L'algoritmo risolve compiti di apprendimento complessi con un'estrema efficienza energetica

Un team di ricerca interdisciplinare ha compiuto importanti progressi nello sviluppo di una macchina in grado di elaborare le informazioni con la stessa efficienza del cervello umano, che è stata a lungo ricercata nel campo dell'intelligenza artificiale. Il team dell'Università di Heidelberg in Germania e dell'Università di Berna in Svizzera era guidato dal Dr. Mihai Petrovici.

I risultati della ricerca sono stati pubblicati sulla rivista Nature Machine Intelligence. 

Reti neurali artificiali di ispirazione biologica

Il team ha cercato reti neurali artificiali di ispirazione biologica per affrontare questa sfida. Le reti neurali spiking imitano la struttura e la funzione di un sistema nervoso naturale e sono viste come un candidato promettente date le loro caratteristiche che le rendono potenti, veloci ed efficienti dal punto di vista energetico. Una delle sfide principali è stata quella di addestrare sistemi così complessi e il team si sta avvicinando a farlo con l'algoritmo appena implementato. 

I neuroni nel cervello trasmettono informazioni utilizzando brevi impulsi elettrici, che sono indicati come picchi. Questi vengono attivati ​​quando viene superata una certa soglia di stimolo. Lo scambio di informazioni è fortemente influenzato sia dalla frequenza con cui un singolo neurone produce picchi sia dalla sequenza temporale dei singoli picchi. 

Julian Göltz è un dottorando nel gruppo di ricerca.

«La principale differenza tra le reti di spiking biologiche e le reti neurali artificiali è che, poiché utilizzano l'elaborazione delle informazioni basata su spike, possono risolvere compiti complessi come il riconoscimento e la classificazione delle immagini con un'estrema efficienza energetica», afferma Göltz.

Raggiungere il pieno potenziale

Il cervello umano e le reti neurali a spillo artificiale richiedono entrambi che i singoli neuroni siano adeguatamente collegati tra loro per raggiungere il loro pieno potenziale. Questo è il motivo per cui i ricercatori avevano bisogno di scoprire come i sistemi neuromorfici o ispirati dal cervello possono essere adattati per elaborare correttamente l'input di spiking.

Laura Kriener è un altro membro del gruppo di ricerca.

 "Questa domanda è fondamentale per lo sviluppo di potenti reti artificiali basate su modelli biologici", afferma Kriener.

È necessario utilizzare algoritmi speciali per garantire che i neuroni in una rete neurale con picchi si attivino al momento giusto e questi algoritmi regolano le connessioni tra i neuroni in modo che la rete possa eseguire le attività richieste. Questo compito può essere qualcosa come classificare le immagini con alta precisione.

Questo è il tipo di algoritmo sviluppato dal team. 

“Utilizzando questo approccio, possiamo addestrare le reti neurali con picchi per codificare e trasmettere informazioni esclusivamente in singoli picchi. In tal modo producono i risultati desiderati in modo particolarmente rapido ed efficiente", spiega Göltz.

I ricercatori sono anche riusciti a implementare una rete neurale addestrata con questo algoritmo su una piattaforma fisica. La piattaforma era la piattaforma hardware neuromorfica BrainScaleS-2 sviluppata presso l'Università di Heidelberg. 

I ricercatori affermano che il sistema BrainScaleS elabora le informazioni fino a mille volte più velocemente del cervello umano, il tutto richiedendo molta meno energia rispetto ai sistemi informatici convenzionali. 

Il sistema fa parte del progetto europeo sul cervello umano. Il progetto integra tecnologie come il calcolo neuromorfico in una piattaforma aperta chiamata EBRRAINS.

“Tuttavia, il nostro lavoro non è interessante solo per il calcolo neuromorfico e l'hardware di ispirazione biologica. Riconosce anche la richiesta della comunità scientifica di trasferire i cosiddetti approcci di Deep Learning alle neuroscienze e quindi svelare ulteriormente i segreti del cervello umano", afferma. Dott. Petrovici.