I casi d’uso dell’Intelligenza Artificiale sono svariati, così come sono numerosi i modi in cui è possibile migliorarla, ad esempio potenziando il processo che prende il nome di machine learning. Alcuni ricercatori hanno pensato di ‘sostituire l’elettricità con i fotoni’ per elaborare ingenti quantità di dati più velocemente.
Il nuovo approccio migliora sia la velocità che l’efficienza delle reti neurali per l’apprendimento automatico sfruttate nel machine learning. Trattasi di una forma di intelligenza artificiale che mira a replicare le funzioni svolte da un essere umano. Il fine è insegnare a se stesso come svolgere un determinato compito in autonomia.
Gli attuali processori utilizzati per l’apprendimento automatico sono limitati nell’esecuzione di operazioni complesse a causa della potenza richiesta per elaborare i dati. Tali reti sono anche limitate dalla lenta trasmissione di dati oltre che nella loro elaborazione. I ricercatori della George Washington University hanno scoperto che l’uso dei fotoni all’interno dell’unità di elaborazione della rete neurale potrebbe superare questi limiti.
Intelligenza Artificiale: svolta per il machine learning, elaborazione dei dati alla velocità della luce
Il documento che descrive la ricerca, pubblicato sulla rivista scientifica Applied Physics Review, rivela che il TPU basato su fotoni è stato in grado di eseguire ordini di grandezza superiori rispetto a quello elettrico. “Abbiamo scoperto che in questo modo si possono eseguire le stesse operazioni di un’unità di elaborazione meno potente, ma con dispendio energetico inferiore. Se opportunamente addestrate, [le piattaforme che sfruttano i fotoni] possono essere utilizzate alla velocità della luce.“
Le potenziali applicazioni commerciali per un processore così innovativo includono reti 5G e 6G. Nonché data center incaricati di eseguire operazioni con grandi quantità di dati da elaborare. Il risultato sarà dunque una sorta di processore più veloce, con dei tempi di risposta migliori e una riduzione non solo del dispendio energetico ma anche del traffico di dati presenti nei data center.