Νευρικό Υλικό και Αναγνώριση Εικόνας

Η τεχνητή νοημοσύνη (AI) βασίζεται παραδοσιακά στο λογισμικό, αλλά ερευνητές από το Πανεπιστήμιο Τεχνολογίας της Βιέννης έχουν δημιουργήσει πιο γρήγορη έξυπνη υλική υποδομή. Ο νεοσχεδιασμένος chíπ είναι σε θέση να αναλύσει εικόνες και να παρέχει την σωστή έξοδο σε χρόνο νανοδευτερόλεπτα.

Στον κόσμο της αυτομάτου αναγνώρισης εικόνων, χρησιμοποιούνται για διάφορες εφαρμογές, και ορισμένα προγράμματα υπολογιστή μπορούν να διαγνώσουν με ακρίβεια προβλήματα υγείας όπως ο καρκίνος του δέρματος, να οδηγούν αυτοκίνητα χωρίς οδηγό και να ελέγχουν ρομπότ. Αυτό συνήθως γίνεται με την αξιολόγηση των δεδομένων εικόνας που παρέχονται από τις κάμερες, αλλά ένα μειονέκτημα είναι ότι είναι χρονοβόρο. Για παράδειγμα, όταν ο αριθμός των εικόνων που καταγράφονται ανά δευτερόλεπτο είναι υψηλός, ο μεγάλος όγκος δεδομένων που παράγεται συχνά δεν μπορεί να χειριστεί.

Ειδικό Υλικό 2D

Οι επιστήμονες στο TU Wien αποφάσισαν να χρησιμοποιήσουν ένα ειδικό υλικό 2D. Ανέπτυξαν einen αισθητήρα εικόνας που μπορεί να αναγνωρίσει ορισμένα αντικείμενα μέσω εκπαίδευσης. Ο chíπ βασίζεται σε ένα τεχνητό νευρικό δίκτυο και ο chíπ μπορεί να παρέχει δεδομένα για ό,τι βλέπει μέσα σε νανοδευτερόλεπτα.

Η έρευνα παρουσιάστηκε στο επιστημονικό περιοδικό Nature.

Τα νευρικά δίκτυα, τα οποία είναι τεχνητά συστήματα, μπορούν να αντιπροσωπεύουν τα νευρικά κύτταρα που συνδέονται με άλλα νευρικά κύτταρα στο εγκέφαλό μας. Ένα κύτταρο μπορεί να επηρεάσει πολλά άλλα, και η τεχνητή μάθηση σε υπολογιστή λειτουργεί με παρόμοιο τρόπο.

«Συνήθως, τα δεδομένα εικόνας διαβάζονται πρώτα pixel προς pixel και στη συνέχεια επεξεργάζονται στον υπολογιστή», λέει ο Thomas Mueller. «Εμείς, από την άλλη πλευρά, ενσωματώνουμε το νευρικό δίκτυο με την τεχνητή νοημοσύνη απευθείας στο υλικό του αισθητήρα εικόνας. Αυτό κάνει την αναγνώριση αντικειμένων πολλές τάξεις μεγέθους ταχύτερη».

Ο chíπ, ο οποίος βασίζεται σε φωτοανιχνευτές από tungsten diselenide, αναπτύχθηκε και κατασκευάστηκε στο TU Vienna. Το tungsten diselenide είναι ένα υλικό τριών ατομικών στρωμάτων. Κάθε ένα από τα ατομικά φωτοανιχνευτές, ή τα «pixel» της κάμερας, συνδέονται με στοιχεία εξόδου, τα οποία παρέχουν τα αποτελέσματα της αναγνώρισης αντικειμένων.

«Στον chíπ μας, μπορούμε να điều chỉnh ειδικά την ευαισθησία κάθε μεμονωμένου στοιχείου ανίχνευσης — με άλλα λόγια, μπορούμε να ελέγξουμε τον τρόπο με τον οποίο το σήμα που λαμβάνεται από ένα συγκεκριμένο ανιχνευτή επηρεάζει το σήμα εξόδου», λέει ο Lukas Mennel, ο πρώτος συγγραφέας της δημοσίευσης. «Ό,τι πρέπει να κάνουμε είναι απλώς να điều chỉnhουμε ένα τοπικό ηλεκτρικό πεδίο απευθείας στον φωτοανιχνευτή».

Κάνουν αυτήν την προσαρμογή εξωτερικά και με τη χρήση ενός προγράμματος υπολογιστή. Ο αισθητήρας μπορεί να χρησιμοποιηθεί για να καταγράψει διαφορετικά γράμματα και να điều chỉnh την ευαισθησία των μεμονωμένων pixel. Θα υπάρχει πάντα ένα αντίστοιχο σήμα εξόδου.

Το Νευρικό Δίκτυο Παίρνει τον Έλεγχο

Μετά την ολοκλήρωση της διαδικασίας μάθησης, ο υπολογιστής δεν χρειάζεται. Το νευρικό δίκτυο είναι ικανό να λειτουργεί μόνο του και μπορεί να παράγει ένα σήμα εξόδου μέσα σε 50 νανοδευτερόλεπτα.

«Ο δοκιμαστικός chíπ μας είναι ακόμη μικρός αυτή τη στιγμή, αλλά μπορείτε να κλιμακώσετε την τεχνολογία ανάλογα με την εργασία που θέλετε να λύσετε», λέει ο Thomas Mueller. «Συμβατικά, ο chíπ θα μπορούσε να εκπαιδευτεί για να διακρίνει μήλα από μπανάνες, αλλά βλέπουμε τη χρήση του περισσότερο σε επιστημονικά πειράματα ή άλλες εξειδικευμένες εφαρμογές».

Αυτή η τεχνολογία θα είναι πιο χρήσιμη σε περιοχές που απαιτούν εξαιρετικά υψηλή ταχύτητα, όπως η μηχανική ρήξης και η ανίχνευση σωματιδίων.