Un gruppo di ricercatori del Massachusetts Institute of Technology (MIT) ha annunciato una svolta nel campo dell’informatica: strutture di silicio in grado di eseguire calcoli usando il calore residuo di un dispositivo elettronico, invece dell’elettricità. Questa tecnologia, ancora agli albori, potrebbe rivoluzionare la gestione dell’energia nei computer e nei sistemi elettronici, trasformando ciò che di solito è considerato un rifiuto – il calore – in una risorsa informativa.
Calcolo termico di MIT: come funziona
La tecnica si basa sull’uso del calore già presente in un dispositivo per rappresentare i dati di input sotto forma di temperature. La distribuzione e il flusso del calore attraverso materiali progettati ad hoc costituiscono il cuore del calcolo. L’output, invece, viene misurato come la potenza raccolta all’estremità del materiale, mantenuta a temperatura costante tramite un termostato.
“Di solito, quando si eseguono calcoli in un dispositivo elettronico, il calore è un prodotto di scarto da eliminare. Qui abbiamo fatto il contrario: il calore diventa esso stesso informazione, dimostrando che è possibile calcolare usando il calore”, spiega Caio Silva, studente del Dipartimento di Fisica del MIT e autore principale dello studio pubblicato su Physical Review Applied.
I ricercatori hanno utilizzato queste microstrutture per eseguire moltiplicazioni tra matrici e vettori con un’accuratezza superiore al 99%. Questa operazione matematica è alla base dei modelli di machine learning, inclusi i grandi modelli linguistici, e rappresenta un passaggio cruciale per l’elaborazione delle informazioni e la generazione di predizioni.
Microstrutture progettate al computer
Il successo di questo approccio è stato reso possibile da un software sviluppato dai ricercatori, in grado di progettare materiali capaci di condurre il calore in modo specifico. La tecnica, nota come inverse design, ribalta il tradizionale approccio ingegneristico: si definisce prima la funzionalità desiderata e poi un algoritmo potente genera iterativamente la geometria più adatta per raggiungerla.
Le strutture di silicio progettate hanno dimensioni simili a quelle di un granello di polvere e funzionano secondo principi di computazione analogica, in cui i dati sono codificati e i segnali elaborati tramite valori continui, anziché in bit digitali 0 e 1.
Per realizzare una moltiplicazione tra matrici e vettori, il software riceve le specifiche della matrice numerica corrispondente al calcolo. Il sistema costruisce una griglia di strutture rettangolari di silicio, riempite da piccoli pori, e ne modifica continuamente ogni “pixel” fino a ottenere la funzione matematica desiderata. Il calore diffonde attraverso la struttura in modo da realizzare la moltiplicazione, con la geometria che codifica i coefficienti.
Un problema affrontato dai ricercatori è legato alle leggi della conduzione termica: il calore fluisce solo da regioni più calde a regioni più fredde, limitando la codifica ai soli coefficienti positivi. La soluzione è stata suddividere la matrice target in componenti positive e negative, rappresentate da strutture separate, e sottrarre i risultati per ottenere i valori negativi.
La possibilità di regolare lo spessore delle strutture permette inoltre di rappresentare una gamma più ampia di matrici: strutture più spesse conducono più calore, aumentando la versatilità del sistema. “Trovare la topologia giusta per una matrice è complesso. Abbiamo sviluppato un algoritmo di ottimizzazione che garantisce la conformità della geometria alla matrice target senza anomalie”, spiega Silva.
Applicazioni microelettroniche e prospettive future
Le simulazioni condotte dai ricercatori hanno coinvolto matrici semplici con due o tre colonne. Nonostante la semplicità, questi calcoli sono rilevanti per sensori termici e diagnostica in microelettronica, dove il rilevamento accurato delle fonti di calore è fondamentale. Le strutture hanno dimostrato un’accuratezza superiore al 99% in molti casi.
La strada verso applicazioni su larga scala, come il deep learning, è però ancora lunga. Migliaia di strutture dovrebbero essere collegate tra loro e, con l’aumentare delle dimensioni delle matrici, l’accuratezza diminuisce, soprattutto quando la distanza tra input e output è elevata. Anche la larghezza di banda dei dispositivi dovrà essere significativamente aumentata.
Tuttavia, l’uso del calore residuo apre prospettive immediate nel monitoraggio termico e nella gestione del calore. Le strutture potrebbero rilevare fonti di calore indesiderate e gradienti di temperatura senza componenti digitali aggiuntivi, riducendo la necessità di più sensori e risparmiando spazio sui chip.
I prossimi obiettivi del team includono la progettazione di strutture capaci di operazioni sequenziali, dove l’output di una struttura diventa input per la successiva, simulando il funzionamento dei modelli di machine learning. Inoltre, si punta a sviluppare strutture programmabili, in grado di codificare matrici diverse senza dover creare una nuova struttura da zero per ogni calcolo.
