Riepilogo Tecnico: Reti Memristive Dendritiche Adattive di tipo Cerebrale

Problematica

Gli attuali sistemi di intelligenza artificiale si affidano ad algoritmi di apprendimento che adattano i pesi delle connessioni all'interno di architetture hardware a topologia fissa. Questo approccio scinde il processo di apprendimento dall'evoluzione fisica del substrato computazionale, impedendo all'esperienza di rimodellare direttamente l'architettura computazionale. Sebbene i dispositivi memristivi siano stati utilizzati come acceleratori hardware per reti neurali profonde (ad esempio, tramite moltiplicazione matrice-vettore in memoria), essi operano tipicamente all'interno di topologie rigide e pre-fabbricate. Anche le reti memristive auto-organizzanti utilizzate generalmente nel calcolo a serbatoio (reservoir computing) fisico mantengono una connettività fissa, con l'apprendimento che avviene esternamente attraverso i pesi di lettura piuttosto che attraverso l'adattamento fisico della struttura della rete stessa. Esiste una mancanza di architetture hardware che codifichino fisicamente l'esperienza attraverso la co-evoluzione della morfologia e della connettività funzionale all'interno del substrato computazionale.

Metodologia

Gli autori presentano una rete morfologicamente adattiva e auto-organizzante basata su dendriti elettrochimici che interagiscono dinamicamente. Il sistema utilizza una cella elettrochimica composta da elettrodi di Oro (Au) che fungono da terminali neuronali e un elettrolita biocompatibile di Nitrato d'Argento (AgNO3) in Dimetilsolfossido (DMSO).

Meccanismi Core:

1. Plasticità Strutturale (Morfogenesi): Il sistema imita la morfogenesi sinaptica e la crescita assonale. Impulsi di tensione temporalmente correlati (impulsi bipolari) applicati tra i terminali guidano reazioni di semicella competitive: riduzione ($Ag^+ + e^- \rightarrow Ag$) sull'elettrodo con potenziale negativo e ossidazione ($Ag \rightarrow Ag^+ + e^-$) sull'elettrodo con potenziale positivo. Ciò risulta nella crescita netta di rami dendritici metallici che possono connettere strutturalmente i terminali, formando giunzioni elettriche (sinapsi). La dinamica di crescita è regolabile tra comportamenti isotropi (tipo dendritico) e direzionali (tipo assonale) regolando i parametri di stimolazione (ampiezza dell'impulso, intervallo tra gli impulsi) e la concentrazione dell'elettrolita.
2. Plasticità Funzionale (Dinamiche Memristive): Una volta formati, i collegamenti dendritici esibiscono un comportamento memristivo. Essi mostrano uno switching resistivo bipolare (SET/RESET) tipico delle celle di metallizzazione elettrochimica (ECM), dove i filamenti conduttivi si assottigliano/si interrompono o si formano/si rinforzano in base alla tensione applicata. Il sistema supporta stati di memoria sia volatili (a breve termine) che non volatili (a lungo termine), a seconda della storia della stimolazione e delle condizioni operative.
3. Modellazione: È stato sviluppato un modello stocastico fisico-basato in due dimensioni per simulare il sistema. Esso integra il potenziale elettrico locale all'interfaccia metallo-elettrolita con il trasporto di diffusione ionica nell'elettrolita, tenendo conto degli effetti capacitivi del doppio strato elettrico. Il modello utilizza uno schema di reazione-diffusione con splitting degli operatori per catturare l'interazione tra la crescita limitata dalla diffusione e la crescita direzionale guidata dal potenziale.

Configurazione Sperimentale:

• Fabbricazione: Celle a due terminali sono state fabbricate su wafer di Si con elettrodi di Au; i sistemi multi-terminale hanno utilizzato array di microelettrodi (MEA) commerciali con pin di Au modellati.
• Stimolazione: La stimolazione sincrona e l'acquisizione sono state eseguite utilizzando una scheda di misurazione ArcTWO con 64 unità di misura della sorgente (SMU) in parallelo.
• Lettura: Le matrici di conduttanza sono state acquisite applicando tensioni di lettura a bassa ampiezza (50 mV) alle coppie di terminali mantenendo gli altri in stato flottante.

Contributi Chiave e Risultati

1. Co-evoluzione di Struttura e Funzione

Lo studio dimostra che la connettività strutturale (il diagramma di cablaggio fisico) e la connettività funzionale (i pesi sinaptici) co-evolvono in risposta alla stimolazione esterna. Il sistema incorpora i pattern di input spazio-temporali direttamente nella propria morfologia fisica.

• Risultato: Le reti multi-terminale evolvono strutturalmente per formare connessioni tra i terminali con attività spazio-temporalmente correlata, riducendo efficacemente la distanza topologica tra i nodi co-attivati.

2. Implementazione di Paradigmi di Apprendimento Associativo

Il sistema implementa i principi dell'apprendimento associativo biologico direttamente nella materia (in materia):

• Condizionamento Classico (Pavloviano): Il sistema è stato configurato per mimare il cane di Pavlov. Una connessione a alta conduttanza pre-programmata rappresentava lo stimolo incondizionato (cibo) rispetto alla risposta (salivazione). Sincronizzando la stimolazione di uno stimolo neutro (campana) con lo stimolo incondizionato, la rete ha fatto crescere una nuova connessione dendritica che collegava i terminali "campana" e "salivazione". Post-condizionamento, lo stimolo della "campana" da solo ha innescato la corrente di risposta, dimostrando la formazione di un'associazione condizionata.
• Condizionamento Operante (Skinneriano): Il sistema ha replicato i compiti del piccione che becca e del ratto punito di Skinner.
  • Beccata del Piccione: Gli input premianti hanno aumentato la conduttanza (frequenza di beccata). Durante l'estinzione (assenza di premio), la conduttanza è diminuita, ma la topologia dendritica sottostante è rimasta ampiamente intatta ("risparmio/savings"). Il ricondizionamento ha ripristinato e potenziato rapidamente la conduttanza, più velocemente del condizionamento iniziale.
  • Punizione del Ratto: Sono stati somministrati stimoli di punizione (impulsi negativi più brevi), che hanno infine interrotto la connessione elettrica. Tuttavia, non sono state osservate variazioni significative nella topologia dendritica, mantenendo l'informazione appresa all'interno della struttura dendritica. Il ricondizionamento ha mostrato nuovamente un rapido recupero e potenziamento, confermando che la "memoria" non era stata cancellata ma strutturalmente preservata nonostante l'interruzione funzionale della connessione.

3. Risoluzione di Problemi di Ottimizzazione (Selezione del Percorso)

Gli autori hanno dimostrato la capacità del sistema di risolvere un problema di ottimizzazione della pianificazione di un percorso rilevante per la navigazione robotica.

• Metodo: Una mappa del terreno con costi di percorrenza variabili (es. sabbia, rocce) è stata mappata in un protocollo di stimolazione spazio-temporale. Gli elettrodi rappresentavano regioni del terreno e le ampiezze di tensione codificavano la difficoltà di percorrenza.
• Risultato: Il processo di crescita dendritica ha agito come un elemento di sparsificazione fisica, rinforzando le rotte conduttive a basso costo e sopprimendo le regioni ad alto costo. La sottorete conduttiva risultante incarnava il percorso ottimale.
• Performance: Utilizzando l'algoritmo di Dijkstra sulla matrice di conduttanza estratta, il sistema ha raggiunto una sovrapposizione media ponderata per il successo dell'85% con il percorso ottimale reale su 25 prove indipendenti.

Significato e Rivendicazioni

L'articolo sostiene di aver stabilito una via verso l'intelligenza incarnata al livello della materia. Unendo l'elaborazione delle informazioni, l'apprendimento e la codifica della memoria con materiali adattivi e dinamiche di rete fisica, il lavoro dimostra che:

1. L'Apprendimento è Fisico: L'apprendimento non è meramente l'ottimizzazione di parametri in un grafo fisso, ma l'incarnazione fisica dell'esperienza attraverso la co-evoluzione di struttura e connettività funzionale.
2. Calcolo In-Materia: Il calcolo emerge intrinsecamente dall'auto-organizzazione del materiale, dove l'informazione modella attivamente la struttura computazionale attraverso cui viene elaborata.
3. Fedeltà Biologica: Il sistema riproduce con successo complessi fenomeni di apprendimento biologico, inclusi il condizionamento classico e operante, il risparmio (savings) e il rapido ricondizionamento, utilizzando meccanismi elettrochimici che emulano la morfogenesi e la plasticità sinaptica.
4. Ottimizzazione tramite Morfologia: La natura gerarchica e frattale delle strutture dendritiche facilita un equilibrio tra segregazione e integrazione delle informazioni, consentendo al sistema fisico di risolvere problemi di ottimità combinatoria (come la ricerca di percorsi) trasformando i vincoli del grafo in percorsi conduttivi fisici.

Gli autori posizionano questo lavoro come un distacco dall'hardware fabbricato top-down, proponendo un approccio bottom-up in cui l'architettura computazionale stessa si adatta durante l'apprendimento, offrendo una potenziale via per un hardware adattivo di prossima generazione che integra elaborazione, memoria e apprendimento all'interno di un unico sistema fisico.