Sono diversi i team di scienziati e ricercatori informatici che stanno tentando di rendere i computer sempre più complessi imitando quanto più possibile la struttura del cervello umano. Ancora siamo molto lontani dallo sviluppo di un sistema informatico che imiti davvero il cervello umano ma sono moltissime le ricerche, e diversi i risultati ottenuti in tal senso, per quanto riguarda lo sviluppo di algoritmi che imitino il “calcolo” eseguito dal cervello umano.
Reti neurali convoluzionali
In tal senso le reti neurali convoluzionali rappresentano uno step importante in quanto sono considerate un approccio dell’apprendimento automatico già utilizzabile al momento è dunque già abbastanza pratico.
Calcolo iperdimensionale
Un ricercatore dell’Università di Khalifa, Eman Hasan, sta provando un altro approccio relativo al calcolo dell’intelligenza artificiale utilizzabile in queste tipologie di reti algoritmiche. Il ricercatore sta sviluppando il “calcolo iperdimensionale”, una tipologia di calcolo che potrebbe portare i loro quindi sistemi odierni di intelligenza artificiale un passo avanti verso quell’agognata meta relativa alla vera imitazione del cervello umano.
Calcolo ispirato ad attività neurale del cervello
Hasan, che è uno studente per il dottorato di ricerca e che è seguito dai due scienziati Baker Mohammad, professore associato e direttore del System on Chip Center (SOCC), e Yasmin Halawani, ha già pubblicato uno studio apparso su IEEE Access.[2]
Nella sua ricerca Hasan analizza vari modelli di calcolo iperdimensionale mettendone in evidenza i vantaggi. Questo tipo di calcolo (Hyperdimensional computing, o HDC) usa vettori di grosse dimensioni, ad esempio di 10.000 bit ciascuno, ed è fortemente ispirato ai modelli di attività neurale del nostro cervello.
Potrebbe ridurre richieste di calcolo e di potenza
Si tratta di un modello che di calcolo che, secondo il ricercatore che lo sta mettendo a punto, potrebbe nettamente ridurre le richieste di calcolo e di potenza per gli attuali algoritmi di intelligenza artificiale, in primis quelli di Machine learning. Un altro vantaggio di questo sistema di calcolo sta nel fatto che è estremamente resistente al “rumore di fondo”, proprio come lo è il sistema nervoso centrale degli esseri umani.
In generale il sistema di calcolo tende ad imitare quelle proprietà del cervello umano molto utili per quanto riguarda il riconoscimento dei modelli e il loro utilizzo per dedurre le informazioni su altre cose.
Riconoscere oggetti come fa il cervello
Ad esempio un cervello umano può capire in una frazione di secondo quale il problema di una sedia a cui manca una gamba e riconosce comunque l’oggetto come una sedia. Attualmente questo tipo di riconoscimento da parte dell’intelligenza artificiale è molto difficile. La maggior parte degli attuali algoritmi non riconoscerebbe l’oggetto come una sedia ma come un nuovo oggetto, magari simile ad una sedia ma con tre gambe.
Il calcolo HDC, invece, almeno potenzialmente, offre un certo margine di errore. Con l’HDC e tramite il riconoscimento di alcune caratteristiche di base l’algoritmo potrà generare un vettore abbastanza simile ad una sedia tramite il quale ne potrà riconoscere la natura. Dunque, nel calcolo iperdimensionale, una sedia a tre gambe resterà una sedia mentre nelle altre tipologie di calcolo il riconoscimento da parte degli algoritmi avrà invece nette difficoltà.
Maggiormente incentrato sulla memoria
“In un vettore HD, possiamo rappresentare i dati in modo olistico, il che significa che il valore di un oggetto è distribuito tra molti punti dati”, spiega Hasan. “Pertanto, possiamo ricostruire il significato del vettore fintanto che abbiamo il 60% del suo contenuto”.
Il calcolo HDC richiede inoltre una minore potenza computazionale in quanto maggiormente incentrato sulla memoria. Si tratta di una caratteristica utile in tutti quei casi in cui i calcoli devono essere eseguiti subito e dunque, possibilmente, vicino alla fonte dei dati, qualcosa che risulterebbe molto utile, per esempio, per i veicoli autonomi. Quest’ultimi dovrebbero poter eseguire i calcoli, infatti, immediatamente e al momento stesso della raccolta di dati invece che fare affidamento sull’elaborazione di un server nel cloud.
