Con l’intelligenza artificiale si possono realizzare sistemi informatici sempre più simili all’efficienza del cervello umano.
Il cervello umano è sempre stato oggetto di studio per l’ispirazione dei sistemi informatici. Sebbene ci sia ancora molta strada da fare prima di poter realizzare un sistema informatico che corrisponda all’efficienza del cervello umano per i compiti cognitivi, sono in fase di ricerca diversi paradigmi informatici ispirati al cervello, come riporta TechXplore. Le reti neurali convoluzionali sono un approccio di apprendimento automatico ampiamente utilizzato per le applicazioni relative all’intelligenza artificiale a causa delle loro prestazioni significative rispetto agli approcci basati su regole o simboli. Tuttavia, per molte attività l’apprendimento automatico richiede grandi quantità di dati e formazione per convergere a un livello accettabile di prestazioni.
Un dottorato di ricerca uno studente della Khalifa University, Eman Hasan, sta studiando un’altra metodologia di calcolo dell’intelligenza artificiale chiamata “calcolo iperdimensionale”, che può eventualmente portare i sistemi di intelligenza artificiale un passo avanti verso la cognizione simile a quella umana. Il lavoro è supervisionato dal dott. il System on Chip Center (SOCC) e il Dr. Yasmin Halawani, Postdoctoral Fellow.
Il lavoro di Hasan, pubblicato di recente sulla rivista IEEE Access, analizza diversi modelli di calcolo iperdimensionale e mette in evidenza i vantaggi di questo paradigma. Il calcolo iperdimensionale, o HDC, è un paradigma relativamente nuovo per il calcolo che utilizza vettori di grandi dimensioni (come 10000 bit ciascuno) ed è ispirato a modelli di attività neurale nel cervello umano. I mezzi con cui possono consentire ai sistemi informatici basati sull’intelligenza artificiale di conservare la memoria possono ridurre le loro richieste di calcolo e potenza.
I vettori HDC, per natura, sono anche estremamente resistenti al rumore, proprio come il sistema nervoso centrale umano. L’intelligenza richiede il rilevamento, la memorizzazione, l’associazione e la dissociazione di schemi rumorosi e l’HDC è adatto per gestire schemi rumorosi. Ispirato da una rappresentazione astratta dei circuiti neuronali nel cervello umano, lo sviluppo di un’architettura HDC implica fasi di codifica, addestramento e confronto.
Il cervello umano è eccellente nel riconoscere i modelli e nell’utilizzarli per dedurre informazioni su altre cose. Per esempio, gli esseri umani generalmente capiscono che solo perché a una sedia manca una gamba, ciò non significa che non sia più una sedia. Un sistema di intelligenza artificiale può esaminare questa sedia a tre gambe e decidere che si tratta di un oggetto completamente nuovo che necessita di una nuova classificazione. I vettori HDC, tuttavia, offrono un certo margine di errore. Con HDC, il riconoscimento di determinate caratteristiche genererà un vettore abbastanza simile a una sedia e il computer può dedurre che l’oggetto è una sedia dalla sua memoria di come appare tale oggetto. Quindi, la sedia a tre gambe rimarrà una sedia nel calcolo iperdimensionale mentre nel riconoscimento tradizionale degli oggetti questo è un compito difficile.
“In un vettore HD, possiamo rappresentare i dati in modo olistico, il che significa che il valore di un oggetto è distribuito tra molti punti dati“, ha spiegato Hasan. “Pertanto, possiamo ricostruire il significato del vettore fintanto che abbiamo il 60% del suo contenuto“.
La struttura dei vettori porta a uno dei maggiori vantaggi dell’approccio HDC, ovvero che può tollerare errori e quindi è un’ottima opzione per applicazioni informatiche approssimative. Ciò deriva dalla rappresentazione degli ipervettori, dove un valore di bit è indipendente dalla sua posizione nella sequenza di bit.
HDC è anche potente in quanto è incentrato sulla memoria, il che lo rende in grado di eseguire calcoli complessi richiedendo una minore potenza di calcolo. Questo tipo di elaborazione è particolarmente utile per l’elaborazione “edge”, che si riferisce all’elaborazione eseguita presso o vicino alla fonte dei dati. In un numero crescente di dispositivi, inclusi i veicoli autonomi, i calcoli devono essere eseguiti immediatamente e al momento della raccolta dei dati, invece di fare affidamento sull’elaborazione eseguita nel cloud in un data center.
“Il calcolo iperdimensionale è un modello promettente per i dispositivi periferici in quanto non include la fase di formazione impegnativa dal punto di vista computazionale trovata nella rete neurale convoluzionale ampiamente utilizzata”, ha spiegato Hasan. “Tuttavia, il calcolo iperdimensionale presenta le sue sfide poiché la codifica da sola richiede circa l’80% del tempo di esecuzione del suo addestramento e alcuni algoritmi di codifica fanno sì che i dati codificati crescano fino a venti volte la loro dimensione originale“.
Hasan ha studiato il paradigma HDC e i suoi principali algoritmi in applicazioni unidimensionali e bidimensionali. La ricerca ha dimostrato che l’HDC supera le reti neurali digitali in applicazioni di set di dati unidimensionali, come il riconoscimento vocale, ma la complessità aumenta una volta espansa alle applicazioni 2D.
Oltre 45 interventi di esperti dell’innovazione