Chip fotonici e reti neurali fisiche: l’intelligenza artificiale guarda oltre il silicio

La ricerca internazionale, con un ruolo centrale del Politecnico di Milano, apre nuove prospettive sull’uso delle reti neurali fisiche per l’intelligenza artificiale. Questi sistemi, basati su calcoli analogici e fotonici, potrebbero ridurre drasticamente i consumi energetici e consentire l’elaborazione locale dei dati. Una rivoluzione che passa dall’integrazione di fisica, fotonica e informatica

L’intelligenza artificiale è ormai parte integrante dei processi produttivi, della ricerca scientifica e delle tecnologie quotidiane. Tuttavia, la crescente necessità di modelli sempre più complessi e potenti comporta un aumento esponenziale del fabbisogno energetico e della capacità di calcolo.

Secondo recenti stime pubblicate da Nature (2024), l’addestramento di reti neurali di grandi dimensioni può richiedere consumi elettrici paragonabili a quelli di intere città di medie dimensioni, ponendo un limite alla sostenibilità delle attuali infrastrutture digitali.

Per superare questi vincoli, la comunità scientifica sta esplorando approcci alternativi al calcolo tradizionale. Tra le soluzioni più promettenti si collocano le Physical Neural Networks (Pnn, reti neurali fisiche): sistemi che sfruttano direttamente le leggi della fisica – per esempio la propagazione della luce o fenomeni quantistici – per eseguire operazioni di calcolo.

A differenza dei processori digitali convenzionali, che traducono tutto in sequenze di 0 e 1, le reti neurali fisiche operano in modo analogico, adattando i meccanismi di elaborazione alla natura stessa dei fenomeni fisici coinvolti.

Reti neurali fisiche, nuova frontiera dell’intelligenza artificiale sostenibile

Un contributo significativo allo sviluppo di queste tecnologie è stato pubblicato sulla rivista Nature nello studio Training of Physical Neural Networks, risultato della collaborazione tra varie istituzioni accademiche – Politecnico di Milano, École Polytechnique Fédérale di Losanna, Stanford University, University of Cambridge, Max Planck Institute.

Tra gli autori compare Francesco Morichetti, docente presso il Dipartimento di Elettronica, Informazione e Bioingegneria (Deib) del Politecnico di Milano e responsabile del Photonic Devices Lab, che ha coordinato lo sviluppo di microchip fotonici destinati a tali reti.

“Eliminando le operazioni richieste per la digitalizzazione dell’informazione – spiega Morichetti – i nostri chip fotonici consentono di svolgere calcoli con una significativa riduzione sia dei consumi energetici che dei tempi di elaborazione. Un passo in avanti per rendere l’intelligenza artificiale (che si appoggia su data center estremamente energivori) più sostenibile“.

Nello studio si affronta il tema dell’addestramento, cioè la fase in cui la rete impara a svolgere determinati compiti. La ricerca del consorzio universitario ha contribuito a mettere a punto una tecnica di addestramento in-situ per le reti neurali fotoniche, cioè senza passare attraverso modelli digitali.

La procedura messa a punto viene eseguita interamente utilizzando segnali luminosi e in questo modo l’addestramento della rete è non solo più veloce, ma anche più robusto ed efficiente, spiegano i ricercatori.

I chip fotonici sviluppati dall’ateneo milanese sfruttano l’interferenza della luce all’interno di circuiti integrati in silicio di pochi millimetri quadrati per realizzare operazioni matematiche fondamentali, come somme e moltiplicazioni.

Questa tecnologia promette di ridurre drasticamente i consumi energetici e la latenza del calcolo, offrendo prestazioni non raggiungibili con l’elettronica tradizionale.

Un nodo cruciale rimane però l’addestramento delle reti neurali fisiche, cioè la fase in cui il sistema apprende a svolgere compiti specifici.

Le tecniche attualmente in uso, come il backpropagation – algoritmo cardine del deep learning – non sono direttamente trasferibili ai sistemi fisici. Per questo, i ricercatori stanno esplorando approcci alternativi, sia basati che indipendenti dal backpropagation, ciascuno con vantaggi e limiti.

Se finora nessun metodo ha dimostrato la stessa scalabilità degli algoritmi digitali, la rapida evoluzione del settore lascia intravedere scenari applicativi concreti.

Tra le possibili applicazioni emergono i dispositivi di edge computing, cioè quei sistemi in grado di elaborare dati direttamente sul posto senza ricorrere a infrastrutture remote.

Auto a guida autonoma, sensori ambientali e dispositivi indossabili intelligenti potrebbero trarre beneficio da reti neurali fisiche integrate su chip fotonici, capaci di garantire elaborazioni locali, private e in tempo reale.

Questa prospettiva non riguarda soltanto la riduzione dei consumi, ma anche la ridefinizione dei paradigmi stessi dell’intelligenza artificiale.

Come sottolineano gli autori dello studio, la chiave non è replicare i modelli digitali su hardware fisico, ma ripensare il modo in cui i modelli vengono concepiti, progettati e addestrati, tenendo conto delle proprietà intrinseche della fisica che li governa.

La ricerca avviata al Politecnico di Milano e negli altri centri partner apre dunque una nuova fase: quella in cui la fotonica, disciplina storicamente legata alle telecomunicazioni, entra nel cuore dell’intelligenza artificiale, trasformando un vincolo tecnologico in opportunità di sostenibilità e innovazione.

L'articolo Chip fotonici e reti neurali fisiche: l’intelligenza artificiale guarda oltre il silicio è stato pubblicato su GreenPlanner Magazine.