Un gruppo di ricercatori ha sviluppato un neurone artificiale basato su laser che emula le complesse funzioni di un neurone biologico graduato, con un’elaborazione dei dati che avviene a una velocità eccezionalmente elevata, circa un miliardo di volte più veloce rispetto a un neurone naturale. Questa innovazione potrebbe avere un impatto rivoluzionario sull’Intelligenza Artificiale e sull’informatica, consentendo un’elaborazione dati ultraveloce e un notevole risparmio energetico.
Il neurone artificiale basato su laser replicha le funzioni, la dinamica e le capacità di elaborazione dati di un neurone biologico graduato, operando a una velocità di elaborazione del segnale di 10 GBaud, che è approssimativamente un miliardo di volte più veloce rispetto a un neurone naturale. Questa tecnologia innovativa potrebbe portare a significativi progressi nei sistemi di Intelligenza Artificiale e di calcolo avanzato.
Il capo del team di ricerca, Chaoran Huang dell’Università Cinese di Hong Kong, ha sottolineato che i neuroni graduati basati su laser superano i limiti di velocità delle attuali versioni fototoniche dei neuroni a picco e hanno il potenziale per un’operatività ancora più veloce. Questi neuroni artificiali sfruttano una dinamica non lineare simile a quella di un neurone biologico, consentendo la costruzione di un sistema di calcolo a serbatoio che dimostra prestazioni eccezionali in compiti di Intelligenza Artificiale come il riconoscimento di modelli e la previsione di sequenze.
Secondo quanto riportato su Optica, la rivista del gruppo editoriale Optica Publishing Group, il neurone graduato basato su laser a punti quantici su chip può raggiungere una velocità di elaborazione del segnale di 10 GBaud. I ricercatori hanno dimostrato che con questa velocità è possibile elaborare dati provenienti da 100 milioni di battiti cardiaci o 34,7 milioni di immagini digitali scritte a mano in soli un secondo. Huang ha sottolineato che questa tecnologia potrebbe accelerare le decisioni di Intelligenza Artificiale in applicazioni critiche in termini di tempo, mantenendo un’alta precisione.
I neuroni artificiali basati su laser, che possono rispondere ai segnali in ingresso in modo simile al comportamento dei neuroni biologici, sono considerati una soluzione per migliorare significativamente il calcolo grazie alle loro velocità di elaborazione dati ultraveloci e al basso consumo energetico. Tuttavia, la maggior parte di quelli sviluppati finora sono stati neuroni fototonici a picco, che presentano limitazioni in termini di velocità di risposta, perdita di informazioni e necessità di ulteriori sorgenti laser e modulatori.
Per superare i limiti dei neuroni fototonici a picco, i ricercatori hanno adottato un approccio innovativo per il neurone graduato basato su laser, iniettando segnali radiofrequenza nella sezione di assorbimento saturabile del laser a punti quantici. Questo metodo ha permesso di evitare il ritardo che limita la velocità di risposta dei neuroni fototonici a picco, consentendo la realizzazione di un sistema più veloce, semplice ed efficiente dal punto di vista energetico.
Il neurone graduato basato su laser può comportarsi come una piccola rete neurale grazie ai suoi potenti effetti di memoria e alle ottime capacità di elaborazione delle informazioni. Questo significa che anche un singolo neurone graduato basato su laser, senza connessioni complesse aggiuntive, può svolgere compiti di apprendimento automatico con elevate prestazioni.
Per dimostrare ulteriormente le capacità del neurone graduato basato su laser, i ricercatori lo hanno utilizzato per creare un sistema di calcolo a serbatoio. Questo metodo computazionale sfrutta la dinamica non lineare simile a quella di un neurone e la velocità di elaborazione rapida del neurone graduato basato su laser, rendendolo ideale per supportare il calcolo a serbatoio ad alta velocità. Il sistema di calcolo a serbatoio ha mostrato un’eccellente capacità di riconoscimento di modelli e previsione di sequenze in varie applicazioni di Intelligenza Artificiale, con una precisione media del 98,4%.
Huang ha sottolineato che l’accostamento di più neuroni graduati basati su laser potrebbe sbloccare ulteriormente il loro potenziale, aprendo la strada a un’architettura di calcolo a serbatoio profondo che incorpora neuroni graduati basati su laser accostati. Questo approccio potrebbe portare a ulteriori miglioramenti nella velocità di elaborazione e nell’efficienza del calcolo, aprendo nuove prospettive nel campo dell’Intelligenza Artificiale e dell’informatica.
Links:
