I dispositivi hardware in grado di replicare le funzionalità tipiche del cervello hanno dimostrato di rivestire un ruolo fondamentale nel presente e nel futuro dei sistemi intelligenti. Questi vengono utilizzati in campi molto diversi semplificando i processi logici e funzionali, migliorandone le prestazioni e la precisione dei risultati. Negli ultimi anni un crescente filone di ricerca si è concentrato sulla costruzione di modelli hardware fotonici. In questo quadro si è inserito il mio lavoro svolto l'anno precedente, che è stato orientato alla modellizzazione di un neurone fotonico solitonico in grado di svolgere compiti di riconoscimento ed elaborazione dati in regime sia supervisionato sia non supervisionato. Il progetto qui proposto ha l'obiettivo di estendere i risultati ottenuti sul singolo neurone progettando e caratterizzando reti complesse di neuroni fotonici interconnessi in in grado di riprodurre funzionalità di memoria (sfruttando la caratteristica plasticità dell'indice di rifrazione dei cristalli ottici impiegati) e di calcolo.
L'hardware neuromorfico sembra essere la strada giusta per superare i limiti dell'Intelligenza Artificiale Software che nell'ultimo ventennio ha già rivoluzionato i mondi della ricerca, del lavoro e della vita quotidiana. Strutture elettroniche complesse risultano però limitate dalla fisica che li governa [4-5] e non sono in grado di risolvere la separazione dicotomica elaborazione/memoria tipica delle architetture computazionali di tipo Van-Neumann. I modelli hardware fotonici proposti sembrano risolvere gran parte di questi problemi, pur tuttavia non risolvendo in maniera completa nella maggior parte dei casi la dicotomia tra le strutture di processamento di dati e di memoria che rimangono ancora separate. La parola chiave per risolvere tale separazione è "plasticità". Analogamente al cervello biologico che è in grado di risolvere alcuni problemi interni grazie alla sua capacità plastica di modificarsi, anche il cervello artificiale deve poter sfruttare la plasticità per potersi adattare e svolgere contemporamente funzioni di memoria e di elaborazione. La capacità di auto-adattamento e di auto-modifica della struttura neurale è sinonimo di unione di due unità fondamentali. Il gruppo tedesco di Feldmann [6] ha in passato sfruttato le proprietà di plasticità dei materiali a cambiamento di fase (PCM materials) per replicare il comportamento di attivazione dei neuroni. In funzione dell¿intensità del segnale luminoso inviato il materiale cambia il suo stato passando da amorfo a cristallino (o viceversa) permettendo, di conseguenza, il passaggio della luce o bloccandolo.
Il gruppo di ricerca del Laboratorio Smart&Neuro Photonics del Dipartimento di Scienze di Base ed Applicate per l'Ingegneria della Sapienza di Roma, dove questo progetto verrà portato avanti, fonda la costruzione di mappe neurali fotoniche sulla plasticità dell'indice di rifrazione di materiali fotorifrattivi, cioè cristalli nonlineari che automodificano la propria risposta ottica al passaggio di segnali luminosi.
[1] A. Bile, F. Moratti, H. Tari, E. Fazio, Photonic implementation of an elementary unit of artificial intelligence based on solitonic waveguides, submitted to Neural Computing and Applications.
[2] F. Camponeschi, A. Bile, H. Tari, E. Fazio, Plasmonic-Solitonic coupling structure, International Journal of Scientific Engineering and Applied Science, Volume 7, issue 3, 2021.
[3] A. Bile, R. Pepino, E. Fazio, Study of Magnetic Switch for Surface Plasmon Polariton Circuits, AIP Advances, Volume 11, issue 4, doi: 10.1063/5.0040674.
[4] Preissl, R. et al. Compass: a scalable simulator for an architecture for cognitive computing. In Proc. Int. Conf. on High Performance Computing, Networking,Storage and Analysis (SC ¿12) https://doi.org/10.1109/SC.2012.34 (IEEE, 2012).
[5] B. Ianero, A. Bile, M. Alonzo, E. Fazio, Stigmergic Electronic Gates and Networks, submitted to Journal of Computational Electronics.
[6] J. Feldmann, N. Youngblood, C. D. Wright, H. Bhaskaran & W. H. P. Pernice, All-optical spiking neurosynaptic networks with self- learning capabilities, Nature, 569, 208-216, (2019).