E se il rumore elettronico diventasse parte del calcolo dell'AI?

Per una volta il rumore non è il problema, è la soluzione

Chiunque abbia progettato anche soltanto un semplice amplificatore sa che una parte considerevole del lavoro consiste nel combattere qualche cosa che non vorremmo vedere sul segnale, il RUMORE, lo misuriamo, cerchiamo di capire da dove arriva, filtriamo l'alimentazione, scegliamo componenti con caratteristiche migliori, studiamo il layout, aumentiamo il rapporto segnale-rumore e facciamo praticamente di tutto per eliminarlo, ma un gruppo del Korea Advanced Institute of Science and Technology, il KAIST, ha appena dimostrato che almeno in una particolare classe di circuiti destinati all'intelligenza artificiale potrebbe essere necessario fare esattamente il contrario: prendere il rumore generato spontaneamente da un componente elettronico, controllarlo e UTILIZZARLO PER CALCOLARE. Il lavoro è stato pubblicato nell'agosto 2026 su Advanced Materials con un titolo che dice già praticamente tutto, Noise-Tunable Memristor Enabling Programmable Probabilistic Neurons for Frequency-Selective Time-Series Signal Encoding, ed il componente al centro dell'esperimento è un memristor Ru/TaOx/Pt la cui instabilità elettrica non viene considerata un difetto da correggere ma una caratteristica funzionale da programmare.

Un componente che ricorda e contemporaneamente produce casualità

Il memristor è già di per sé un oggetto piuttosto particolare perché il suo stato resistivo dipende dalla storia elettrica del dispositivo e può quindi conservare informazione, ma i dispositivi reali hanno anche qualcosa che per anni è stato considerato fastidioso, cioè fluttuazioni della corrente che cambiano in funzione dello stato resistivo, in altre parole quando si programma il memristor su resistenze differenti non cambia soltanto la corrente media ma cambia anche la quantità e il comportamento del rumore che vi è sovrapposto. Il gruppo guidato dal professor Kyung Min Kim ha sfruttato proprio questa relazione costruendo quello che definisce un programmable probabilistic neuron, PPN, un neurone artificiale nel quale il rumore del dispositivo modifica probabilisticamente la generazione degli spike e nel quale questa probabilità può essere regolata semplicemente programmando lo stato resistivo del memristor. È un rovesciamento concettuale notevole perché non si tratta di tollerare un componente imperfetto facendo poi correggere gli errori al software, si programma direttamente QUANTO QUEL COMPONENTE DEVE ESSERE RUMOROSO e si utilizza il risultato per elaborare informazione.

Perché assomiglia più ad un neurone biologico di quanto sembri

L'idea nasce osservando che il cervello non è affatto la macchina deterministica e perfettamente ripetibile che normalmente cerchiamo di costruire con l'elettronica digitale, i canali ionici delle membrane neuronali hanno comportamenti stocastici e quindi due stimoli identici non producono necessariamente due risposte microscopicamente identiche, quella variabilità partecipa al modo in cui il sistema nervoso codifica e discrimina l'informazione. Nel dispositivo del KAIST succede qualcosa di concettualmente simile, il rumore di corrente viene trasformato in una probabilità di generazione degli spike e modificando la resistenza del memristor si sposta la finestra di frequenze alla quale il neurone artificiale risponde maggiormente, quindi lo stesso hardware può essere configurato per osservare fenomeni molto lenti oppure segnali che cambiano migliaia di volte più rapidamente senza dover costruire due differenti catene di elaborazione dedicate.

Dallo 0,4 Hz agli 8 kHz cambiando il comportamento dello stesso neurone

Ed è probabilmente questo il dato che rende l'esperimento particolarmente interessante dal punto di vista della progettazione elettronica applicata all'AI, il gruppo ha utilizzato la stessa architettura per elaborare due categorie di dati poste su scale temporali completamente differenti, da una parte segnali relativi all'attività umana compresi indicativamente fra 0,4 e 25 Hz, dall'altra dati audio che arrivano fino a circa 8 kHz. Programmando opportunamente lo stato del memristor cambia il rapporto fra corrente media e fluttuazioni, cambia la probabilità con la quale vengono prodotti gli spike e di conseguenza cambia la banda temporale che il neurone riesce a codificare in maniera efficace; il sistema ha raggiunto il 94,8% di accuratezza nel riconoscimento delle attività umane e circa il 95% nel riconoscimento vocale, due risultati ottenuti sfruttando deliberatamente una proprietà che in un normale progetto analogico sarebbe probabilmente finita nella colonna dei problemi da risolvere.

Questo è hardware che comincia a fare il lavoro del software

La questione diventa ancora più importante se pensiamo a dove oggi viene eseguita l'intelligenza artificiale, perché gran parte dei sistemi utilizza sensori che producono dati, convertitori che li trasformano, memoria che li conserva e processori che li spostano avanti e indietro per eseguire algoritmi sempre più complessi, consumando energia non soltanto per il calcolo ma anche per tutta questa movimentazione dell'informazione. Un neurone probabilistico basato su memristor può invece effettuare già a livello fisico una parte della selezione e della codifica temporale del segnale, quindi un sensore indossabile potrebbe essere configurato per rispondere ai movimenti del corpo, mentre un altro sistema potrebbe utilizzare la stessa struttura elementare per trattare la voce o altri segnali molto più rapidi. Non significa naturalmente che domani sostituiremo una GPU con un memristor, significa qualcosa di forse più interessante per chi progetta elettronica: alcune operazioni che oggi consideriamo necessariamente algoritmiche potrebbero essere trasferite direttamente NEL COMPORTAMENTO FISICO DEL COMPONENTE.

La cosa più strana è che per farlo bisogna smettere di pretendere componenti perfetti

Per decenni l'elettronica digitale ha conquistato il mondo proprio rendendo irrilevanti moltissime imperfezioni analogiche, uno zero deve essere uno zero, un uno deve essere un uno ed il margine di rumore serve precisamente ad impedire che ciò che accade in mezzo possa interessarci troppo, il neuromorfico sta invece esplorando la strada opposta e questo esperimento ne è probabilmente uno degli esempi più spettacolari: non soltanto accettare la natura analogica, variabile e statisticamente imprevedibile di un dispositivo nanometrico ma costruire la funzione computazionale PROPRIO ATTORNO A QUELLA IMPERFEZIONE. Se questo principio riuscirà a essere portato in array sufficientemente grandi, affidabili e producibili su scala industriale potrebbe diventare particolarmente interessante per Edge AI, wearable, robotica, sensori intelligenti e tutti quei sistemi nei quali non possiamo permetterci di inviare continuamente grandi quantità di dati ad un processore molto più potente. Per una volta quindi il progettista non deve chiedersi come eliminare il rumore dal componente, ma esattamente quanto rumore vuole che quel componente produca.