Che cos'è l'informatica neuromorfica?

27 giugno 2024

Autori

Cole Stryker

Editorial Lead, AI Models

Che cos'è l'informatica neuromorfica?

L'informatica neuromorfica, nota anche come ingegneria neuromorfica, è un approccio all'informatica che imita il funzionamento del cervello umano. Comporta la progettazione di hardware e software che simulano le strutture e le funzioni neurali e sinaptiche del cervello per elaborare le informazioni.

L'informatica neuromorfica potrebbe sembrare un campo nuovo, tuttavia le sue origini risalgono agli anni '80. Era il decennio in cui Misha Mahowald e Carver Mead svilupparono la prima retina e coclea in silicio e i primi neuroni e sinapsi in silicio, aprendo la strada al paradigma dell'informatica neuromorfica.1

Oggi, con i progressi dei sistemi di intelligenza artificiale (AI), queste tecnologie necessitano di hardware e software all'avanguardia. L'informatica neuromorfica può fungere da acceleratore di crescita per l'AI, potenziare le elaborazioni a prestazioni elevate e fungere da elemento costitutivo della superintelligenza artificiale. Sono addirittura in corso esperimenti per abbinare l'informatica neuromorfica al quantum computing.2

L'informatica neuromorfica è stata citata dalla società di consulenza Gartner come una delle principali tecnologie emergenti per le aziende.3 Allo stesso modo, la società di servizi professionali PwC osserva che l'informatica neuromorfica è una tecnologia essenziale da esplorare per le organizzazioni poiché sta progredendo rapidamente ma non è ancora abbastanza matura per diventare mainstream.4

Design 3D di palline che rotolano su una pista

Le ultime notizie e insight sull'AI 


Scopri notizie e insight selezionati da esperti in materia di AI, cloud e molto altro nella newsletter settimanale Think. 

Come funziona l'informatica neuromorfica

Poiché l'informatica neuromorfica si ispira al cervello umano, prende in prestito notevolmente dalla biologia e dalle neuroscienze.

Secondo il Queensland Brain Institute, i neuroni «sono le unità fondamentali del cervello e del sistema nervoso».5 In qualità di messaggeri, queste cellule nervose trasmettono informazioni tra diverse aree del cervello e altre parti del corpo. Quando un neurone diventa attivo o "aumenta", innesca il rilascio di segnali chimici ed elettrici che viaggiano attraverso una rete di punti di connessione chiamati sinapsi, permettendo ai neuroni di comunicare tra di loro.6

Questi meccanismi neurologici e biologici sono modellati in sistemi informatici neuromorfici attraverso Spiking Neural Network (SNN), ovvero reti neurali spiking, o a impulso. Una rete neurale spiking è un tipo di rete neurale artificiale composta da neuroni e sinapsi a impulso.

I neuroni spiking memorizzano ed elaborano i dati in modo simile ai neuroni biologici, dove ogni neurone è dotato di carica, ritardo e valori soglia propri. Le sinapsi creano percorsi tra i neuroni e hanno anche valori di ritardo e peso associati. Questi valori (cariche neuronali, ritardi neuronali e sinaptici, soglie neuronali e pesi sinaptici) possono essere tutti programmati all'interno di sistemi informatici neuromorfici.7

Nell'architettura neuromorfica, le sinapsi sono rappresentate come dispositivi sinaptici basati su transistor, che utilizzano circuiti per trasmettere segnali elettrici. Le sinapsi in genere includono una componente di apprendimento che altera i valori del loro peso nel tempo, in base all'attività all'interno della rete neurale spiking.7

A differenza delle reti neurali convenzionali, le SNN tengono conto delle tempistiche nel loro funzionamento. Il valore di carica di un neurone si accumula nel tempo e, quando quella carica raggiunge il valore di soglia associato al neurone, aumenta propagando le informazioni lungo la sua rete sinaptica. Tuttavia, se il valore della carica non supera la soglia, avviene una dissipazione e "fuoriesce". Inoltre, le SNN sono guidate dagli eventi, con valori di ritardo neuronale e sinaptico che consentono la diffusione asincrona delle informazioni.7

Mixture of Experts | Podcast

Decoding AI: Weekly News Roundup

Unisciti al nostro gruppo di livello mondiale di ingegneri, ricercatori, leader di prodotto e molti altri mentre si fanno strada nell'enorme quantità di informazioni sull'AI per darti le ultime notizie e gli ultimi insight sull'argomento.

Hardware neuromorfico

Negli ultimi decenni, molti dei progressi dell'informatica neuromorfica sono giunti sotto forma di hardware neuromorfico.

Nel mondo accademico, una delle prime implementazioni includeva il Neurogrid della Stanford University, il cui sistema multichip misto analogico-digitale è in grado di "simulare un milione di neuroni con miliardi di connessioni sinaptiche in tempo reale".8 Nel frattempo, l'hub di ricerca IMEC ha creato un chip neuromorfico ad autoapprendimento.9

Anche gli enti governativi hanno supportato le iniziative della ricerca neuromorfica. Lo Human Brain Project dell'Unione Europea, ad esempio, è stata un'iniziativa decennale che si è conclusa nel 2023 e che puntava a comprendere meglio il cervello, così come a trovare nuove cure per le malattie cerebrali e a sviluppare nuove tecnologie informatiche ispirate al cervello.

Tra queste tecnologie rientrano le macchine neuromorfiche su larga scala SpiNNaker e BrainScaleS. SpiNNaker funziona in tempo reale su chip digitali multi-core, con una rete basata su pacchetti per l'ottimizzazione dello scambio di spike. BrainScaleS è una macchina accelerata che emula modelli elettronici analogici di neuroni e sinapsi. Dispone di un sistema di chip wafer-scale di prima generazione (chiamato BrainScales-1) e di un sistema a chip singolo di seconda generazione (chiamato BrainScales-2).10

Nel settore tecnologico, i processori neuromorfici includono Loihi di Intel, NeuronFlow di GraI Matter Labs e i chip neuromorfici TrueNorth e NorthPole di nuova generazione di IBM.

Per la maggior parte, i dispositivi neuromorfici sono realizzati in silicio e utilizzano la tecnologia CMOS (semiconduttore a ossido di metallo complementare). I ricercatori stanno tuttavia valutando anche nuovi tipi di materiali, come i materiali ferroelettrici e a cambiamento di fase. Gli elementi di memoria elettronica non volatile chiamati memristori (una combinazione di "memoria" e "resistore") sono un altro modulo utilizzato per realizzare la collocazione della memoria e del trattamento dei dati nei neuroni spiking.

Algoritmi di informatica neuromorfica

Nel campo del software, lo sviluppo di algoritmi di addestramento e apprendimento per l'informatica neuromorfica ricorre a tecniche di machine learning e non-machine learning. Eccone alcuni:7

Deep Learning

Per eseguire l'inferenza, le reti neurali pre-addestrate possono essere convertite in reti neurali spiking utilizzando strategie come la normalizzazione dei pesi o le funzioni di attivazione. Una rete neurale profonda può anche essere addestrata in modo che i suoi neuroni siano attivati come i neuroni spiking.

Algoritmi evolutivi

Questi algoritmi ispirati alla biologia impiegano principi dell'evoluzione biologica come la mutazione, la riproduzione e la selezione. Gli algoritmi evolutivi possono essere utilizzati per progettare o addestrare le SNN, modificando e ottimizzando i loro parametri (ad esempio, ritardi e soglie) e la struttura (ad esempio, il numero di neuroni e il metodo di collegamento tramite sinapsi) con il passare del tempo.

Grafici

Le reti neurali spiking si prestano bene alla rappresentazione grafica, dove la SNN assume la forma di un digrafo. Quando uno dei nodi del grafico aumenta, il momento in cui anche gli altri nodi raggiungono il picco coincide con la lunghezza del percorso più breve dal nodo di origine.

Plasticità

Nelle neuroscienze, la neuroplasticità si riferisce alla capacità del cervello umano e del sistema nervoso di modificare i propri percorsi neurali e le sinapsi in risposta a una lesione. Nell'architettura neuromorfica, la plasticità sinaptica è in genere implementata attraverso la plasticità dipendente dal tempo di picco. Questa operazione regola il peso delle sinapsi in base ai tempi di picco relativi dei neuroni.

Reservoir Computing

Il Reservoir Computing, che si basa su reti neurali ricorrenti, utilizza un "reservoir" per inviare input a uno spazio computazionale di dimensioni superiori, con un meccanismo di lettura addestrato a leggere l'output del reservoir.

Nell'informatica neuromorfica, gli input vengono inviati a una rete neurale spiking, che funge da reservoir. L'SNN non è addestrata, bensì si basa sulle connessioni ricorrenti all'interno della sua rete e sui ritardi sinaptici per mappare gli input in uno spazio computazionale di dimensioni superiori.

Vantaggi dell'informatica neuromorfica

I sistemi neuromorfici sono molto promettenti dal punto di vista computazionale. Ecco alcuni dei potenziali benefici offerti da questo tipo di architettura informatica:

Adattabilità

Essendo una tecnologia ispirata al cervello, l'informatica neuromorfica coinvolge anche la nozione di plasticità. I dispositivi neuromorfici sono progettati per l'apprendimento in tempo reale, adattandosi continuamente agli stimoli in evoluzione sotto forma di input e parametri. Ciò significa che potrebbero eccellere nella risoluzione di problemi nuovi.

Risparmio energetico

Come accennato in precedenza, i sistemi neuromorfici sono basati sugli eventi, con neuroni e sinapsi che eseguono elaborazioni in risposta ad altri neuroni spiking. Di conseguenza, solo il segmento che sta elaborando i picchi consuma energia, mentre il resto della rete rimane inattivo. Ciò conduce a un consumo energetico più efficiente.

Prestazioni elevate

La maggior parte dei computer moderni, noti anche come computer di von Neumann, sono dotati di unità di elaborazione centrale e unità di memoria separate e il trasferimento di dati tra queste unità può causare un collo di bottiglia che influisce sulla velocità. Al contrario, i sistemi di informatica neuromorfica memorizzano ed elaborano i dati nei singoli neuroni, con conseguente minore latenza e calcoli più rapidi rispetto all'architettura di von Neumann.

Elaborazione parallela

A causa della natura asincrona di una SNN, i singoli neuroni possono eseguire operazioni diverse in modo simultaneo. Quindi, in teoria, i dispositivi neuromorfici possono eseguire tante attività quanti sono i neuroni in un determinato momento. Per questo motivo, le architetture neuromorfiche hanno immense funzionalità di elaborazione parallela, che consentono loro di completare rapidamente le funzioni.

Sfide dell'informatica neuromorfica

L'informatica neuromorfica è ancora un campo emergente. Come qualsiasi tecnologia nelle sue fasi iniziali, anche i sistemi neuromorfici devono affrontare alcune sfide:

Precisione ridotta

Il processo di conversione delle reti neurali profonde in reti neurali spiking può causare una riduzione della precisione. Inoltre, i memristor utilizzati nell'hardware neuromorfico possono presentare variazioni da ciclo a ciclo e a livello di dispositivo, con un impatto sulla precisione, oltre a limiti ai valori di peso sinaptico che possono ridurre quest'ultima.7

Mancanza di benchmark e standard

Essendo una tecnologia un po' nascente, l'informatica neuromorfica presenta una carenza di standard a livello di architettura, hardware e software. I sistemi neuromorfici non dispongono inoltre di benchmark, set di dati di esempio, attività di test e metriche chiaramente definiti e consolidati, quindi diventa difficile valutare le prestazioni e dimostrarne l'efficacia.

Accessibilità e software limitati

La maggior parte degli approcci algoritmici all'informatica neuromorfica utilizza ancora software progettato per l'hardware di von Neumann, che può limitare i risultati a ciò che l'architettura von Neumann può ottenere. Nel frattempo, le API (Application Programming Interface), i modelli di codifica e i linguaggi di programmazione per i sistemi neuromorfici devono ancora essere sviluppati o resi più ampiamente disponibili.

Curva di apprendimento ripida

L'informatica neuromorfica è un dominio complesso, che attinge da discipline come la biologia, l'informatica, l'ingegneria elettronica, la matematica, le neuroscienze e la fisica. Ciò ne rende difficile la comprensione al di fuori di un laboratorio accademico specializzato in ricerca neuromorfica.

Casi d'uso dell'informatica neuromorfica

Le attuali applicazioni nel mondo reale per i sistemi neuromorfici sono scarse, ma il paradigma informatico può essere applicato in questi casi d'uso:

Veicoli a guida autonoma

Grazie alle sue elevate prestazioni e ai notevoli guadagni in termini di efficienza energetica, l'informatica neuromorfica può aiutare a migliorare le capacità di navigazione di un veicolo autonomo, consentendo una correzione della rotta più rapida e una migliore prevenzione delle collisioni, riducendo al contempo le emissioni di energia.

Cybersecurity

I sistemi neuromorfici possono aiutare a rilevare modelli o attività insoliti che potrebbero indicare attacchi informatici o violazioni. Queste minacce possono essere sventate rapidamente grazie alla bassa latenza e alla rapidità di calcolo dei dispositivi neuromorfici.

Edge AI

Le caratteristiche dell'architettura neuromorfica la rendono adatta all'edge AI. Il suo basso consumo energetico può contribuire ad aumentar la durata delle batterie di dispositivi come smartphone e dispositivi indossabili, mentre la sua adattabilità e la sua natura basata sugli eventi si adattano ai metodi di elaborazione delle informazioni di sensori remoti, droni e altri dispositivi Internet of Things (IoT).

Riconoscimento dei pattern

Grazie alle sue vaste funzionalità di elaborazione parallela, l'informatica neuromorfica può essere utilizzata in applicazioni di machine learning per riconoscere pattern nel linguaggio naturale e nella parola, analizzare immagini mediche ed elaborare segnali di imaging provenienti da scansioni cerebrali fMRI e test elettroencefalografici (EEG) che misurano l'attività elettrica nel cervello.

Robotica

Essendo una tecnologia adattabile, l'informatica neuromorfica può essere utilizzata per migliorare le capacità decisionali e di apprendimento in tempo reale di un robot, aiutandolo a riconoscere meglio gli oggetti, orientarsi in complessi layout di fabbrica e operare più velocemente in una linea di assemblaggio.

Soluzioni correlate
IBM watsonx.ai

Addestra, convalida, adatta e implementa le funzionalità di AI generativa, foundation model e machine learning con IBM watsonx.ai, uno studio aziendale di nuova generazione per builder AI. Crea applicazioni AI in tempi ridotti e con una minima quantità di dati.

Scopri watsonx.ai
Soluzioni di intelligenza artificiale

Metti l'AI al servizio della tua azienda grazie all'esperienza leader di settore e alla gamma di soluzioni di IBM nel campo dell'AI.

Esplora le soluzioni AI
Consulenza e servizi sull'AI

Reinventa i flussi di lavoro e le operazioni critiche aggiungendo l'AI per massimizzare le esperienze, il processo decisionale in tempo reale e il valore di business.

Esplora i servizi AI
Fai il passo successivo

Ottieni l'accesso completo a funzionalità che coprono l'intero ciclo di vita dello sviluppo dell'AI. Crea soluzioni AI all'avanguardia con interfacce intuitive, workflow e accesso alle API e agli SDK standard di settore.

Esplora watsonx.ai Prenota una demo live
Note a piè di pagina

1 Carver Mead Earns Lifetime Contribution Award for Neuromorphic Engineering, Caltech, 7 maggio 2024.
2 Neuromorphic Quantum Computing, Quromorphic, Accessed 21 giugno 2024.
3 30 Emerging Technologies That Will Guide Your Business Decisions, Gartner, 12 febbraio 2024.
4 The new Essential Eight technologies: what you need to know, PwC, 15 novembre 2023.
5 What is a neuron?, Queensland Brain Institute, Accessed 21 giugno 2024.
6 Action potentials and synapses, Queensland Brain Institute, Accessed 21 giugno 2024.
7 Opportunities for neuromorphic computing algorithms and applications, Nature, 31 January 2022.
8 Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations, IEEE, 24 aprile 2014.
9 IMEC demonstrates self-learning neuromorphic chip that composes music, IMEC, 16 maggio 2017.
10 Neuromorphic computing, Human Brain Project, Accessed 21 giugno 2024.