Il corso si propone di fornire gli strumenti concettuali per realizzare soluzioni di Intelligenza Artificiale basate su componenti elettronici, dando così una panoramica degli approcci tecnologici alla base dello sviluppo di soluzioni intelligenti.
Prerequisiti
Conoscenze di base di matematica (numeri complessi, derivate).
Metodi didattici
Lezioni frontali ed esercitazioni in aula. Esercitazioni in aula. Seminari.
Verifica Apprendimento
L'esame consiste: (i) in una prova scritta basata su esercizi di teoria dei circuiti (obbligatoria); (ii) in un progetto di una rete neurale concordato con il docente (obbligatorio) da concludere prima della data di esame; (iii) in una prova orale (non obbligatoria).
Testi
Appunti delle lezioni. Spiking Neuron Models Single Neurons, Populations, Plasticity Wulfram Gerstner and Werner M. Kistler Cambridge University Press, 2002. Alexsander, Fundamental of Electric Circuits, McGrawill
Contenuti
Carica. Campo Elettrico. Potenziale e Corrente elettrica. Bipoli e loro caratterizzazione. Resistenze. Legge di Ohm. Generatori di tensione e di corrente. Legge di Ohm generalizzata. Leggi di Kirchhoff. Condensatori. Induttori. Circuiti elettrici in continua. Principio di sovrapposizione degli effetti. Metodi sistematici per la risoluzione di circuiti. Teoremi per la risoluzione di circuiti. Corrente alternata. Fasori. Circuiti in alternata. Introduzione all’intelligenza artificiale. Modelli neurone/sinapsi. MAC. Reti neurali supervisionate, non-supervisionate ed a insegnamento rinforzato. Reti convoluzionali. Deep learning. Modello fisiologico dei neuroni. Modelli dinamici neuronali. Reti neurali spiking. Introduzione alle tecnologie hardware per la realizzazione di dispositivi e circuiti per l’intelligenza artificiale. Spintronica. Oscillatori. Diodi. Memristori. Sinapsi. Neuroni. Sincronizzazione. Implementazione della convoluzione e reti convoluzionali. Reti binarie. Ising Machines. Generazione di numeri random. Calcolo probabilistico.