Intelligenza Artificiale: una rete di nanofili autoassemblati imita l’adattabilità dei sistemi nervosi biologici

Le funzioni del nostro cervello come la memoria e l’apprendimento sono sostenute da una fitta rete di connessioni, chiamate sinapsi, che si trovano nel cervello e nell’intero sistema nervoso. Questo sistema si caratterizza per grande robustezza e profonda adattabilità. La simulazione delle funzioni cerebrali e dei sistemi nervosi biologici rappresenta una delle maggiori sfide della ricerca nello sviluppo dell’intelligenza artificiale e ci può aiutare a comprendere come funziona il cervello stesso.

Un articolo pubblicato su Advanced Intelligent Systems prestigiosa rivista specialistica di settore – propone il contributo del Politecnico di Torino in questo importante campo di ricerca. Lo studio è a cura di Gianluca Milano e Carlo Ricciardi, rispettivamente collaboratore e docente del Dipartimento Scienza Applicata e Tecnologia del Politecnico, che per ricerche nello stesso ambito hanno ottenuto qualche mese fa anche la prestigiosa pubblicazione sulla rivista Nature Communication. I risultati pubblicati sono frutto della collaborazione tra Politecnico di Torino, Politecnico di Milano, INRIM e Università RWTH di Acquisgrana (Germania).

Milano e Ricciardi hanno mostrato come una nanoarchitettura neurale basata su reti artificiali possa imparare e adattarsi quando viene sottoposta a stimoli esterni, imitando i processi di plasticità delle sinapsi, che dipendono dall’esperienza che facciamo e che costituiscono le abilità connettive e funzionali del sistema nervoso.

a) Biological neural networks in which the emergent behavior results from the collective behavior of the multitude of synaptic connections; b) Bio-inspired nanoarchitecture based on nanowire networks (scale bar, 500 nm)

Attraverso l’impiego di apparecchiature nanoioniche a doppio terminale denominate nanowire memristor si può realizzare una rete neurale artificiale con prestazioni senza precedenti in termini di plasticità, efficienza energetica e programmabilità.

Nonostante il futuro estremamente promettente di questo campo di ricerca e applicazione, non è facile infatti imitare le caratteristiche tipiche delle reti neurali biologiche, come per esempio la connettività, l’adattabilità attraverso la riconnessione e la sostituzione delle giunzioni e la correlazione spaziotemporale ad ampio raggio.

Le reti costituite da nanowire memristor, al centro dello studio, mostrano proprio un’alta connettività e hanno l’enorme vantaggio di poter essere costruite senza costose strutture asettiche, che servono a difenderle dalla contaminazione della polvere e di altre particelle.

Più o meno come fa il cervello, la connettività di rete può essere così controllata attraverso diverse forme di plasticità, in cui le connessioni sinaptiche si rafforzano o si indeboliscono. Si tratta di un meccanismo di rottura e rigenerazione di nuove sinapsi assente nelle strutture artificiali convenzionali, mentre è noto che la riconnessione-rigenerazione dei neuroni biologici è essenziale nelle funzioni cerebrali superiori come l’apprendimento e la memoria.

La connettività funzionale del sistema di Milano e Ricciardi è fornita del cosiddetto “effetto di plasticità eterosinaptica”, vale a dire l’abilità delle sinapsi di modulare la loro forza attraverso l’utilizzo di sentieri connettivi diversi. Nei sistemi biologici, questa forma di plasticità gioca un ruolo importante nel contribuire alla stabilità e all’omeostasi delle reti neurali.

Questa grande flessibilità, combinata con i costi bassi e con l’adattabilità, fa delle reti di nanowire un grande passo in avanti, che rende possibile alle macchine di imitare le reti neurali biologiche e il cervello stesso, che è capace di elaborare una grande quantità di dati a partire da input multipli e differenti tra loro.