Gli scienziati hanno sviluppato un nuovo tipo di chip di rete neurale che può migliorare drasticamente l’efficienza delle macchine per imparare a pensare come gli umani. La rete, chiamata sistema di calcolo di riserva, potrebbe prevedere le parole prima che vengano pronunciate durante la conversazione e aiutare a prevedere i risultati futuri basati sul presente.
I sistemi di calcolo di riserva, che migliorano la capacità tipica della rete neurale e riducono il tempo di allenamento richiesto, sono stati creati in passato con componenti ottici più grandi. I ricercatori dell’Università del Michigan negli Stati Uniti hanno creato il loro sistema utilizzando i cosiddetti memristori, che richiedono meno spazio e possono essere integrati più facilmente nell’elettronica esistente basata sul silicio.
I memristori sono un tipo speciale di dispositivo resistivo in grado sia di eseguire la logica che di memorizzare i dati. Ciò contrasta con i sistemi informatici tipici, in cui i processori eseguono la logica separata dai moduli di memoria. Per lo studio pubblicato sulla rivista Nature Communications, i ricercatori hanno utilizzato uno speciale memristore che memorizza gli eventi solo nella storia più vicina. Ispirate dal cervello, le reti neurali sono composte da neuroni o nodi e sinapsi – le connessioni tra i nodi. Per addestrare una rete neurale per un compito, una rete neurale contiene una vasta serie di domande e risposte a tali domande.
In questo processo – chiamato apprendimento supervisionato – le connessioni tra i nodi sono ponderate più pesantemente o leggermente per ridurre al minimo la quantità di errore nel raggiungimento della risposta corretta. Una volta addestrata, una rete neurale può quindi essere testata senza conoscere la risposta. Ad esempio, un sistema può elaborare una nuova foto e identificare correttamente un volto umano, perché ha appreso le caratteristiche dei volti umani da altre foto nel suo set di allenamento. Il riconoscimento delle immagini è un problema relativamente semplice, in quanto non richiede alcuna informazione oltre a un’immagine statica.
Attività più complesse, come il riconoscimento vocale, possono dipendere molto dal contesto e richiedono che le reti neurali abbiano la conoscenza di ciò che è appena accaduto o di ciò che è appena stato detto. Ciò richiede una rete neurale ricorrente, che incorpora loop all’interno della rete che dà un effetto memoria. Tuttavia, la formazione di queste reti neurali ricorrenti è particolarmente costosa.
