56
- ELETTRONICA OGGI 433 - GENNAIO/FEBBRAIO 2014
DIGITAL
NEURONAL CHIP
meglio la distanza fra i dati risolven-
do la questione.
Per esempio, osservando una carota
gialla o verde si potrebbe essere
indotti a pensare a una zucchina
o a una banana ma i nostri neuro-
ni elaborano tutti insieme la figura
osservata fino a che la nostra base
dati memorizzata e la nostra intui-
zione non ci portano alla condizione
di riconoscere che si tratta proprio
di una carota anche se non è aran-
cione. Questo è pressappoco ciò che
avviene in una rete neuronale quan-
do i neuroni propagano l’incertezza
di riconoscimento in tutta la rete
fino a che non acquisiscono risposte
positive sufficienti per decidere qual
è la risposta più verosimile alla que-
stione posta ossia qual è l’immagine
fra tutte quelle memorizzate nell’in-
tera rete che riduce il più possibile
la sua distanza con l’immagine di
ingresso.
In pratica, se se considera ogni neurone come un’unità
di calcolo comparativa unita a una memoria con 256 dati,
allora all’arrivo di un dato in ingresso i primi neuroni ne
eseguiranno il confronto con i propri in memoria usando
una oppure entrambe le due metodologie oggi più diffuse
fra le applicazioni software di questo tipo. Innanzi tutto,
ciascuno calcolerà le 256 distanze fra il dato di ingresso e
ciascuno dei suoi 256 dati in memoria e poi può scegliere
semplicemente il dato in memoria che è a minima distanza
rispetto al dato in ingresso oppure può fare la media alge-
brica delle 256 distanze e scegliere il dato in memoria che
minimizza entrambe le sue due distanze rispetto al valore
medio e al valore del dato di ingresso.
La differenza è puramente applicativa dato che general-
mente il primo metodo è più rapido ma il secondo è più
preciso e comunque capita spesso che siano eseguiti
entrambi i calcoli.
A questo punto il neurone deve valutare se il risultato può
essere giudicato sufficientemente positivo altrimenti pro-
pagherà un messaggio in tutta la rete con il dato giunto al
suo ingresso e la miglior risposta che gli è stato possibile
calcolare. I neuroni circostanti ripeteranno il confronto
del dato di ingresso con i loro 256 dati in memoria con-
frontando la loro risposta con quella proposta e nel caso
sia migliore invieranno un messaggio di risposta che con-
sentirà al primo neurone di migliorare la propria decisio-
ne e permetterà a tutti i neuroni della rete di aggiornare
la loro base dati in memoria per essere più efficaci nelle
successive decisioni. Al contrario il processo si ripete
nella rete fino a che non viene trovato un risultato con-
siderato positivo oppure finché non scatta un algoritmo
di controllo che avvisa della mancanza di una risposta
adeguata e richiede all’esterno ulteriori informazioni per
poter proseguire.
Calcolo neuronale parallelo
La distribuzione dell’intelligenza in rete è il punto di
forza delle reti neuronali che sono capaci di condividere
una decisione insieme agli altri neuroni, ma un’altra loro
importante peculiarità è che possono decidere anche se la
base dati collettiva è incompleta e fornire la risposta che
più verosimilmente soddisfa i requisiti imposti.
Quando ciò si verifica i neuroni hanno l’occasione di
imparare a conoscere nuovi dati e migliorare la propria
base di conoscenza usando criteri di valutazione forniti
dagli amministratori e grazie a ciò evolvere per perfezio-
nare continuamente la capacità decisionale della rete.
L’architettura dei chip CogniMem è concepita con due
motori logici non lineari che concorrono insieme all’anali-
si dei dati in ingresso, al raggiungimento della risposta più
plausibile e all’apprendimento necessario per il migliora-
mento della base di conoscenze della rete. Entrambi i
Fig. 2 – Nel CM1K l’intelligenza è distribuita fra tutti i neuroni nella rete e consente di ottenere un
rapporto fra prestazioni e consumi decine di volte migliore rispetto alle tecnologie basate su DSP
