Le piattaforme digitali hanno un problema (di cui sono incolpevoli): per quanto grande sia la loro capacità di elaborare dati, e, anzi, per quanto la si moltiplichi, gli utenti finiscono sempre per chiedere di più di quello che la piattaforma offre, spingendosi fino ai limiti e oltre i limiti. Questo vale persino per l’Intelligenza Artificiale, che si basa proprio sul trattamento di una quantità enorme di informazioni da cui estrarre esperienza: dovrebbe, perciò, essere attrezzata a elaborare un numero di dati pressoché infinito e, invece, anche l’IA finisce per urtare contro certi limiti fisici. Ormai l’IA è parte del nostro quotidiano, e la necessità di modelli sempre più grandi e più complessi è incalzante, ma la richiesta di energia (un fattore a cui pochi pensano) e di capacità di calcolo sempre più elevate stanno aumentando più rapidamente delle prestazioni dei computer tradizionali. Come se ne esce? La tecnologia rilancia la sfida, cambiando il terreno di gioco, cioè creando terreni di gioco nuovi. Per superare i limiti a cui sembra andare incontro l’IA la ricerca si sta orientando verso tecnologie innovative come le reti neurali fisiche, cioè circuiti analogici (sì, il paradosso è che, da un certo punto di vista, si torna all’analogico, sia pure trasfigurato) che per elaborare le informazioni sfruttano direttamente le leggi della fisica, cioè le proprietà dei fasci luminosi e i fenomeni quantistici: le potenzialità di queste tecnologie sono al centro di uno studio pubblicato dalla prestigiosa rivista “Nature”, frutto della collaborazione fra diversi istituti internazionali, tra cui il Politecnico di Milano, l’École Polytechnique Fédérale di Losanna, la Stanford University, la University of Cambridge e il Max Planck Institute. Nell’articolo, dal titolo “Training of Physical Neural Networks”, si affrontano i passaggi della ricerca sull’addestramento delle reti neurali fisiche, a cui ha collaborato Francesco Morichetti, docente del DEIB – Dipartimento di Elettronica, Informazione e Bioingegneria – del PoliMilano e responsabile del Photonic Devices Lab dell’ateneo (nella foto). Il Politecnico ha contribuito a questo studio con lo sviluppo di chip fotonici per la realizzazione di reti neurali: sfruttando le tecnologie fotoniche integrate, operazioni matematiche come somme e moltiplicazioni possono essere eseguite attraverso meccanismi di interferenza della luce su microchip di silicio di dimensioni di pochi millimetri quadrati. Spiega Francesco Morichetti: “Eliminando le operazioni richieste per la digitalizzazione dell’informazione, i nostri chip fotonici consentono di svolgere calcoli con una significativa riduzione sia dei consumi energetici sia dei tempi di elaborazione. È un grande passo in avanti per rendere più sostenibile l’Intelligenza Artificiale, che si appoggia su data center estremamente energivori”. Lo studio pubblicato su “Nature” affronta così, nelle parole di Morichetti, il tema dell’addestramento, cioè la fase in cui la rete impara a svolgere determinati compiti: “Con la nostra ricerca all’interno del DEIB abbiamo contribuito a mettere a punto una tecnica di addestramento in-situ per le reti neurali fotoniche, senza passare attraverso modelli digitali. La procedura viene eseguita interamente utilizzando segnali luminosi e, in questo modo, l’addestramento della rete è non solo più veloce, ma anche più efficiente”. E così spostiamo più in là i limiti dell’Intelligenza Artificiale.