EMB_69

EMBEDDED SETTEMBRE 28 IN TEMPO REALE | ARTIFICIAL INTELLIGENCE del genere (maschio, femmina), e sfruttare la tec- 2 / % - verso il linguaggio naturale. Reti neurali biologiche e artificiali À 6022F % X À come un’infrastruttura hardware e software svi- luppata per simulare le strutture d’interconnes- sione dei neuroni nei sistemi biologici, e i neuroni stessi, imitandone il funzionamento. In genere i neuroni vengono simulati integrando nel sistema un elevato numero di unità di elaborazione, quindi processori, in grado di operare in parallelo e orga- nizzati su più livelli. Il primo livello, in modo ana- logo a quanto accade ad esem- pio nei nervi ottici dell’occhio umano, riceve il dato grezzo e trasmette il proprio ouput al livello successivo, e così via, À ) livello; ogni nodo di elabora- zione possiede una parte di informazione e proprie regole, e i diversi livelli e nodi di com- puting sono tra loro altamen- te interconnessi. na rete neurale viene ini- zialmente addestrata, “nu- trendola” con grandi quantità ' , ) - + %% - re. Ad esempio, per costruire un rete neurale in grado di riconoscere volti di persone, si fornisce al sistema una serie di immagini di vario tipo (per- sone, animali, oggetti) accompagnate dalle cor- % & ! % % nodi comunicano a un quarto nodo che l’immagine + % ) À ) il programma di addestramento conferma che la % + % ) il nodo che ha ricevuto l’output corretto diminui- rà in automatico il peso assegnato al nodo che ha sbagliato, aumentando quello dei nodi che hanno ) & 2 À - AI e calcolo ad alte prestazioni Un aspetto chiave dell’AI è la sua stretta relazione con i sistemi di calcolo ad alte prestazioni (high perfor- mance computing - HPC). Oggi nei grandi data center e nelle infrastrutture di supercalcolo, l’abbinamento degli algoritmi di AI e machine learning sta potenziando le tecniche di modellazione dei dati e le capacità previsionali in tutti i settori scientifici cruciali. Nel prossimo futuro, presumibilmente attorno al 2020, la re- alizzazione dei primi sistemi HPC di classe “exascale”, in grado di eseguire miliardi di miliardi di operazioni al secondo, potrebbe diventare realtà e permettere di compiere un nuovo fondamentale balzo tecnologico. Po- tenze di calcolo di questo ordine di grandezza sono richieste dall’esigenza di analizzare con efficienza volumi di dati sempre maggiori in ogni campo, generati dalle applicazioni IoT. Nel caso dei sistemi exascale, le sfide da superare sono molte e riguardano, solo per citare i problemi chiave, la riduzione dei consumi di energia, l’innovazione delle architetture di memoria e d’interconnessione, la resilienza del sistema, e anche la messa a punto di nuovi paradigmi di computing, resi necessari dall’ormai sempre più vicino raggiungimento, nell’era “post legge di Moore”, dei limiti fisici della tecnologia CMOS (complementary metal-oxide semiconductor). Tra le innovazioni radicali di cui si parla in questo campo, vi sono i superconduttori, l’informatica quantistica (quantum computing) e i circuiti neuromorfici, questi ultimi in grado di riprodurre, attraverso svariate tecni- che, la struttura neuronale e il funzionamento del cervello umano. Rete neurale 63 ' / K , F