Disponibile alla comunità dei ricercatori il nuovo sistema di chip neuromorfi Intel ispirato al cervello umano. Si chiama Pohoiki Beach: è composto da 8 milioni di neuroni e comprende 64 chip sperimentali Loihi. Loihi è il chip di ricerca neuromorfa addestrato dai ricercatori della Intel Labs e della Cornell University, tramite un algoritmo neurale derivato dall’architettura e dalla dinamica dei circuiti olfattivi del cervello, ad apprendere e riconoscere i profumi di dieci sostanze chimiche pericolose.
“Questo lavoro è un ottimo esempio di ricerca contemporanea al crocevia di neuroscienze e intelligenza artificiale e dimostra il potenziale di Loihi nel fornire importanti capacità di rilevamento che potrebbero avvantaggiare vari settori” ha commentato Nabil Imam, ricercatore senior presso il Neuromorphic Computing Lab di Intel. I futuri sistemi di rilevamento elettronico dotati di chip neuromorfi potrebbero infatti risultare utili per fiutare esplosivi, narcotici, gas per la guerra chimica e persino malattie terminali.
Il chip neuromorfo che “odora” sostanze chimiche pericolose
Il computing neuromorfico (che mira a emulare funzioni sensoriali e cognitive espresse nel sistema nervoso, attraverso circuiti microelettronici che riproducono in forma semplificata la struttura e la dinamica di neuroni e sinapsi) sta aprendo la strada alla “scienza dell’olfatto”. Intel afferma che Pohoiki Beach rappresenta una delle prime “architetture specializzate” a supporto di Internet of Things e dispositivi autonomi che genererà guadagni significativi sia in velocità che in efficienza per una serie di applicazioni del mondo reale, dai veicoli autonomi alla smart home alla sicurezza informatica.
Il team ha utilizzato un set di dati costituito dall’attività di 72 sensori chimici in risposta a dieci odori di sostanze chimiche pericolose e ha configurato lo schema circuitale dell’olfatto biologico su Loihi. Il chip ha imparato rapidamente la rappresentazione neurale di ciascuno degli odori e ha riconosciuto ogni odore, anche se occluso in modo significativo, dimostrando un’accuratezza di riconoscimento superiore ai metodi convenzionali all’avanguardia, inclusa una soluzione di deep learning che ha richiesto 3.000 volte più campioni di addestramento per classe per raggiungere lo stesso livello di accuratezza della classificazione.
Immagine fornita da Shutterstock.
