Research database

Le Reti Neurali ad Impulsi (Spiking Neural Networks - SNNs) si ispirano ai meccanismi cognitivi biologici che hanno luogo nel cervello umano, dove gruppo di neuroni generano collettivamente sequenze di impulsi in risposta agli stimoli provenienti dal sistema sensoriale. Eventi comandati da impulsi (analogamente ai processi di elaborazione dell'informazione del cervello umano) e architetture SNN offrono l'opportunita` di sviluppare sistemi di calcolo con neuroni e sinapsi aventi una capacita` di calcolo superiore a quella degli attuali sistemi neurali con algoritmi di "deep learning". Allo stato dell'arte ci sono due problemi principali che devono essere affrontati al fine di utilizzare le architetture SNNs nei sistemi di calcolo neuromofico. Prima di tutto, il noto algoritmo di "back-propagation" non puo` essere applicato a SNNs in quanto le funzioni di attivazione che definiscono le sinapsi non sono differenziabili. Secondo, le implementazioni in tecnologia CMOS dei neuroni non sono adeguate per descrivere i neuroni biologici e il comportamento delle sinapsi (ad esempio auto-oscillazioni, plasticita` sinaptica non lineare, ...). Al fine di risolvere questi due problemi fondamentali, questo progetto propone di sviluppare nuove architetture e algoritmi di addestramento per reti neurali a impulsi con memristor (Memristor SNNs - MSNNs). I due elementi fondamentali alla base delle MSNNs sono: (a) neuroni descritti da oscillatori non lineari con memristor; (b) sinapsi realizzate da una struttura a matrice (crossbar) di memristor. L'obiettivo finale del progetto e l'uso di MSNNs in un sistema di visione neuromorfico, dove l'informazione da elaborare corrisponde ad un flusso di immagini codificate come una serie di eventi asincroni in modo da ottimizzare l'efficienza energetica e migliorare la risoluzione temporale degli attuali sistemi per la visione artificiale basati sulla scomposizione dell'informazione in immagini statiche (frames).