I computer si basano sull’elaborazione sequenziale di istruzioni, mentre i sistemi biologici, per l’ampia connessione tra neuroni, sono caratterizzati da una potente elaborazione parallela, che si cerca ora di emulare con anche con l’aiuto della nanotecnologia.
Negli anni ‘60 non era raro vedere pubblicate foto di sale computer con tecnici in camice bianco attorno a strutture di grandi dimensioni, i cosiddetti “cervelloni”. Le didascalie spesso riportavano frasi improbabili del tipo: il nuovo modello di mainframe, capace di “sputare” dati alla velocità di 1000 bit al secondo. Questa prestazione ben giustificava i camici bianchi dei tecnici, che in tal modo potevano proteggersi. Oggi il termine “cervellone”, a parte certi ambienti statali quasi sempre in relazione all’emissione di cartelle pazze, è in disuso, anche se cresce il riferimento al più semplice termine “cervello”, e questo nell’ambito del “brain-inspired computing”, nuova branca della scienza che si occupa di emulare le capacità del cervello umano sfruttano anche le potenzialità delle nanotecnologie, verso un futuristico “brain-on-a-chip”.
I fronti di ricerca
Il cervello umano consiste di centinaia di miliardi di cellule che formano circa un quadrillione di connessioni, contiene livelli multipli e interagenti di complessità, con decine di migliaia di differenti tipi di cellule nervose (neuroni), ciascuno caratterizzato da una configurazione unica di geni. Non si è ancora compreso come l’attività dei circuiti neuronali porti a livelli cognitivi superiori, e anche una semplice simulazione del cervello umano richiede una capacità elaborativa enorme, di fatto non disponibile. Ma possibilità di simulazione realistiche si stanno facendo sempre più concrete grazie ai supercomputer, come si sta tentando con l’iniziativa europea Human Brain Project che, partita lo scorso anno, vuole raccogliere tutta la conoscenza sul cervello umano, creare dei modelli multiscala che integrino questa conoscenza, e poi utilizzarli per simulare il cervello su supercomputer, arrivando a un “virtual brain”. Alcuni anni fa, con un altro progetto europeo denominato FACETS, Fast Analog Computing with Emergent Transient States, si era completato uno studio esaustivo per comprendere come i neuroni lavorano e si interconnettono; tra i risultati di FACETS, la definizione di PyNN, linguaggio di simulazione per la costruzione di modelli di reti neuronali.
Un approccio rivoluzionario
Allo stato attuale degli studi e delle ricerche, ci si aspetta molto dalle nanotecnologie, ed è nato il “neuromorphic engineering”, nuova disciplina che, basandosi proprio sulle nanotecnologie, si pone l’obiettivo di progettare sistemi neurali artificiali con architetture fisiche simili ai sistemi nervosi biologici. Attualmente sono attivi più progetti; tra questi SyNAPSE della DARPA (Defense Advanced Research Projects Agency degli Stati Uniti) e il progetto europeo BrainScaleS, successore di FACETS. Come risultati, nella fase iniziale di SyNAPSE sono stati sviluppati componenti elettronici sinaptici in scala nanometrica in grado di adattare collegamenti tra due neuroni in modo analogo a quanto avviene nei sistemi biologici. Una citazione a parte merita però l’approccio dei ricercatori dell’Ecole Polytechnique Fédérale di Losanna, in Svizzera, che stanno cercando di sviluppare circuiti elettronici (neuromorphic chips) che siano comparabili a un cervello reale in termini di dimensione, velocità e consumo energetico. Occorre sottolineare la grande differenza di questo approccio rispetto a quello, diciamo, più tradizionale della neuroinformatica, dove l’obiettivo è lo sviluppo di modelli di reti neuronali su computer convenzionali o la simulazione di reti nervose complesse su supercomputer. In questo caso si vuole invece realizzare una nuova categoria di microchip capaci di imitare, realtime, l’elaborazione delle informazioni così come avviene nel cervello umano. Nella pratica, è stato sviluppato un sistema neuromorfico in grado di svolgere task sensomotorie complesse che richiedono una memoria a breve termine e decisioni dipendenti dal contesto, combinando neuroni neuromorfici in una rete che implementa dei moduli di elaborazione neurale equivalenti al concetto matematico di “finite-state machine” che descrive processi logici ma anche programmi per computer. Un dato comportamento (behavior) può essere formulato come macchina a stati finiti e successivamente trasferito all’hardware neuromorfico in modo automatico. I pattern di connessione della rete risultano essere molto simili alle strutture che si trovano nel cervello dei mammiferi, e i chip neuromorfici possono essere, stando ai ricercatori, configurati per un ampio range di modi comportamentali. I risultati ottenuti sono un importante punto di riferimento per lo sviluppo di nuove tecnologie «brain inspired». Tra i prossimi sviluppi, la combinazione di questi chip con componenti sensoriali neuromorfici, per esempio una coclea (parte dell’orecchio interno) o una retina artificiale per creare sistemi cognitivi complessi interagenti con l’ambiente circostante in real time.
Sinapsi e memristori
Una sinapsi, o giunzione sinaptica, è una struttura che consente la comunicazione dei neuroni tra loro o con altre cellule, per esempio muscolari o sensoriali. L’elemento chiave di un sistema neuromorfico sono le sinapsi artificiali, e dato che il cervello umano contiene ben più sinapsi che neuroni (pari a un fattore 10.000), occorre sviluppare in nanoscala dispositivi “synapse-like” a basso consumo per ottenere circuiti neuromorfici con capacità comparabili a quelle del nostro cervello. Recentemente è stato sviluppato un transistor ibrido con nanoparticelle organiche che può imitare le funzionalità principali di una sinapsi, ma la ricerca si stà orientando verso i memristori, elementi circuitali nonlineari passivi, il cui nome deriva dall’unione di “memoria” e “resistore”, bipoli la cui conduttanza può essere modulata da cambiamenti di flussi di corrente: detto diversamente, la resistenza può essere programmata e poi resta di fatto nel componente memorizzata. Si parla più propiamente di memresistenza: se la corrente fluisce in una direzione attrraverso il circuito, la resistenza aumenta, e se la si fa passare per la direzione opposta, la resistenza diminuisce, e, infine, se si arresta il flusso azzerando la tensione ai suoi capi, il componente ricorda l’ultimo valore di resistenza, da cui uno “storing” d’informazione. Quando il flusso di corrente riprende, il valore di resistenza sarà pari all’ultimo che aveva quando era attivo. Stando a queste caratteristiche, si inizia a ritenere che un memristore possa connettere circuiti convenzionali CMOS o meglio l’equivalente CMOS di neuroni, e supportare processi come quelli alla base della memoria e dell’apprendimento nei sistemi biologici, dove le sinapsi, precisamente “programmate” dai flussi ionici che le attraversano, modulano la trasmissione dei segnali tra neuroni. Sono stati realizzati memristori al silicio costituiti da una coppia di elettrodi con, a sandwich, uno strato di silicio amorfo drogato con atomi di argento, maggiormente concentrati in corrispondenza dell’elettrodo superiore, e meno diffusi all’elettrodo inferiore. Applicando una tensione positiva al memristore, gli ioni di argento presenti nello strato di silicio si dirigono verso l’elettrodo superiore aumentando la conduttanza del dispositivo, e viceversa con tensione di segno opposto. Questo nuovo stato di conduttanza è mantenuto finché non è applicato un nuovo impulso di tensione: controllando il livello di drogaggio d’argento e altri parametri del dispositivo, i ricercatori sono stati in grado di dimostrare che il cambiamento di conduttanza del memristore è proporzionale all’integrale nel tempo della tensione applicata. In altre parole, lo stato del dispositivo non è determinato dai segnali presenti ma dalla storia dei segnali applicati. L’insieme di queste proprietà consente di affermare che un memristore imita in modo quasi perfetto l’attività di una sinapsi.
