Reti neurali artificiali a basso impatto energetico

Le future reti neurali artificiali saranno a basso impatto energetico, secondo una ricerca pubblicata su Nature Machine Intelligence. Claudio Gallicchio dell’UniversitĂ  di Pisa unico italiano del team composto da ricercatori delle piĂą prestigiose universitĂ  cinesi e di Hong Kong. L’articolo è disponibile qui.

Contribuire a una intelligenza artificiale sostenibile e progettare reti neurali artificiali a basso impatto energetico è l’obiettivo di uno studio recentemente pubblicato su Nature Machine Intelligence, prestigiosa rivista del gruppo Nature. Claudio Gallicchio del Dipartimento di Informatica dell’Università di Pisa è l’unico italiano che ha partecipato alla ricerca insieme ad un team di studiosi delle più importanti università cinesi e di Hong Kong.

Reti neurali - Claudio Gallicchio
Claudio Gallicchio

“In questo studio – spiega Claudio Gallicchio – abbiamo dimostrato come sia possibile progettare reti neurali artificiali che possano essere addestrate ed eseguite su sistemi hardware non-convenzionali, ottenendo risultati predittivi comparabili con quelli ottenibili con le unità di elaborazione grafica (GPU) e al tempo stesso riducendo il consumo energetico fino a oltre 40 volte”.

Progettazione congiunta hardware-software di reti neurali artificiali per grafi

La ricerca ha riguardato nello specifico la progettazione congiunta hardware-software di reti neurali artificiali per grafi, una classe di metodologie informatiche all’avanguardia, utili a risolvere problemi in domini complessi come l’analisi delle reti sociali e la scoperta di nuovi farmaci.

“Da un punto di vista informatico – sottolinea Claudio Gallicchio – gli algoritmi proposti sfruttano una tecnica basata sulla teoria dei sistemi dinamici neurali, nota come Reservoir Computing, per ridurre al minimo la richiesta di calcolo degli algoritmi di addestramento. Da un punto di vista fisico, le reti neurali vengono implementate in random resistive memory arrays, nanodispositivi neuromorfici caratterizzati da un’elevatissima efficienza energetica”.

I risultati conseguiti sono stati possibili grazie ad una collaborazione interdisciplinare che ha mostrato i vantaggi della realizzazione di algoritmi di apprendimento automatico in hardware neuromorfico, indicando così una direzione promettente per i sistemi di Intelligenza Artificiale di prossima generazione.

Riferimenti articolo scientifico:

Wang, S., Li, Y., Wang, D. et al. Echo state graph neural networks with analogue random resistive memory arrays. Nat Mach Intell 5, 104–113 (2023). https://doi.org/10.1038/s42256-023-00609-5