Memristori: il futuro dell’intelligenza artificiale e dei big data

Tecnologie avanzate come le reti neurali hanno trovato ampia applicazione nel riconoscimento delle immagini, nell’elaborazione dei big data, nell’analisi finanziaria e in molti altri campi. Tuttavia, la loro formazione richiede notevoli risorse computazionali e consumo di energia, ponendo sfide per il loro uso diffuso e l’ulteriore sviluppo.

Per soddisfare l’evoluzione degli algoritmi di IA, è necessaria una crescita esponenziale delle risorse di calcolo. Gli acceleratori hardware basati su memristor offrono una soluzione promettente per affrontare problemi come l’efficienza energetica e la latenza dei modelli di intelligenza artificiale di grandi dimensioni. Questo approccio elimina il costante trasferimento di dati tra l’unità di elaborazione e la memoria, come accade nell’architettura di von Neumann, portando così un notevole risparmio di tempo ed energia.

Il memristore: la promessa della memoria persistente e del calcolo avanzato.

Il memristore, considerato il quarto elemento di base nei circuiti elettronici insieme a condensatore, resistore e induttore, è un componente passivo non lineare. Si comporta come un resistore variabile, modificando la propria resistenza in base alla quantità e al verso della corrente che lo attraversa. Questa caratteristica gli consente di conservare informazioni anche quando non è alimentato, garantendo un ripristino immediato dello stato precedente al riavvio. Con il declino del sistema binario, i mebristori offrono una capacità di calcolo notevolmente aumentata, con ciascun componente in grado di trasmettere molteplici segnali e memorizzare informazioni analogiche, simili ai processi sinaptici umani.

La loro capacità di memorizzazione avviene attraverso la commutazione resistiva, che modifica la resistenza elettrica del dispositivo in risposta alla tensione applicata. Questo processo consente la scrittura e la lettura dei dati memorizzati. Inoltre, l’abilità dei memristori di rappresentare lo stato elettronico attraverso segnali analogici apre la strada ad un’elaborazione dati più ampia rispetto al sistema binario tradizionale, generando così nuove tipologie di memorie per calcoli più potenti rispetto ai transistor convenzionali.

Risolvere i colli di bottiglia dei sistemi informatici tradizionali

Il problema si riduce ai colli di bottiglia imposti dai sistemi informatici tradizionali costruiti utilizzando transistor, che mantengono separate le loro unità di memoria e di elaborazione, richiedendo trasferimenti di dati ad alta intensità energetica e degradando le prestazioni tra di loro. Forse uno svantaggio ancora maggiore è che la loro memoria richiede un’alimentazione costante per memorizzare le informazioni, il che aumenta ulteriormente il consumo di energia.

Per risolvere questo problema, i ricercatori propongono l’alternativa basata sui memristori.

I memristori possono essere utilizzati per creare dispositivi che memorizzano i dati un quanto hanno la capacità di ridurre drasticamente il tempo e l’energia necessari per la trasmissione tra la memoria e i processori nei microchip tradizionali. Potrebbero essere perfetti per costruire reti neurali, sistemi di intelligenza artificiale per l’elaborazione di scansioni mediche e consentire veicoli senza conducente.

Il potenziale rivoluzionario dei memristori nell’ambito dell’intelligenza artificiale

In uno studio pubblicato su Advanced Physics Research, i ricercatori hanno studiato l’addestramento della rete neurale utilizzando un nuovo design di memristore che memorizza le informazioni in un materiale unico composto da germanio, tellurio e antimonio.

Questa sostanza esiste in una fase amorfa, ma quando esposta a una corrente elettrica e a un cambiamento di temperatura, mostra regioni cristalline ordinate. A seconda delle proprietà dell’impulso, come l’intensità e la forma del segnale, il numero e le dimensioni di queste regioni cambiano, influenzando di conseguenza le proprietà elettriche e ottiche del materiale, che vengono preservate dopo l’interruzione della corrente. In questo modo, le informazioni possono essere registrate nel memristore e lette da esso applicando ripetutamente una corrente elettrica.

I ricercatori sono riusciti a creare quindici stadi di cristallizzazione distinguibili nel memristor, ognuno dei quali corrisponde a informazioni specifiche per addestrare la rete neurale. In sostanza gli scienziati hanno usato i memristori per simulare una rete neurale, la quale ha riconosciuto i numeri scritti a mano con una precisione oltre il 96%.

Questa precisione rappresenta un miglioramento di circa il 5% rispetto ad altri progetti con memristori, indicando una direzione promettente per questo tipo di tecnologia di calcolo. Ma ci sono ancora ostacoli significativi da superare prima che questa tecnologia possa essere implementata nei sistemi informatici del mondo reale.

L’integrazione e la scalabilità dei sistemi pongono sfide considerevoli. Tuttavia, i ricercatori rimangono fiduciosi, immaginando un futuro in cui i memristori svolgeranno un ruolo fondamentale nell’addestramento di grandi reti neurali. Prevedendo unità più piccole, più potenti e notevolmente più efficienti dal punto di vista energetico rispetto ai computer convenzionali.