“È quasi come un teletrasporto“… Un team multidisciplinare di ricercatori del Massachusetts Institute of Technology (MIT) ha spinto i limiti di velocità di un tipo di sinapsi analogica artificiale. In un modo nuovo, hanno utilizzato il vetro fosfosilicato inorganico (PSG) nel processo di produzione di resistori programmabili. Ciò ha consentito alle reti neurali artificiali di funzionare un milione di volte più velocemente rispetto alle versioni precedenti realizzate con altri materiali e rispetto alle sinapsi dei neuroni nel cervello umano, .
Secondo quanto spiegano quelli dell’università in una nota di divulgazione scientifica pubblicata di recente, il PSG è costituito da biossido di silicio, la polvere essiccante che si trova in piccoli sacchetti nei mobili nuovi o nelle scatole di scarpe per rimuovere l’umidità, a cui viene aggiunta una piccola quantità di fosforo per conferirgli caratteristiche speciali per la conduzione protonica dell’essiccazione.
Murat Onen, uno degli autori principali dello studio, pubblicato il 28 luglio su Science, ha ipotizzato che un PSG ottimizzato potrebbe avere un’elevata conduttività protonica a temperatura ambiente senza bisogno di acqua, rendendolo un elettrolita solido ideale per sviluppare un super veloce e resistore protonico programmabile ad alta efficienza energetica.
Come funziona?
Il principio di funzionamento del dispositivo è “l’inserimento elettrochimico” di protoni nell’ossido isolante (PSG) per modulare la sua “conduttività elettronica”, spiega Bilge Yildiz, professore nel dipartimento di Scienze e Ingegneria Nucleare e Scienza e Ingegneria dei Materiali al MIT, un altro degli autori. Lavorando con dispositivi molto sottili, si potrebbe “accelerare il movimento di questo ione utilizzando un forte campo elettrico e spingere questi dispositivi ionici nel regime operativo di nanosecondi“.
Velocità di funzionamento delle reti neurali profonde
Il nuovo dispositivo potrebbe rivoluzionare la velocità di funzionamento delle reti neurali profonde, secondo i suoi sviluppatori. Nella sua nota, il MIT spiega che nel cervello umano l’apprendimento avviene a causa del rafforzamento e dell’indebolimento delle sinapsi neuronali. Seguendo questo esempio, le reti neurali profonde programmano i pesi della rete tramite algoritmi di addestramento. In questo modo, aumentare e diminuire la conduttanza elettrica dei resistori protonici in questo nuovo dispositivo programmabile consentirebbe l’apprendimento automatico della macchina analogica.
Un altro dei ricercatori, Ju Li, professore di scienza e ingegneria nucleare alla Battelle Energy Alliance, ha descritto i vantaggi comparativi del nuovo materiale in relazione ai sistemi biologici.
Gli autori spiegano che il PSG consente il movimento ultraveloce dei protoni perché contiene una moltitudine di pori di dimensioni nanometriche. La sua capacità di resistere a campi elettrici molto forti senza danneggiarsi o trasformarsi in ‘cenere’ è un’altra delle sue qualità.
“I protoni hanno finito per viaggiare a velocità immense attraverso lo stack del dispositivo, in particolare un milione di volte più velocemente rispetto a quello che avevamo prima. E questo movimento non fa male a nulla […] È quasi come teletrasportarsi“, ha detto Onen.
Possibili applicazioni
Il team scientifico ha osservato che, poiché i protoni non danneggiano il materiale, il resistore protonico programmabile può funzionare per milioni di cicli senza rompersi e può funzionare efficacemente a temperatura ambiente, aspetto importante da incorporare nell’hardware computazionale.
Nel complesso, affermano i ricercatori, questi resistori protonici programmabili veloci ed efficienti potrebbero aiutare gli scienziati a sviluppare prototipi di deep learning molto più velocemente, che potrebbero quindi essere applicati in usi come auto a guida autonoma, rilevamento di frodi o analisi di immagini mediche.
Secondo Onen, una volta che hai un processore analogico, sarai in grado di addestrare reti neurali con “complessità senza precedenti che nessun altro può permettersi”. “In altre parole, questa non è un’auto più veloce, è un’astronave“, ha concluso.
Foto di copertina: Illustrazione di un processore di deep learning analogico alimentato da protoni ultraveloci [Studio Ella Maru / Murat Onen].