IA

Oakland University simula un neurone artificiale con un magnete e un transistor

I ricercatori della Oakland University affermano che una giunzione tunnel magnetica più un interruttore NMOS riproduce il comportamento a impulsi, anche se la dimostrazione di machine learning è stata eseguita in simulazione

Di Letizia Giugliano
3 min di lettura

CondividiLinkedInFacebookX

a motorcycle parked in front of a tunnel
Photo: Quang Nguyen Vinh / Unsplash

Gli ingegneri della Oakland University, nel Michigan, hanno progettato un neurone elettronico composto da due parti: un transistor ordinario e una giunzione magnetica nanometrica. Secondo loro, comportamenti simili a quelli dei neuroni, inclusa la temporizzazione degli impulsi elettrici, derivano dalla fisica del magnete e non da circuiti di controllo aggiuntivi. Il team ha pubblicato il lavoro su IEEE Transactions on Circuits and Systems.

Come una giunzione magnetica produce un impulso

Una metà del circuito è una giunzione tunnel magnetica (MTJ), l'invenzione nanometrica già usata nella memoria magnetoresistiva ad accesso casuale, o MRAM. È composta da strati magnetici separati da una barriera isolante estremamente sottile, e uno di questi strati può ruotare quando la corrente lo attraversa. L'altra metà è un singolo transistor NMOS, l'interruttore on-off presente in tutti i chip moderni, che regola la corrente che passa attraverso il magnete. Gli elettroni portano una proprietà chiamata spin, un piccolo orientamento magnetico, e mentre si muovono applicano allo strato magnetico una forza torcente nota come spin-transfer torque. Quando lo strato ruota, la resistenza della giunzione cambia e la tensione nel circuito si sposta. In condizioni adeguate ciò produce il breve impulso, o spike, che un neurone usa per segnalare.

«Il cervello umano usa 20 watt di potenza per funzionare; il tipico modello di IA ne ha bisogno di circa 500 volte tanto per l'inferenza e di altre 50 volte per ogni domanda che gli si pone.»

— Dr. Steven Louis, ricercatore principale, Oakland University

«È troppa potenza per i dispositivi di tutti i giorni. Vogliamo che l'IA funzioni localmente, senza dipendere da enormi data center.»

— Dr. Steven Louis, ricercatore principale, Oakland University

Soglie e periodo refrattario senza circuiti aggiuntivi

I neuroni biologici sommano i segnali in arrivo, si attivano solo quando il totale supera una soglia, poi si fermano brevemente prima di poter scattare di nuovo. La simulazione di Oakland ha riprodotto la generazione di impulsi al superamento della soglia, la latenza, i periodi refrattari, l'integrazione sinaptica e l'inibizione. Un neurone elettronico convenzionale di solito richiede molti transistor e logica di controllo dedicata per fare lo stesso. Qui, secondo il team, questi comportamenti derivano dalle dinamiche magnetiche di una singola giunzione. Steven Louis, che guida il gruppo, inquadra l'obiettivo in termini computazionali: il circuito copia il comportamento che rende utili i neuroni, non la biologia che vi sta dietro.

Leggi anche su The Patent: Le cellule di criceto mantengono i cromosomi delle alghe per 155 generazioni · Ricercatori di Auckland testano un coach vocale basato sull'IA per il diabete di tipo 2

Ingresso di una galleria buia su una strada Foto: Fabio Sasso / Unsplash

Un test XOR eseguito in software

Reti dei neuroni simulati sono state sottoposte alla porta XOR, un benchmark standard di machine learning per l'intelligenza artificiale, e l'hanno appresa usando la temporizzazione degli impulsi invece dei segnali digitali convenzionali. Il risultato è una piccola dimostrazione, e il limite è chiaro: il lavoro è basato su simulazione. L'articolo non descrive alcun chip fabbricato né una cifra di potenza misurata per il circuito completo. TechXplore ha riportato lo studio il 17 novembre 2026.

20 watt contro 500 volte tanto

La ragione d'essere del progetto è l'energia. Louis colloca il cervello umano a 20 watt e afferma che un modello di IA tipico necessita di circa 500 volte tanto per l'inferenza, più altre 50 volte per ogni domanda posta. Le macchine convenzionali tengono separati memoria ed elaborazione: un processore recupera i dati, li elabora e riscrive il risultato. Le GPU rendono efficiente questo flusso, ma spostare i dati tra memoria e calcolo costa comunque energia. L'hardware neuromorfico cerca di eliminare il tragitto mantenendo uno stato in un dispositivo fisico che immagazzina informazioni e partecipa al calcolo. In questo circuito la magnetizzazione variabile della giunzione contribuisce a decidere quando il neurone si attiva; non viene semplicemente letta.

Il documento non cita alcun deposito di brevetto

La pubblicazione riporta un concetto di dispositivo e risultati di simulazione. Non cita alcuna domanda di brevetto, alcun brevetto concesso né alcun accordo di licenza con una startup, e la fonte non dà alcun segno che la Oakland University abbia cercato protezione sul progetto. La posizione in materia di proprietà intellettuale è quindi non dichiarata. Ciò che gli inventori presentano come propria innovazione è l'uso delle dinamiche proprie di una MTJ, anziché di circuiti aggiuntivi, per generare impulsi simili a quelli neuronali. Se questo finirà in un deposito è cosa che le fonti non dicono, anche se il concetto potrebbe interessare campi che vanno dalla robotica allo spazio.

Articolo con assistenza AI

Tradotto automaticamente dall’originale inglese. Leggi l’originale