Neuralt Hardware og Billedegenkendelse

Kunstig intelligens (AI) er traditionelt baseret på software, men forskere fra Wien Teknisk Universitet har skabt hurtigere intelligent hardware. Den nyligt udviklede chip kan analysere billeder og give det korrekte output på få nanosekunder.

I dagens verden bruges automatisk billedegenkendelse til en række forskellige formål, og visse computerprogrammer kan nøjagtigt diagnosticere sundhedsproblemer som hudkræft, navigere i selvkørende køretøjer og styre robotter. Dette sker normalt ved evaluering af billeddata, der leveres af kameraer, men en ulempe er, at det er tidskrævende. For eksempel, når antallet af billeder optaget per sekund er højt, kan den store mængde data, der genereres, ofte ikke håndteres.

Speciel 2D-materiale

Forskere ved TU Wien besluttede at bruge et speciel 2D-materiale. De udviklede en billede-sensor, der kan genkende bestemte objekter gennem træning. Chippen er baseret på et kunstigt neuralt netværk, og chippen kan give data om, hvad den ser, inden for nanosekunder.

Forskningen blev præsenteret i det videnskabelige tidsskrift Nature.

Neurale netværk, der er kunstige systemer, kan repræsentere nerveceller, der er forbundet med andre nerveceller i vores hjerner. En celle kan påvirke mange andre, og kunstig læring på en computer fungerer på samme måde.

“Typisk læses billeddata først ud pixel for pixel og derefter bearbejdet på computeren,” siger Thomas Mueller. “Vi integrerer på den anden side neuralt netværk med kunstig intelligens direkte i hardwaren af billede-sensoren. Dette gør objektgenkendelse mange størrelsesordener hurtigere.”

Chippen, der er baseret på fotodetektorer lavet af tungsten-diselenid, blev udviklet og fremstillet på TU Wien. Tungsten-diselenid er et ultra-tyndt materiale, der består af kun tre atomlag. Hver af de enkelte fotodetektorer eller “pixel” i kameraet er forbundet til udgangselementer, der giver resultaterne af objektgenkendelse.

“I vores chip kan vi specifikt justere følsomheden af hvert enkelt detektor-element – med andre ord kan vi kontrollere, hvordan signalen, der optages af en bestemt detektor, påvirker udgangssignalet,” siger Lukas Mennel, første forfatter af publikationen. “Alt, vi skal gøre, er blot at justere et lokalt elektrisk felt direkte på fotodetektoren.”

De gør denne tilpasning eksternt og ved hjælp af en computerprogram. Sensoren kan bruges til at optage forskellige bogstaver og justere følsomheden af de enkelte pixel. Der vil altid være en tilsvarende udgangssignal.

Neuralt netværk overtager

Efter afslutning af læreprocessen er computeren ikke længere nødvendig. Neuralt netværk er i stand til at fungere alene og kan producere et udgangssignal inden for 50 nanosekunder.

“Vores test-chip er stadig lille i øjeblikket, men du kan let skala op teknologien afhængigt af den opgave, du vil løse,” siger Thomas Mueller. “I princippet kunne chippen også trænes til at skelne mellem æbler og bananer, men vi ser dens brug mere i videnskabelige eksperimenter eller andre specialiserede anvendelser.”

Denne teknologi vil være mest nyttig i områder, der kræver ekstremt høj hastighed, såsom brudmekanik og partikeldetektion.