L’avanzata dell’intelligenza artificiale non passa soltanto dal software, ma anche dal cuore dell’hardware. Lo dimostra un gruppo di ricercatori della Fudan University, che ha sviluppato un neurone artificiale capace di avvicinarsi con più realismo al comportamento delle cellule cerebrali umane. La loro idea si fonda su un materiale ultrafine, il disolfuro di molibdeno (MoS₂), e sulla memoria dinamica a accesso casuale (DRAM), due componenti fusi in un dispositivo che riproduce la plasticità intrinseca del cervello.
Le macchine ispirate alla biologia, note come sistemi neuromorfici, hanno l’obiettivo di replicare l’adattabilità dei neuroni, ossia la capacità di rafforzare o indebolire i collegamenti in base all’esperienza. Questo meccanismo, chiamato plasticità sinaptica, è alla base della memoria e dell’apprendimento. Emularlo significa poter progettare algoritmi di intelligenza artificiale che non solo elaborano dati più velocemente, ma che lo fanno riducendo drasticamente i consumi energetici, un aspetto cruciale in un’epoca in cui i data center assorbono già quote significative di elettricità.
Il neurone artificiale ideato dal team guidato da Yin Wang e Saifei Gou ha due pilastri. Da un lato la DRAM, che funziona immagazzinando cariche elettriche nei condensatori: il livello della carica viene modulato come accade nel potenziale di membrana dei neuroni biologici, determinando se la cellula si attiverà o meno. Dall’altro c’è un inverter elettronico, un circuito capace di invertire un segnale da alto a basso voltaggio, generando impulsi elettrici simili agli spike con cui comunicano i neuroni.
L’aspetto innovativo non si limita al comportamento elettrico. Il dispositivo riesce a riprodurre fenomeni tipici della visione umana, come l’adattamento alla luce intensa o all’oscurità. Questo è stato dimostrato assemblando un piccolo reticolo di nove neuroni artificiali (3×3), usato come matrice fotorecettrice in grado di adattarsi a diverse condizioni di luminosità. In altre parole, una sorta di retina elettronica capace di “abituarsi” come farebbe l’occhio umano.
Il passo successivo è stato sperimentare il sistema in un compito di riconoscimento delle immagini. Anche se in scala ridotta, il risultato ha mostrato come la combinazione tra DRAM e MoS₂ possa fornire prestazioni promettenti in termini di efficienza energetica e capacità di apprendimento. Non si tratta ancora di un “cervello su chip”, ma di un modulo che apre prospettive per futuri sistemi neuromorfici dedicati alla visione artificiale e al calcolo edge, cioè vicino al punto in cui i dati vengono generati.
Pubblicato su Nature Electronics, lo studio sottolinea che l’integrazione di diversi meccanismi di plasticità, non solo quella sinaptica ma anche quella intrinseca, è la chiave per avvicinarsi a un’elaborazione più simile a quella biologica. Se i prossimi passi confermeranno la scalabilità del dispositivo, potremmo trovarci davanti a una nuova generazione di chip che uniscono memoria e calcolo in un’unica struttura, riducendo sprechi energetici e accelerando l’apprendimento delle macchine.
Champions League su Prime Video: tutte le sfide delle italiane