Chip AI analogici: come il calcolo direttamente nella memoria riduce il consumo energetico delle reti neurali
L’intelligenza artificiale richiede risorse di calcolo sempre maggiori e l’elettricità necessaria per far funzionare le reti neurali rappresenta una preoccupazione crescente. I processori tradizionali consumano una quantità considerevole di energia per trasferire le informazioni tra la memoria e le unità di elaborazione, soprattutto quando gestiscono modelli contenenti milioni o miliardi di parametri. I chip AI analogici propongono un approccio diverso: eseguono i calcoli direttamente all’interno dei circuiti di memoria, riducendo i trasferimenti di dati non necessari. Questa tecnica, nota come calcolo analogico in memoria (analogue in-memory computing), potrebbe rendere i sistemi di intelligenza artificiale più veloci ed efficienti dal punto di vista energetico. Le ricerche pubblicate tra il 2023 e il 2026 ne hanno dimostrato il potenziale nel riconoscimento vocale, nell’elaborazione del linguaggio e in altre applicazioni delle reti neurali. Tuttavia, trasformare risultati promettenti ottenuti in laboratorio in componenti hardware affidabili e ampiamente disponibili rimane una sfida ingegneristica significativa.
Come i chip AI analogici cambiano il funzionamento delle reti neurali
La maggior parte dei moderni sistemi di intelligenza artificiale utilizza processori digitali, comprese le unità di elaborazione grafica (GPU), per eseguire enormi quantità di operazioni matematiche. Questi processori sono particolarmente efficaci nell’eseguire simultaneamente calcoli complessi, ma devono comunque accedere alle informazioni conservate nella memoria. Ogni volta che una rete neurale analizza un’immagine, riconosce un comando vocale o genera un testo, il processore recupera ripetutamente i parametri del modello ed elabora i dati in ingresso. Lo spostamento di queste informazioni richiede elettricità e tempo. Con l’aumentare delle dimensioni delle reti neurali, il costo energetico del trasferimento dei dati può rappresentare una parte considerevole del consumo complessivo, anche quando i calcoli stessi vengono eseguiti con grande efficienza.
I chip AI analogici affrontano questo problema avvicinando fisicamente l’elaborazione e l’archiviazione dei dati. Invece di trasferire continuamente valori numerici a un’unità di calcolo separata, speciali circuiti di memoria partecipano direttamente alle operazioni matematiche. Proprietà elettriche come tensione, corrente e conduttanza rappresentano le informazioni e contribuiscono all’esecuzione dei calcoli. Questo non significa abbandonare completamente l’elaborazione digitale. La maggior parte delle soluzioni pratiche combina matrici di memoria analogiche con circuiti digitali incaricati di controllare le operazioni, elaborare i risultati e comunicare con gli altri componenti. L’obiettivo principale consiste nel ridurre l’energia impiegata per spostare i dati, mantenendo al tempo stesso la precisione necessaria alle applicazioni concrete dell’intelligenza artificiale.
Questo approccio è particolarmente adatto alle reti neurali perché molte delle loro operazioni consistono nel moltiplicare numeri e sommare i risultati. Tali calcoli determinano quanto le diverse informazioni influenzino il risultato prodotto da un modello. L’hardware tradizionale li esegue attraverso sequenze di istruzioni digitali, mentre una matrice di memoria analogica può svolgere simultaneamente numerose operazioni correlate sfruttando il comportamento dei propri circuiti elettrici. Di conseguenza, il chip può elaborare determinati carichi di lavoro dell’intelligenza artificiale con un numero inferiore di passaggi di calcolo convenzionali. Il miglioramento dipende dal tipo di rete neurale, dalla tecnologia di memoria e dai circuiti di supporto. L’elaborazione analogica deve quindi essere considerata un metodo specializzato, non un sostituto universale dei processori esistenti.
Perché eseguire i calcoli nella memoria permette di risparmiare elettricità
Per comprendere il risparmio energetico, consideriamo una rete neurale che riconosce un comando vocale. Le sue connessioni interne contengono valori numerici chiamati pesi, che determinano il modo in cui la rete reagisce ai diversi schemi sonori. Un processore convenzionale deve accedere ripetutamente a questi valori durante l’analisi dell’audio in ingresso. Un chip analogico con calcolo in memoria conserva invece i pesi all’interno di circuiti che eseguono anche le operazioni necessarie. I segnali in ingresso interagiscono con i valori memorizzati, producendo risultati sotto forma di segnali elettrici. Poiché i pesi non devono essere trasferiti continuamente tra unità di memoria e di calcolo separate per ogni operazione, il sistema può ridurre sia il movimento dei dati sia il relativo consumo energetico.
Una delle architetture più studiate utilizza una matrice a punti d’incrocio, chiamata crossbar array, costituita da una rete di connessioni elettriche intersecate che contengono dispositivi di memoria. Ogni dispositivo può rappresentare il peso di una rete neurale attraverso la propria conduttanza elettrica, che descrive la facilità con cui la corrente lo attraversa. Quando vengono applicate tensioni in ingresso, le correnti che attraversano la matrice corrispondono a prodotti matematici, mentre la loro combinazione rappresenta naturalmente la somma dei risultati. Questo comportamento consente all’hardware di eseguire la moltiplicazione matrice-vettore, un’operazione fondamentale nelle reti neurali. Sebbene il fenomeno fisico coinvolga resistenza elettrica e corrente, il principio è semplice: il comportamento fisico del circuito di memoria esegue una parte delle operazioni matematiche che i processori digitali dovrebbero altrimenti calcolare separatamente.
Il risparmio energetico, tuttavia, non è automatico. I chip analogici richiedono comunque circuiti che preparano i segnali in ingresso, convertono i risultati elettrici in valori digitali e coordinano le informazioni tra le diverse matrici di memoria. Questi componenti di supporto consumano elettricità e il loro contributo può diventare significativo quando un modello richiede conversioni frequenti o ulteriori elaborazioni. Gli ingegneri valutano quindi il chip completo, non soltanto la matrice di memoria. Un confronto attendibile deve inoltre considerare precisione, velocità di elaborazione e quantità di lavoro svolto. Un circuito analogico capace di eseguire singole operazioni con grande efficienza potrebbe offrire un vantaggio più contenuto quando nel calcolo vengono inclusi anche i consumi dell’elettronica di supporto e le esigenze di comunicazione.
Tecnologie di memoria e risultati della ricerca sull’intelligenza artificiale analogica
Diverse tecnologie di memoria sono attualmente oggetto di studio per il calcolo analogico applicato all’intelligenza artificiale, ciascuna con un diverso equilibrio tra efficienza, precisione e complessità produttiva. La memoria a cambiamento di fase, o phase-change memory, è uno degli approcci maggiormente sperimentati. Utilizza materiali la cui resistenza elettrica cambia quando la loro struttura interna viene modificata mediante impulsi elettrici attentamente controllati. Queste variazioni permettono ai singoli dispositivi di memoria di rappresentare i pesi numerici utilizzati dalle reti neurali. I valori memorizzati possono rimanere disponibili senza un’alimentazione elettrica continua, rendendo la memoria a cambiamento di fase interessante per determinate soluzioni a basso consumo. Tuttavia, programmare questi valori con precisione e mantenerli stabili nel tempo richiede un’attenta progettazione.
La memoria resistiva, spesso associata ai memristori, rappresenta un’altra possibilità. Questi dispositivi possono modificare la propria resistenza in base ai segnali elettrici applicati in precedenza, consentendo loro sia di conservare informazioni sia di partecipare ai calcoli. I ricercatori stanno inoltre studiando circuiti basati sulla memoria statica ad accesso casuale (SRAM), sull’accumulo di carica elettrica e su combinazioni di diverse tecnologie di memoria. La SRAM è già ampiamente utilizzata nei processori convenzionali, ma l’esecuzione di operazioni analogiche al suo interno comporta compromessi progettuali differenti. Alcune memorie non volatili emergenti permettono un’archiviazione compatta, mentre la SRAM può offrire un comportamento digitale prevedibile. La scelta della tecnologia più adatta dipende dalla precisione richiesta, dai processi produttivi disponibili, dalle condizioni operative e dal tipo di rete neurale da accelerare.
È importante sottolineare che la memoria analogica non deve necessariamente rappresentare un unico valore regolabile in modo continuo all’interno di ogni dispositivo. Alcuni progetti combinano più dispositivi oppure utilizzano diverse misurazioni elettriche per rappresentare un peso numerico con maggiore precisione. Altri suddividono i calcoli tra circuiti analogici e digitali, permettendo a ciascuna tecnologia di gestire le operazioni per le quali risulta più efficace. Questa flessibilità ha favorito lo sviluppo di processori AI a segnali misti, che combinano entrambe le tipologie di circuiti. Invece di considerare il calcolo analogico e quello digitale come soluzioni concorrenti, i ricercatori esaminano sempre più spesso le possibilità di collaborazione tra i due approcci. Tali configurazioni possono conservare i vantaggi energetici dell’elaborazione direttamente nella memoria senza richiedere che ogni fase di una rete neurale funzioni attraverso segnali analogici.
Che cosa hanno dimostrato IBM e i recenti studi scientifici
Una dimostrazione importante è arrivata da IBM Research nel 2023. In uno studio pubblicato su Nature, i ricercatori hanno descritto un chip AI analogico realizzato con tecnologia a 14 nanometri, contenente circa 35 milioni di dispositivi di memoria a cambiamento di fase distribuiti su 34 unità di calcolo. Il chip ha raggiunto una prestazione sostenuta dichiarata fino a 12,4 trilioni di operazioni al secondo per watt. I ricercatori hanno dimostrato la capacità di riconoscere parole chiave con precisione e hanno utilizzato cinque chip interconnessi per elaborare una rete di trascrizione vocale molto più grande, composta da oltre 45 milioni di pesi. Questi risultati hanno mostrato che il calcolo analogico in memoria poteva supportare attività concrete delle reti neurali, anziché limitarsi a dimostrazioni matematiche isolate. Il valore di efficienza riportato descrive l’hardware sperimentale in condizioni specifiche e non rappresenta un miglioramento garantito rispetto a qualsiasi GPU commerciale.
I progressi sono proseguiti nel 2025. Una ricerca pubblicata su Nature ha descritto un processore AI a precisione mista che combinava il calcolo basato su memristori con quello effettuato tramite SRAM, affrontando la difficoltà di mantenere un’elevata precisione e, contemporaneamente, beneficiare di memorie compatte ed efficienti dal punto di vista energetico. Nel settembre 2025, i ricercatori IBM hanno inoltre documentato l’esecuzione di un modello linguistico ALBERT su un chip analogico per l’inferenza, rappresentando 7,1 milioni di pesi distinti mediante circa 28,3 milioni di dispositivi. Nei test di comprensione del linguaggio riportati, la precisione media dell’hardware è risultata inferiore di 1,8 punti percentuali rispetto al riferimento in virgola mobile. Lo studio ha dimostrato che un’attenta regolazione del modello e la compensazione delle imperfezioni hardware possono rendere praticabile l’esecuzione analogica anche per attività di elaborazione linguistica più sofisticate.
Nel 2026, l’attenzione scientifica si è concentrata sempre più sul superamento degli ostacoli che impediscono un funzionamento affidabile. Una rassegna pubblicata su Nature Materials nel maggio 2026 ha esaminato in che modo il rumore elettrico, le differenze tra dispositivi e le imperfezioni dei circuiti influenzino il calcolo analogico basato su memristori. Lo studio ha inoltre analizzato possibili soluzioni per migliorare la precisione senza sacrificare una parte eccessiva del vantaggio energetico iniziale. Un’altra ricerca significativa, pubblicata nel 2025 su Nature Computational Science, ha esaminato i calcoli analogici in memoria applicati al meccanismo di attenzione utilizzato nei modelli linguistici. L’architettura specializzata ha mostrato riduzioni molto elevate del consumo energetico associato all’attenzione rispetto alle implementazioni GPU prese in esame. Questi risultati indicano un potenziale considerevole, ma riguardano operazioni specifiche e configurazioni sperimentali, non necessariamente l’elettricità complessivamente consumata da un intero modello linguistico.
Applicazioni pratiche, limiti e futuro dei chip AI analogici
I sistemi di intelligenza artificiale più piccoli ed efficienti dal punto di vista energetico rappresentano alcune delle applicazioni più promettenti del calcolo analogico in memoria. Smartphone, dispositivi indossabili, videocamere di sicurezza e sensori industriali devono spesso analizzare informazioni senza dipendere continuamente da server remoti. Un dispositivo capace di riconoscere un comando vocale, individuare un suono insolito o identificare un oggetto localmente potrebbe rispondere più rapidamente e trasmettere meno informazioni attraverso la rete. Un fabbisogno energetico inferiore potrebbe inoltre permettere ai dispositivi alimentati a batteria di funzionare più a lungo tra una ricarica e l’altra. Il beneficio dipende però dalla possibilità di contenere la rete neurale nella memoria disponibile, dalla frequenza di esecuzione e dall’eventualità che i circuiti circostanti consumino più energia di quella risparmiata grazie ai calcoli specializzati.
Le apparecchiature sanitarie e i sistemi di monitoraggio industriale offrono ulteriori possibilità. Un chip AI compatto potrebbe contribuire ad analizzare i segnali provenienti da sensori medici, individuare vibrazioni anomale nei macchinari oppure elaborare informazioni raccolte da strumenti di monitoraggio ambientale. In queste applicazioni, il basso consumo energetico può essere particolarmente utile perché i dispositivi devono talvolta funzionare ininterrottamente o in luoghi nei quali sostituire le batterie risulta complicato. L’elaborazione locale può inoltre ridurre la necessità di trasmettere altrove informazioni sensibili o che richiedono interventi tempestivi. Tuttavia, l’efficienza dell’hardware non garantisce automaticamente l’affidabilità medica o la sicurezza industriale. I sistemi impiegati in ambienti critici richiedono verifiche rigorose, misure di protezione adeguate e una validazione in condizioni operative realistiche prima di poter essere utilizzati per decisioni importanti.
Anche i grandi centri di calcolo potrebbero in futuro beneficiare degli acceleratori analogici, soprattutto quando le attività di elaborazione prevedono l’applicazione ripetuta dei pesi già definiti di una rete neurale. Questa attività, chiamata inferenza, si verifica ogni volta che un modello addestrato genera previsioni o risposte. L’inferenza è particolarmente interessante perché i pesi possono rimanere invariati durante numerosi calcoli. L’addestramento di un modello è invece più complesso: i pesi devono essere aggiornati ripetutamente durante l’apprendimento, aumentando potenzialmente l’energia e il tempo necessari per programmare i dispositivi di memoria analogici. Di conseguenza, gli acceleratori analogici sono attualmente più maturi per determinati carichi di lavoro legati all’inferenza che per l’addestramento generale di modelli di grandi dimensioni. I futuri sistemi informatici potrebbero utilizzare processori convenzionali insieme a chip analogici specializzati, assegnando le diverse attività all’hardware capace di eseguirle con maggiore efficienza.
Le sfide da superare prima di una diffusione su larga scala
La difficoltà tecnica principale consiste nel mantenere una precisione numerica affidabile. I processori digitali rappresentano le informazioni attraverso stati definiti con precisione, mentre i circuiti analogici utilizzano grandezze fisiche influenzate dal rumore elettrico, dalla temperatura, dalle differenze di fabbricazione e dai cambiamenti graduali dei materiali. Due dispositivi di memoria programmati per rappresentare lo stesso valore possono comportarsi in modo leggermente diverso. Alcune tecnologie sono inoltre soggette alla deriva della conduttanza, un fenomeno per cui le caratteristiche elettriche memorizzate cambiano nel tempo. Queste imperfezioni possono introdurre errori nei calcoli delle reti neurali, soprattutto quando numerose operazioni sono collegate tra loro. Gli ingegneri affrontano il problema attraverso la calibrazione, il miglioramento dei circuiti, la scelta accurata della precisione numerica e tecniche di addestramento che tengono conto del comportamento dell’hardware reale.
La produzione e la compatibilità con il software rappresentano ulteriori difficoltà. I programmi di intelligenza artificiale convenzionali sono stati sviluppati principalmente per CPU, GPU e acceleratori digitali consolidati, rendendo relativamente semplice eseguire i modelli supportati su componenti hardware ampiamente disponibili. I chip analogici richiedono strumenti aggiuntivi per convertire le reti neurali in configurazioni di memoria appropriate e gestire il rapporto tra segnali fisici e calcoli digitali. Gli sviluppatori devono inoltre considerare la durata dei dispositivi di memoria, il numero di volte in cui i pesi possono essere riscritti, i costi di produzione e l’integrazione con i processi di fabbricazione dei semiconduttori esistenti. Anche un progetto sperimentale estremamente efficiente potrebbe incontrare difficoltà commerciali se la resa produttiva fosse bassa, la programmazione risultasse lenta oppure i suoi vantaggi scomparissero una volta integrato in un sistema di calcolo completo.
All’ottobre 2026, il calcolo analogico in memoria rimane un settore attivo di ricerca e sviluppo, piuttosto che un sostituto generale dei processori AI convenzionali. Il suo vantaggio principale deriva da un principio fisico ben definito: eseguire i calcoli nello stesso luogo in cui sono conservati i pesi delle reti neurali può eliminare una quantità considerevole di trasferimenti di dati non necessari. Le dimostrazioni scientifiche pubblicate hanno già evidenziato risultati utili nell’elaborazione vocale, nella comprensione del linguaggio e nelle operazioni specializzate delle reti neurali. La fase successiva dipenderà dalla capacità di trasformare questi risultati in chip precisi, economicamente accessibili, affidabili e facilmente integrabili nei prodotti reali. Se gli ingegneri riusciranno a bilanciare tali requisiti, l’hardware AI analogico potrebbe diventare una componente importante dell’informatica a maggiore efficienza energetica, soprattutto nei contesti in cui il consumo elettrico, il calore e l’autonomia delle batterie pongono limiti concreti alle applicazioni dell’intelligenza artificiale.
