Ερευνητές Αναπτύσσουν Οπτικό Αισθητήρα για Μίμηση του Ανθρώπινου Ματιού

Ερευνητές στο Πανεπιστήμιο του Όρεγκον έχουν αποδείξει το δυναμικό της τεχνητής νοημοσύνης για μίμηση των ανθρώπων με ένα νέο οπτικό αισθητήρα. Αυτός ο οπτικός αισθητήρας είναι καλύτερος στην μίμηση της ικανότητας του ανθρώπινου ματιού να αντιλαμβάνεται αλλαγές στο οπτικό του πεδίο.

Η ανάπτυξη έχει μεγάλες επιπτώσεις για τομείς όπως η αναγνώριση εικόνων, η ρομποτική και η τεχνητή νοημοσύνη.

Η έρευνα, η οποία οδηγήθηκε από τον ερευνητή του Κολλεγίου Μηχανικής του OSU John Labram και την μεταπτυχιακή φοιτήτρια Cinthya Trujillo Herrera, δημοσιεύθηκε νωρίτερα αυτόν τον μήνα στο Applied Physics Letters.

Προηγούμενα Συσκευές Ανθρώπινου Ματιού

Ερευνητές έχουν προηγουμένως προσπαθήσει να αναπτύξουν τύπους συσκευών ανθρώπινου ματιού, επίσης γνωστές ως ρετινόμορφες αισθητήρες, και συχνά χρησιμοποιούσαν λογισμικό ή σύνθετο υλικό. Ωστόσο, αυτή η νέα συσκευή χρησιμοποιεί υπερλεπτά στρώματα περωσκιτών ημιαγωγών, τα οποία έχουν προσελκύσει την προσοχή στο παρελθόν λόγω του δυναμικού τους για χρήση σε ηλιακή ενέργεια. Όταν εκτεθούν στο φως, αυτά τα υπερλεπτά στρώματα αλλάζουν από ισχυρά ηλεκτρικά μονωτικά σε ισχυρά αγωγά.

Ο Labram είναι βοηθός καθηγητής ηλεκτρολογικής μηχανικής και επιστήμης υπολογιστών, και οδηγεί την έρευνα με υποστήριξη από το Εθνικό Ίδρυμα Επιστημών.

“Μπορείτε να το σκεφτείτε ως ένα seul pixel που κάνει κάτι που θα απαιτούσε σήμερα έναν μικροεπεξεργαστή”, είπε ο Labram.

Η επόμενη γενιά της τεχνητής νοημοσύνης αναμένεται να τροφοδοτείται από νευρομορφικούς υπολογιστές, ιδιαίτερα σε εφαρμογές όπως αυτόνομες οχήματα, ρομποτική και προηγμένη αναγνώριση εικόνων. Οι νευρομορφικοί υπολογιστές μιμούνται τις παράλληλες δικτυώσεις στο ανθρώπινο εγκέφαλο, ενώ οι παραδοσιακοί υπολογιστές επεξεργάζονται πληροφορίες σειριακά.

“Οι άνθρωποι έχουν προσπαθήσει να αναπαράγουν αυτό το υλικό και έχουν είναι σχετικά επιτυχημένοι”, είπε ο Labram. “Ωστόσο, ακόμη και τα αλγόριθμοι και η αρχιτεκτονική που σχεδιάστηκαν για την επεξεργασία πληροφοριών γίνονται όλο και περισσότερο σαν το ανθρώπινο εγκέφαλο, οι πληροφορίες που λαμβάνουν αυτά τα συστήματα είναι ακόμη αποφασιστικά σχεδιασμένες για παραδοσιακούς υπολογιστές.”

Όλα αυτά σημαίνουν ότι ένας υπολογιστής χρειάζεται έναν αισθητήρα εικόνας για να ενεργεί ως το ανθρώπινο μάτι, το οποίο αποτελείται από περίπου 100 εκατομμύρια φωτοϋποδοχείς.尽管 αυτό το τεράστιο αριθμό, ο οπτικός νεύρος περιέχει μόνο 1 εκατομμύριο συνδέσεις με τον εγκέφαλο, που σημαίνει ότι η ρέτινα μαρτυρά πολλή προεπεξεργασία και δυναμική συμπίεση πριν από την μετάδοση μιας εικόνας.

Ρετινόμορφος Αισθητήρας

Ο ρετινόμορφος αισθητήρας που αναπτύχθηκε από τους ερευνητές δεν αντιδρά έντονα υπό στατικές συνθήκες, αλλά καταγράφει σύντομα και οξέα σήματα όταν υπάρχει αλλαγή στην φωτεινότητα. Στη συνέχεια, γρήγορα επιστρέφει στη βάση, που οφείλεται όλα στα περωσκίτα.

“Ο τρόπος που το δοκιμάζουμε είναι, βασικά, αφήνουμε το στο σκοτάδι για ένα δευτερόλεπτο, και στη συνέχεια ανάβουμε τα φώτα και τα αφήνουμε αναμμένα”, είπε ο Labram. “Όταν το φως ανάβει, παίρνετε αυτό το μεγάλο σπाइक της τάσης, και στη συνέχεια η τάση γρήγορα αποσβένεται, ακόμη και αν η ένταση του φωτός είναι σταθερή. Και αυτό είναι αυτό που θέλουμε.”

Η ομάδα προέβαλε διάφορους ρετινόμορφους αισθητήρες, οι οποίοι τους επέτρεψαν να προβλέψουν πώς θα αντιδράσει μια ρετινόμορφη κάμερα βίντεο σε ερεθίσματα εισόδου.

“Μπορούμε να μετατρέψουμε το βίντεο σε ένα σύνολο εντάσεων φωτός και στη συνέχεια να το βάλουμε στην προσομοίωσή μας”, είπε ο Labram. “Περιοχές όπου προβλέπεται υψηλότερη έξοδος τάσης από τον αισθητήρα φωτίζουν, ενώ οι περιοχές με χαμηλότερη τάση παραμένουν σκούρες. Αν η κάμερα είναι σχετικά στατική, μπορείτε να δείτε σαφώς όλα τα αντικείμενα που κινούνται να αντιδρούν έντονα. Αυτό παραμένει αρκετά πιστό στο παράδειγμα της οπτικής ανίχνευσης στους θηλαστικούς.”

“Το καλό είναι ότι, με αυτήν την προσομοίωση, μπορούμε να εισαγάγουμε οποιοδήποτε βίντεο σε ένα από αυτά τα πλέγματα και να επεξεργαστούμε τις πληροφορίες ουσιαστικά με τον ίδιο τρόπο που το ανθρώπινο μάτι”, συνέχισε ο Labram. “Για παράδειγμα, μπορείτε να φανταστείτε αυτούς τους αισθητήρες να χρησιμοποιούνται από ένα ρομπότ που παρακολουθεί την κίνηση των αντικειμένων. Οτιδήποτε είναι στατικό στο οπτικό του πεδίο δεν θα προκαλέσει αντίδραση, ωστόσο ένα κινούμενο αντικείμενο θα καταγράφει υψηλή τάση. Αυτό θα πει στο ρομπότ αμέσως πού είναι το αντικείμενο, χωρίς καμία σύνθετη επεξεργασία εικόνας.”