Grazie a circuiti più veloci e minore consumo energetico l’intelligenza artificiale diventa più sostenibile. I nuovi circuiti di calcolo si basano anch’essi sulle reti neurali, ma permettono di svolgere operazioni complesse in modo più veloce, e di conseguenza, hanno bisogno di un apporto di energia inferiore.

Questo non accadrà nel futuro, ma è già realtà, perché il nuovo circuito già esiste, ed è stato sviluppato dal Politecnico di Milano. I risultati della ricerca sono stati pubblicati sulla rivista Science Advances.

“I risultati di performance in termini di velocità e consumo di energia – spiegano i ricercatori del Politecnico di Milano – pongono le basi per una nuova generazione di acceleratori di Intelligenza artificiale, con maggiore efficienza energetica e migliore sostenibilità a livello globale”.

Elaborare i dati direttamente all’interno della memoria, come nel cervello umano

I nuovi circuiti, spiegano gli autori della ricerca, “mappano più fedelmente la struttura delle cosiddette reti neurali e le caratteristiche delle sinapsi biologiche, su cui si basano i sistemi di Intelligenza artificiale. Uno dei modi è elaborare i dati direttamente all’interno della memoria, esattamente come nel cervello umano”.

Grazie alle reti neurali, gli attuali sistemi di Intelligenza artificiale, come quelli utilizzati in un comune smartphone, sono in grado di riconoscere un volto o un oggetto, e di interpretare correttamente una parola o un brano musicale. Al costo, però, di un elevato consumo energetico, riporta Ansa.

Ridurre l’impronta ambientale delle reti neurali

“Le reti neurali – precisano i ricercatori del Politecnico di Milano – hanno, infatti, bisogno di un opportuno addestramento, così energeticamente oneroso che la loro impronta ecologica può eguagliare quella di cinque automobili in tutto il loro arco vitale”, aggiungono i ricercatori.

L’obiettivo dei nuovi circuiti è ridurre questa impronta ambientale, eseguendo calcoli complessi in una sola operazione. I nuovi circuiti riescono perciò a eseguire in una sola operazione una funzione cognitiva nota come regressione, utilizzando una memoria resistiva, chiamata memristore, che riesce a memorizzare un dato qualsiasi nel valore della sua resistenza.

Elementi di memoria organizzati in una matrice di pochi milionesimi di metro

Gli elementi di memoria sono stati quindi organizzati in una matrice delle dimensioni di pochi milionesimi di metro, e il primo test è stato determinare la retta che meglio descrive una sequenza di dati, permettendo ad esempio di prevedere l’andamento della Borsa sulla base di un semplice modello lineare.

È stata poi dimostrata la regressione logistica, che permette di classificare un dato all’interno di una banca dati. Questa funzione è fondamentale nei cosiddetti sistemi di raccomandazione, che rappresentano un importante strumento di marketing per gli acquisti sul web.