AS2_2025

Automazione e Strumentazione Marzo 2025 Approfondimenti 31 INDAGINE logico-algebrico interconnessi, che elaborano informazioni cercando di emulare il comporta- mento dei neuroni biologici. Per supportare l’e- laborazione intensiva richiesta dalle reti neurali artificiali, sono stati sviluppati chip specializ- zati in operazioni algebriche particolari e noti come acceleratori di intelligenza artificiale (AI accelerators) o unità di elaborazione neurale. I semiconduttori specializzati devono gestire grandi quantità di calcoli e, per capire che genere di calcoli, è necessario partire dagli elementi algebrici fondamentali, essenziali per i modelli più semplici di neurone artificiale, come il prodotto vettore-matrice . In pratica, il vettore con i valori in entrata viene moltiplicato per una matrice composta da parametri stabi- liti attraverso il modello e le fasi di apprendi- mento, ottenendo il vettore contenente i dati in uscita. Banalizzando ulteriormente, per capire il lessico dei neuroni artificiali, quando con molteplici vettori si può comporre una matrice, si ottiene un prodotto tra matrici , e quando le matrici si sviluppano in tre dimensioni o più, cioè con tre o più indici per ogni elemento, si parla di tensore . Per le reti neurali e per i chip destinati a suppor- tarle, un’altra operazione importante è quella della convoluzione . Si tratta di un’operazione che combina due funzioni per produrre una terza funzione. L’esempio più semplice e diffuso è quello di applicare un filtro a un’immagine. In termini di rete neurale, si può rappresentare la convoluzione come l’applicazione di un filtro (o kernel) a una matrice di dati , che può essere rappresentata dai pixel che compongono un’im- magine, per estrarre caratteristiche specifiche. Il filtro è a sua volta una matrice di numeri che viene applicata o ‘convoluta’ sull’imma- gine, eseguendo operazioni di moltiplicazione e somma tra gli elementi, ma con regole specifi- che e diverse dal prodotto matrice-matrice. Le convoluzioni possono essere utilizzate in vari campi, a partire dalla visione artificiale, per il riconoscimento di oggetti, la rilevazione dei bordi e la classificazione di parti di imma- gine. Un’altra importante applicazione della convoluzione è nell’elaborazione del linguaggio naturale, per l’analisi delle sequenze di testo e la rilevazione di pattern. Gli algoritmi di con- voluzione sono impiegati anche per il riconosci- mento di suoni complessi e i filtri del rumore. Tipi di chip per reti neurali Praticamente tutti i chip per reti neurali sono progettati per eseguire operazioni matematiche multiple in parallelo, come le moltiplicazioni di matrici e le convoluzioni che, ma possono essere specializzati in operazioni, funzioni o funzionalità particolari. Questi chip utilizzano architetture altamente parallele per eseguire più operazioni simultaneamente, riducendo il tempo di elaborazione e aumentando l’efficienza, e spesso sono appositamente progettati per essere integrati in architetture modulari e scalabili. I Per supportare efficacemente le reti neurali artificiali, i nuovi chip sono ottimizzati per svolgere particolari operazioni algebriche come calcoli matriciali, tensoriali e convoluzione