Gianluca Milano e Carlo Ricciardi sono le due menti dietro al progetto Nanowire Memristor. Rispettivamente dottorando e docente del Dipartimento Scienza applicata e Tecnologia del Politecnico di Torino, a dicembre hanno pubblicato sulla prestigiosa rivista Nature Communications lo studio intitolato “Self-limited single nanowire systems combining all-in-one memristive and neuromorphic functionalities”.

Quest’ultimo mostra come sia possibile artificialmente emulare l’attività delle sinapsi, ovvero le connessioni tra neuroni che regolano i processi di apprendimento nel nostro cervello, in un singolo “nanowire” (nanofilo) con diametro migliaia di volte più piccolo di un capello.

Emulare e capire a fondo il cervello umano sono infatti tra le più importanti sfide per la tecnologia moderna: da un lato la capacità di riprodurre artificialmente l’elaborazione dei segnali cerebrali è una delle pietre miliari per lo sviluppo dell’intelligenza artificiale. Dall’altra la comprensione dei processi cognitivi alla base della mente umana risulta ancora lontana. E la ricerca pubblicata da Milano e Ricciardi segna un passo avanti in queste direzioni.

Cos’è un Memristor

Simbolo elettrico di un memristore
Simbolo elettrico di un memristore. Credits wikipedia.it

Ma Facciamo un piccolo salto indietro e capiamo cosa sia un memristor. Inannzitutto il nome deriva dall’unione di memoria e resistore. E nella teoria dei circuiti viene definito come un elemento circuitale non lineare passivo, in particolare come il quarto elemento passivo di base dopo il condensatore, l’induttore e il resistore. Teorizzato da Leon O. Chua, in un articolo pubblicato su IEEE Transactions on Circuit Theory, nel 1971 è rimasto un dispositivo teorico per 37 anni, senza che ne fosse realizzato un prototipo.

Di cosa si tratta?

È di base un bipolo in cui una corrente non stazionaria, dà luogo ad una variazione di flusso magnetico e quindi ad una tensione, che dovrebbe localizzarsi ai capi del componente. Il rapporto tra il potenziale prodotto e la corrente prende il nome di memristenza. È chiaro che, affinché la corrente che scorre nel bipolo venga a coincidere con quella non stazionaria che innesca il fenomeno, all’interno del memristore il flusso fisico delle cariche deve essere in qualche modo inibito, esattamente come avviene in un condensatore.

(a) Memristor e la sua curva φ-q. (b) Realizzazione di base di Memristor 1: mutatore M-R terminato da un resistore non lineare & t. (c) Realizzazione di base di Memoristor 2: mutatore M-L terminato da induttore non lineare C. (d) Realizzazione di base di Memoristor 3: mutatore M-C terminato da condensatore non lineare.
(a) Memristor e la sua curva φ-q. (b) Realizzazione di base di Memristor 1: mutatore M-R terminato da un resistore non lineare & t. (c) Realizzazione di base di Memoristor 2: mutatore M-L terminato da induttore non lineare C. (d) Realizzazione di base di Memoristor 3: mutatore M-C terminato da condensatore non lineare.

Il memristore ha la proprietà di “ricordare” lo stato elettronico e di rappresentarlo mediante segnali analogici. Un circuito di questo tipo consentirebbe di realizzare calcolatori con accensione istantanea, senza la necessità di ricaricare il sistema operativo a ogni avvio. Il circuito, infatti, conserva l’informazione anche in assenza di corrente elettrica, quando il calcolatore è spento.

Un Nanofilo cristallino che porta ad un livello più performante il “memristor”.

I dispositivi Memristivi basati su reazioni redox sono considerati uno dei candidati più promettenti per emulare i comportamenti sinaptici e realizzare reti neurali artificiali. Osservando le stesse basi elettrochimiche delle sinapsi biologiche, i memristori a base di ossido-riduzione si dimostrano capaci di funzionalità molto simili.

Si tratta di un singolo sistema-modello basato su nanofili cristallini in grado di combinare tutte le funzioni membristiche (memoria bipolare non volatile, commuazione multilivello, selettore e operazioni sinaptiche che imitano la dinamica del Ca2 +) delle sinapsi biologiche.

Come funziona?

In breve, il cambiamento della forza di connessione sinaptica, che dipende dai segnali elettrici neuronali, viene emulato dallo stato interno di resistenza (peso) nei memristori e viene modulato dagli stimoli elettrici di ingresso. Nelle sinapsi biologiche, gli effetti di plasticità sinaptica sono regolati dalla dinamica di Ca2+. In effetti, l’aumento e il successivo decadimento spontaneo della concentrazione di Ca2+ nell’assone terminale – causato da stimoli neuronali elettrici – regola il rilascio di neurotrasmettitori nella fessura sinaptica.

Questo processo è alla base dell’elaborazione delle informazioni e della memoria nel cervello. Quindi la capacità di imitare la dinamica del Ca2 + gioca un ruolo chiave per la realizzazione di sinapsi artificiali bio-realistiche.

 

Caratteristiche del memristor in nanoscala e sua applicazione come sinapsi. (a) Illustrazione schematica del concetto di utilizzo dei memristori come sinapsi tra i neuroni. I riquadri mostrano gli schemi della geometria del dispositivo a due terminali e la struttura a strati del memristor. (b) Schema di un neuromorfico con neuroni CMOS e sinapsi di memristor in una configurazione a croce. Credit: nanowerk.com
Caratteristiche del memristor in nanoscala e sua applicazione come sinapsi. (a) Illustrazione schematica del concetto di utilizzo dei memristori come sinapsi tra i neuroni. I riquadri mostrano gli schemi della geometria del dispositivo a due terminali e la struttura a strati del memristor. (b) Schema di un neuromorfico con neuroni CMOS e sinapsi di memristor in una configurazione a croce.
Credit: nanowerk.com

Grazie all’utilizzo delle nanotecnologie, che permettono la manipolazione della materia a livello atomico, è stato per la prima volta possibile combinare in un unico dispositivo le funzionalità sinaptiche che erano singolarmente emulate attraverso specifici dispositivi. Per tale motivo, il nanofilo permette un’estrema miniaturizzazione del memristor, consentendo di ridurre sensibilmente la complessità e il consumo di energia dei circuiti elettronici necessari all’implementazione di algoritmi di apprendimento.

“Il nostro lavoro dimostra la realizzazione di dispositivi autoassemblati e autolimitati come una soluzione attraente per la miniaturizzazione definitiva per la realizzazione hardware di sistemi ispirati al cervello.”

Questa nuova tecnologia permetterà di realizzare non solo dispositivi ancora più piccoli e performanti per la realizzazione di computer sempre più “intelligenti”, ma risulta essere anche un significativo passo in avanti per l’emulazione e comprensione del funzionamento del cervello.

LEAVE A REPLY

Please enter your comment!
Please enter your name here