirà tutto ciò che ti serve per iniziare a esplorare il campo entusiasmante e promettente del calcolo neuromorfico. Tratteremo le basi di questo paradigma di calcolo, le sue principali applicazioni, nonché i suoi vantaggi e le sue sfide.

Che cos’è il calcolo neuromorfico?

Il calcolo neuromorfico è un approccio rivoluzionario alla progettazione di hardware e software che imita il cervello umano, offrendo un’alternativa più efficiente e sostenibile al calcolo tradizionale per alimentare sistemi di IA avanzati.

Le ultime decadi hanno visto un miglioramento continuo delle capacità dei computer. Dai semplici calcolatori a sistemi complessi che sfruttano la potenza dell’IA e del machine learning per prevedere ogni tipo di evento con una precisione senza precedenti e generare contenuti (ad esempio, ChatGPT), l’evoluzione dei computer ci dice molto sulla società moderna e su come siamo arrivati fin qui.

Tuttavia, i computer moderni stanno raggiungendo i loro limiti. Con l’ascesa dell’IA, gli approcci di calcolo attuali si sono rivelati inefficienti, lenti e ad alto consumo energetico. La quantità di risorse necessarie per rendere ubiqui i sistemi di IA è verosimilmente eccessiva e difficile da sostenere dal punto di vista ambientale. 

Il calcolo neuromorfico è un approccio innovativo che cerca di affrontare i limiti delle macchine attuali. Sebbene il termine non sia nuovo (risale agli anni ’80, quando i ricercatori Misha Mahowald e Carver Mead svilupparono la prima retina e coclea al silicio e i primi neuroni e sinapsi al silicio che hanno inaugurato il paradigma del calcolo neuromorfico), sta guadagnando rapidamente slancio. 

Propone una revisione completa del modo in cui hardware e software sono concepiti e sviluppati. L’obiettivo è progettare componenti informatici che emulino il cervello e il sistema nervoso umano. 

Come funziona il calcolo neuromorfico?

Per capire come funziona il calcolo neuromorfico, dobbiamo prima capire come funziona il cervello umano. 

In parole semplici, le funzioni di elaborazione e memoria sono svolte da neuroni e sinapsi. Questi neuroni e sinapsi inviano e trasportano informazioni dal cervello con velocità quasi istantanea e un consumo energetico quasi nullo. Tali funzioni spiegano, per esempio, perché possiamo distinguere rapidamente un gatto da un cane o fermare l’auto quando vediamo un pedone in mezzo alla strada.  

La chiave della nostra straordinaria capacità di muoverci tra le complessità della realtà è che le funzioni di elaborazione e memoria avvengono nello stesso luogo. Questo è fondamentalmente diverso dai computer tradizionali, che hanno unità di memoria e di elaborazione separate. 

Sebbene questo design sia estremamente efficace in operazioni complesse, come prevedere se domani pioverà, è tutt’altro che ideale in compiti specifici che gli esseri umani trovano facili, come il riconoscimento di immagini, il ragionamento o il camminare.

La rivoluzione del calcolo neuromorfico promette che questi compiti saranno eseguiti su un unico chip, progettato specificamente per far girare le cosiddette spiking neural networks (SNN), un tipo di rete neurale artificiale composta da neuroni e sinapsi a impulsi. Dai un’occhiata al nostro articolo dedicato per scoprire più nel dettaglio cosa sono le reti neurali.

Le SNN si discostano dalle reti neurali convenzionali perché eliminano la necessità di trasferire dati tra memoria (RAM) e unità di elaborazione (CPU o GPU). Sono inoltre event-driven, cioè elaborano le informazioni solo quando si verificano eventi rilevanti (basandosi su un meccanismo a impulsi che usa soglie per attivare i neuroni). 

Di conseguenza, le SNN possono accelerare i tempi di elaborazione e ridurre il consumo energetico coinvolto. Tali guadagni in latenza possono fare una grande differenza, in particolare in compiti in cui i computer si basano su dati di sensori in tempo reale, come le telecamere delle auto a guida autonoma.

Applicazioni del calcolo neuromorfico

Il calcolo neuromorfico può portare avanti una rivoluzione con profonde implicazioni per l’industria. Se le promesse di guadagni di efficienza senza precedenti si riveleranno vere e diventeranno mainstream, il calcolo neuromorfico potrà essere un punto di svolta per molte applicazioni, accelerandone lo sviluppo e l’implementazione.

Di seguito trovi un elenco delle applicazioni più convincenti che possono beneficiare del calcolo neuromorfico.

Intelligenza artificiale e machine learning

L’IA è una delle tecnologie più dirompenti e trasformative che abbiamo sviluppato. Gli usi dell’IA sono infiniti; tuttavia, come abbiamo già menzionato, i computer attuali non sono nella posizione ideale per sfruttarne appieno il potenziale. 

Fortunatamente, il calcolo neuromorfico offre un approccio di calcolo innovativo che si è già dimostrato particolarmente adatto a compiti e problemi che richiedono efficienza energetica, elaborazione parallela e adattabilità, come il riconoscimento di pattern e l’elaborazione sensoriale. Per esempio, il machine learning neuromorfico è stato utilizzato per riconoscere pattern nel linguaggio naturale o per la riconoscimento facciale.

Veicoli autonomi

Un ottimo esempio di come il calcolo neuromorfico possa essere un punto di svolta in applicazioni che richiedono elaborazione sensoriale sono le auto autonome. I produttori di auto a guida autonoma utilizzano più telecamere e sensori intelligenti per acquisire immagini dall’ambiente, così che i loro veicoli possano rilevare oggetti, segnaletica orizzontale e cartelli stradali per guidare in sicurezza. 

Grazie alle loro alte prestazioni e alla bassa latenza, i computer neuromorfici possono contribuire a migliorare le capacità di navigazione dei veicoli autonomi, consentendo decisioni più rapide e accurate, essenziali per ridurre al minimo i potenziali incidenti, e allo stesso tempo permettendo una significativa riduzione dei consumi. Questo si tradurrebbe, in ultima analisi, in una maggiore autonomia della batteria delle auto.

Se ti interessano gli aspetti tecnici dei veicoli autonomi, ecco un progetto DataCamp per rilevare i cartelli stradali con il deep learning che può aiutarti a iniziare nel campo.

Robotica

Sulla scia dei veicoli autonomi, il calcolo neuromorfico è considerato una tecnologia chiave che porterà la robotica a una nuova fase di sviluppo. Nuovi robot alimentati da sensori neuromorfici potrebbero essere più adatti ad affrontare le sfide classiche del settore, come abilitare l’apprendimento e il decision-making in tempo reale in scenari reali, tenendo conto dei vincoli legati alla batteria. 

Ti interessa come le macchine interagiscono con l’ambiente circostante? Leggi questo articolo per saperne di più su percezione delle macchine e sensori intelligenti.

Edge computing

La maggior parte dei sistemi di IA avanzati fa spesso affidamento su server cloud remoti per il grosso del lavoro. Questo approccio può essere problematico per applicazioni che necessitano di risposte rapide, come le auto a guida autonoma o quelle su dispositivi con risorse limitate. L’edge computing cerca di farlo portando le capacità di IA direttamente sul dispositivo stesso.

I progressi nel calcolo neuromorfico potrebbero rivoluzionare l’edge computing. Grazie al basso consumo energetico dei chip neuromorfici, smartphone e ogni tipo di wearable intelligente – che normalmente hanno un’autonomia ridotta — potranno svolgere molti nuovi compiti che prima richiedevano molta energia. 

Vantaggi del calcolo neuromorfico

Qui trattiamo alcune delle ragioni più significative per cui PwC ha recentemente definito il calcolo neuromorfico una delle otto tecnologie emergenti essenziali del momento. 

Efficienza energetica

Il calcolo neuromorfico potrebbe essere la base di una nuova fase del calcolo intelligente. Nuovi componenti hardware e software si tradurranno in efficienze sia nell’elaborazione dei dati sia nei consumi energetici. Tali miglioramenti aiuteranno le aziende a ridurre i costi operativi, sviluppare sistemi di IA più rapidi e accurati e, auspicabilmente, a ridurre la loro impronta di carbonio. 

Elaborazione parallela

Per elaborazione parallela si intende suddividere un compito di calcolo in attività più piccole su più server, che poi le completano simultaneamente e più velocemente. Le caratteristiche delle SNN le rendono particolarmente adatte a compiti che richiedono elaborazione parallela, come il riconoscimento di pattern. 

Apprendimento in tempo reale e adattabilità

I computer neuromorfici basati su SNN sono eccellenti nell’apprendimento in tempo reale e nell’adattabilità. Questa flessibilità e versatilità possono essere vitali nelle applicazioni di IA che richiedono apprendimento continuo e decisioni rapide, come i robot o i veicoli autonomi.

Sfide e limitazioni

Sebbene i benefici del neuromorfico siano chiari, la tecnologia è relativamente agli inizi e non è pronta per diventare mainstream. Ecco alcune delle sfide all’orizzonte.

Mancanza di standard

Sebbene vi sia un numero crescente di progetti neuromorfici, la maggior parte risiede in laboratori di ricerca e università ben finanziati. Ciò suggerisce che la tecnologia non è ancora pronta per arrivare sul mercato. Mancano ancora standard hardware e software, senza i quali la scalabilità è pressoché impossibile.

Accessibilità limitata

La mancanza di standard significa, in sostanza, che ci mancano ancora le parole per nominare e descrivere i componenti e le proprietà dei computer neuromorfici. Questo spiega perché solo un numero ristretto di esperti nel mondo ha familiarità con il calcolo neuromorfico. Come afferma Andreea Danielescu, associate director presso Accenture Lab: