Prima di procedere
Un team di ricercatori dell'Università di Cambridge ha sviluppato un innovativo dispositivo nanoelettronico ispirato al funzionamento del cervello umano. Questo memristore, basato su un ossido di afnio modificato (HfO₂) con l'aggiunta di stronzio e titanio, promette di ridurre drasticamente il consumo energetico delle piattaforme hardware dedicate all'intelligenza artificiale.
I chip IA tradizionali consumano enormi quantità di energia a causa del continuo trasferimento di dati tra la memoria e il processore. Il dispositivo proposto, invece, implementa un'architettura di calcolo in-memory, dove l'elaborazione e l'archiviazione delle informazioni avvengono nello stesso luogo, imitando il funzionamento delle cellule cerebrali.
Il memristore canonico funziona creando filamenti conduttivi reversibili all'interno di uno strato attivo. La densità di questi filamenti determina diversi livelli di resistenza controllabili all'interno della cella, spesso associando i memristori alla memoria ReRAM (resistive random-access memory). Tuttavia, gli scienziati di Cambridge hanno ritenuto questa struttura poco affidabile. Hanno quindi sviluppato una sorta di transistore all'interno della cella del memristore, abbandonando i filamenti imprevedibili. Le caratteristiche dei transistori sono intrinsecamente più stabili, fornendo una chiave per il successo del progetto.
I memristori sviluppati dagli studiosi britannici si basano su eterogiunzioni p-n asimmetriche, simili a diodi o transistori. Questo garantisce un'eccezionale stabilità e la capacità di creare centinaia di livelli di conduttività stabili (step di valori, granularità), oltre a un'eccellente ripetibilità delle caratteristiche sia nei cicli operativi che nei dispositivi prodotti in serie.
La capacità del memristore "transistorizzato" di creare barriere energetiche con centinaia di livelli controllabili suggerisce una somiglianza con le sinapsi cerebrali. Le sinapsi sono completamente analogiche e operano con migliaia di livelli di concentrazione di mediatori al confine tra i neuroni. Un neurone innesca un impulso elettrico solo quando la concentrazione di mediatori provenienti da un neurone adiacente raggiunge il livello necessario. Con i memristori "non classici", questo schema potrebbe portare alla creazione di reti neurali IA che imitano il funzionamento del cervello e risparmiano energia.
È importante sottolineare che, rispetto ai memristori esistenti, la nuova soluzione elimina i principali problemi: comportamento casuale, necessità di tensioni elevate e scarsa ripetibilità nella produzione di massa. Grazie al meccanismo di commutazione "transistorizzato", si ottiene un consumo energetico estremamente basso durante l'apprendimento adattivo. I ricercatori sottolineano che queste caratteristiche sono essenziali per creare hardware in grado non solo di memorizzare bit, ma anche di apprendere e adattarsi, avvicinandosi ai principi di funzionamento del cervello.
L'impatto potenziale di questa tecnologia è enorme. Si stima che l'implementazione di tali dispositivi potrebbe ridurre il consumo energetico delle piattaforme IA fino al 70%. Questo è fondamentale, soprattutto in un contesto di crescita esponenziale dei consumi energetici dei moderni modelli IA di grandi dimensioni. La ricerca apre nuove prospettive per un futuro dell'intelligenza artificiale più sostenibile ed efficiente, con implicazioni significative per settori che vanno dalla robotica all'analisi dei dati.
