Obiettivi Formativi

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.

Learning Goals

The course aims to provide the key concepts for creating Artificial Intelligence solutions based on electronic components, thus giving an overview of the technological approaches underlying the development of intelligent solutions.

Metodi didattici

Lezioni frontali ed esercitazioni in aula. Esercitazioni in aula. Seminari.

Teaching Methods

Lectures in the classroom. Exercises in the classroom. Seminars.

Prerequisiti

Conoscenze di base di matematica (numeri complessi, derivate).

Prerequisites

Basic notions of mathematics (complex numbers, derivative).

Verifiche dell'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).

Assessment

The finale exam includes: (i) a written test on exercises of circuit network theory (mandatory); (ii) a project of a neural network assigned by the professor (mandatory) to finalize before the date of the exam; (iii) oral test (not mandatory).

Programma del Corso

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.

Course Syllabus

Charge. Electric and magnetic field. Electrical voltage and current. Two-terminal devices and their characterization. Resistors. Ohm’s law. Voltage and current generators. Ohm’s generalized law. Capacitors. Inductors. Electric circuits in dc. Superposition principle. Systematic analysis of electrical circuits. Theorems for the solution of electrical circuits. Ac current. Phasors. Electrical circuits in ac. Introduction to artificial intelligence. Neuron/synapsis model. Supervised, unsupervised and reinforcement learning. Convolutional neural networks. Deep learning. Spiking neurons. Dynamical models of spiking neurons. Spiking neural networks. Overview of the hardware technologies used for the realization of devices and circuits for artificial intelligence. Spintronics. Oscillators. Diodes. Memristors. Synapses. Neurons. Synchronization. Implementation of convolution and convolutional neural networks. Binary neural networks. Ising machine. Random number generators. Probabilistic computing.