Monostrato di MoS₂: leva strategica per reti neurali spiking ad alta efficienza nella machine vision

L’uso di spiking neural networks (SNN) basate su materiali fotoattivi come il monostrato di MoS₂ offre nuove prospettive per la machine vision, garantendo efficienza energetica e modalità di calcolo ispirate ai neuroni biologici. Queste reti sono ideali per applicazioni che spaziano dal riconoscimento di immagini statiche alla rilevazione di gesti e all’integrazione con AI generativa e modelli linguistici.

Perché il monostrato di MoS₂ abilita reti neurali a impulsi efficienti

A differenza delle architetture tradizionali, dove memoria e calcolo sono separati, le SNN basate su MoS₂ fondono acquisizione ottica e processing: i neuroni fisici replicano la dinamica “Leaky Integrate-and-Fire” (LIF), accumulando carica finché la soglia non è superata e rilasciando un impulso. Questo meccanismo, tipico dei sistemi biologici, consente di processare solo i cambiamenti di scena, riducendo il consumo energetico.

Input statici e dinamici: il monostrato di MoS₂ nella machine vision

In ambito machine vision, le SNN gestiscono sia immagini statiche (come il dataset CIFAR10) sia flussi dinamici (es. gesti della mano rilevati da telecamere event-based). Nei compiti statici, la frequenza degli spike rappresenta l’intensità del pixel; per eventi dinamici, ogni variazione di luce innesca uno spike. Questo approccio consente una notevole efficienza computazionale, dato che l’elaborazione avviene solo in risposta a variazioni significative.

Proprietà fotoelettroniche e funzionamento del neurone LIF su MoS₂

Il monostrato di MoS₂, con spessore atomico e bandgap di 1,86 eV, si rivela particolarmente reattivo alla luce visibile. Quando illuminato, genera una fotocorrente che cresce e decresce esponenzialmente, simulando la carica e la perdita di potenziale del neurone biologico. Un impulso negativo sul gate permette il reset immediato, riportando la corrente allo stato iniziale: esattamente ciò che serve per realizzare un LIF fisico affidabile. Un esempio pratico: con una sorgente LED a 455 nm e 3 mW/cm², i tempi di salita e decadimento risultano rispettivamente circa 207 ms e 267 ms.

Validazione sperimentale e risultati

Testando neuroni LIF basati su MoS₂ su dataset statici (CIFAR10) si ottiene un’accuratezza del 75% dopo 15 epoche di addestramento, segno di rapido apprendimento. Su dataset dinamici come DVS128 Gesture, le SNN raggiungono l’80% di accuratezza dopo 60 epoche, dimostrando coerenza nella gestione di eventi continui. I parametri di carica e scarica, leggermente variabili, non compromettono le prestazioni, e il reset rapido via gate assicura tempi di risposta ottimali.

Applicazioni industriali e vantaggi

L’integrazione di neuroni LIF in MoS₂ nei processi industriali consente di realizzare sistemi di visione efficienti, con bassa latenza e consumi ridotti. In ambito manifatturiero o sicurezza, la rapidità di reazione e la capacità di integrare rilevazione e calcolo in un solo componente rappresentano un importante passo avanti. Inoltre, la possibilità di collegare queste reti con AI generativa amplia gli scenari applicativi: dalla generazione automatica di report al controllo qualità predittivo.