Originariamente sviluppate per le simulazioni cerebrali, le architetture hardware neuromorfiche sono oggigiorno sempre più attraenti in aree come i dispositivi IoT on-edge e la robotica, dove il ridotto consumo di energia è tra i principali requisiti. Inoltre, essendo adatte per una migliore scalabilità rispetto alle tradizionali architetture multi-core, le piattaforme neuromorfiche possono essere interessanti in applicazioni di calcolo ad alte prestazioni e domini in cui sono richiesti un elevato parallelismo e un calcolo sparso ed efficiente. La caratteristica intrinseca di essere ispirato al cervello, rende quindi la computazione neuromorfica particolarmente adatta per attività in tempo reale da eseguire con un consumo energetico ridotto. Soprattutto utilizzando reti neurali di tipo “spiking”, la sparsità si traduce in significative riduzioni dello sforzo di calcolo grazie all'emulazione del modo in cui il cervello elabora le informazioni: gli “spike”, o impulsi, sono prodotti come eventi discreti nel tempo e la computazione avviene solo sulla base di specifici eventi. Il basso consumo energetico, l'elevato parallelismo e le capacità di calcolo in tempo reale dei processori neuromorfici possono consentire loro di fornire un'elaborazione efficiente di grandi moli di dati direttamente su dispositivi on-edge, riducendo la necessità di trasferire dati a server energivori nel cloud. Di conseguenza, il paradigma di calcolo neuromorfico viene studiato e impiegato in un'ampia gamma di domini. Sono stati proposti metodi per la soluzione di Constraint Satisfaction Problem e sistemi di analisi del segnale in tempo reale come rilevatori di eventi burst basati su Neuromorphic Auditory Sensors e classificatori di battito cardiaco che analizzano segnali di ECG per l'identificazione di difetti cardiaci. Inoltre, l'elaborazione e la classificazione di vari segnali biometrici registrati attraverso dispositivi indossabili, il pattern matching, il riconoscimento e l’apprendimento dei gesti della mano, i controller robotici, la localizzazione e mappatura simultanee, l’adattamento della forma d'onda a radiofrequenza per ambienti rumorosi e il riconoscimento facciale su dispositivi on-edge sono stati dimostrati come esempi di possibili applicazioni di approcci neuromorfici. Il corso si propone di presentare i principali concetti della computazione neuromorfica e dell'ingegneria neuromorfica, oltre a fornire agli studenti esempi di strumenti hardware e software già disponibili nei campi della Ricerca e dell'Industria.

Per fruire del corso è richiesta una conoscenza minima nei seguenti campi: - Computer programming - Computer architecture - Machine learning - Signal processing - Data science

- Introduction: Neuromorphic Engineering or “Why get inspired by the brain?” - Computing with Spiking Neurons: general concepts - Neuromorphic vs von Neumann computing + Algorithms + Architecture + Encoding + Devices + Sensing - Neuromorphic Applications - Future trends and challenges - Neuromorphic Lab L'esame finale consiste in una presentazione dello studente che mostra come una o più delle tecniche introdotte nel corso/laboratorio possono essere applicate alla propria ricerca. Il corso sarà in lingua inglese.

In presenza

Presentazione orale

P.D.2-2 - Aprile