La crescita dell’intelligenza artificiale ha evidenziato un’importante criticità di questa tecnologia: l’enorme quantità di energia che necessita per l’elaborazione dei dati. Per ovviare al problema, un gruppo di fisici della Loughborough University ha proposto una soluzione radicale che punta a cambiare l’architettura stessa dei sistemi di calcolo.
Il team guidato dal Dr Pavel Borisov ha sviluppato un chip neuromorfico basato su una sottilissima pellicola di ossido di niobio con nanopori distribuiti in modo irregolare. Questa struttura crea una rete di percorsi elettrici multipli che replica, in forma artificiale, la complessità delle connessioni neuronali del cervello umano.
A differenza dei sistemi tradizionali, che eseguono algoritmi tramite software su CPU o GPU, il dispositivo sfrutta i processi fisici del materiale per elaborare direttamente segnali che cambiano nel tempo. Il risultato è una riduzione drastica del fabbisogno energetico: in alcuni scenari, l’efficienza risulta fino a 2000 volte superiore rispetto agli approcci convenzionali.
Dal punto di vista tecnico, il chip rientra nella categoria dei memristori, componenti elettronici capaci di “ricordare” gli input precedenti. Questa caratteristica consente di gestire in modo nativo dati temporali, un requisito fondamentale per applicazioni come previsioni meteorologiche, analisi biologiche o dati provenienti da sensori.
I ricercatori hanno validato il dispositivo utilizzando il modello matematico Lorenz-63, noto per descrivere sistemi caotici legati all’effetto farfalla. Il chip ha dimostrato di poter prevedere l’evoluzione a breve termine di questi sistemi e ricostruire dati mancanti con elevata precisione. Nei test ha anche riconosciuto immagini digitali semplici e completato operazioni logiche di base. Contesti che hanno fatto emergere un buon livello di versatilità del chip.
L’approccio si basa su una tecnica affine al reservoir computing, ma con una differenza sostanziale: invece di delegare la trasformazione dei dati al software, il dispositivo sfrutta direttamente la complessità fisica del materiale come livello computazionale intermedio. Questo consente di ridurre il carico sui sistemi tradizionali e migliorare l’efficienza complessiva.
È chiaro che si tratta di una fase di sviluppo iniziale e ben distante dalla validazione commerciale. I test sono stati condotti attraverso compiti relativamente semplici, per cui sarà necessario aumentare la complessità delle reti neurali e verificare il comportamento del sistema con dati più complessi e realistici.
Nonostante questo, è innegabile che i risultati siano promettenti. L’adozione su larga scala risulta piuttosto complessa, dato che richiederebbe una riprogettazione dell’hardware e delle architetture IA, ma si tratta comunque di un risultato significativo. In un prossimo futuro, l’elettronica per l’IA potrebbe riuscire a gestire carichi di lavoro complessi con esigenze energetiche nettamente ridotte rispetto al presente.