Il fascino del mondo per l’intelligenza artificiale è incessante, guidato in gran parte dalla sua capacità di gestire enormi quantità di dati. Ma gli attuali modelli di intelligenza artificiale, che fanno affidamento su reti neurali artificiali ad alta intensità energetica, vacillano con i dati in tempo reale. Con un passo rivoluzionario, i ricercatori si sono avventurati lontano dalle architetture di intelligenza artificiale convenzionali, scolpendo invece una rete neurale fisica con nanofili d’argento. Lo riferisce un nuovo articolo su The Conversation firmato da Zdenka Kuncic, professoressa di Fisica, e Ruomin Zhu, studente di dottorato, entrambi dell’ Università di Sydney.[1]
Emulare il cervello umano
Sfruttando la nanotecnologia, Kuncic e Zhu hanno costruito reti con nanofili d’argento, ciascuno sottile quanto un millesimo di capello umano. Questi nanofili formano spontaneamente reti casuali, che riecheggiano stranamente le intricate reti di neuroni nel nostro cervello. Questo approccio innovativo affonda le sue radici nel calcolo neuromorfico, un ambito che cerca di imitare le funzioni cerebrali dei neuroni in hardware tangibile. Quando introdotte a segnali elettrici esterni, le reti di nanofili si adattano in modo simile alle sinapsi biologiche.
Rivoluzionare l’apprendimento automatico
Lo studio, una collaborazione tra l’Università di Sydney e l’Università della California, a Los Angeles, ha dimostrato la capacità della rete di nanofili per l’apprendimento automatico online. A differenza del tradizionale machine learning che elabora i dati in blocchi, l’approccio online trasmette continuamente i dati, consentendo al sistema di apprendere e adattarsi istantaneamente. In particolare, questo metodo richiede memoria ed energia significativamente inferiori.
Inoltre, la rete di nanofili ha dimostrato la sua competenza nel riconoscere i numeri scritti a mano e nel ricordare modelli di cifre, sottolineando il suo potenziale per un apprendimento simile a quello del cervello.
Lo studio
Le reti di nanofili (NWN), una categoria emergente di sistemi neuromorfici, utilizzano proprietà materiali uniche della nanostruttura. Questo studio approfondisce il modo in cui i NWN possono essere impiegati per l’apprendimento online utilizzando la classificazione delle immagini e attività di richiamo della memoria in sequenza. Raggiungendo un’impressionante precisione del 93,4%, i risultati di questo nuovo studio rivelano le capacità dell’apprendimento spaziotemporale con i NWN, sottolineando come la memoria possa amplificare l’apprendimento. Lo studio è stato pubblicato su Nature Communications.[2]
