Neurale Hardware en Beeldherkenning

Kunstmatige intelligentie (AI) is traditioneel gebaseerd op software, maar onderzoekers van de Technische Universiteit van Wenen hebben snellere intelligente hardware ontwikkeld. De nieuw ontwikkelde chip kan beelden analyseren en de juiste uitvoer geven in een kwestie van nanoseconden.

In de huidige wereld wordt automatische beeldherkenning gebruikt voor een verscheidenheid aan toepassingen, en sommige computerprogramma’s kunnen gezondheidsproblemen zoals huidkanker nauwkeurig diagnosticeren, zelfrijdende voertuigen navigeren en robots besturen. Dit gebeurt meestal door de evaluatie van beeldgegevens die door camera’s worden geleverd, maar een nadeel is dat het tijdrovend is. Als het aantal beelden per seconde bijvoorbeeld hoog is, kan de grote hoeveelheid gegenereerde gegevens vaak niet worden verwerkt.

Speciaal 2D-materiaal

De wetenschappers van de TU Wenen besloten om een speciaal 2D-materiaal te gebruiken. Zij ontwikkelden een beeldsensor die bepaalde objecten kan herkennen door middel van training. De chip is gebaseerd op een kunstmatig neuronaal netwerk en kan gegevens over wat het ziet binnen nanoseconden verstrekken.

Het onderzoek werd gepresenteerd in het wetenschappelijke tijdschrift Nature.

Kunstmatige neurale netwerken, die kunstmatige systemen zijn, kunnen de zenuwcellen vertegenwoordigen die met andere zenuwcellen in onze hersenen zijn verbonden. Een cel kan veel andere cellen beïnvloeden, en kunstmatig leren op een computer werkt op een soortgelijke manier.

“Typisch wordt de beeldgegevens eerst pixel voor pixel uitgelezen en vervolgens op de computer verwerkt,” zegt Thomas Mueller. “Wij integreren het neurale netwerk met zijn kunstmatige intelligentie rechtstreeks in de hardware van de beeldsensor. Dit maakt objectherkenning vele ordes van grootte sneller.”

De chip, die is gebaseerd op fotodetectoren gemaakt van wolfraamdiselenide, werd ontwikkeld en gefabriceerd aan de TU Wenen. Wolfraamdiselenide is een ultra-dunne stof die bestaat uit slechts drie atoomlagen. Elk van de individuele fotodetectoren, of de “pixels” van de camera, zijn verbonden met uitvoerelementen, die de resultaten van objectherkenning verstrekken.

“In onze chip kunnen we specifiek de gevoeligheid van elk individueel detectorelement aanpassen – met andere woorden, we kunnen de manier waarop het signaal dat door een bepaalde detector wordt opgepikt, de uitvoersignalen beïnvloedt, controleren,” zegt Lukas Mennel, de eerste auteur van de publicatie. “Alles wat we hoeven te doen is het lokale elektrische veld rechtstreeks bij de fotodetector aanpassen.”

Zij maken deze aanpassing extern en met behulp van een computerprogramma. De sensor kan worden gebruikt om verschillende letters op te nemen en de gevoeligheid van de individuele pixels aan te passen. Er zal altijd een overeenkomstig uitvoersignaal zijn.

Neuraal netwerk neemt over

Na het voltooien van het leerproces is de computer niet langer nodig. Het neurale netwerk kan alleen functioneren en kan een uitvoersignaal produceren binnen 50 nanoseconden.

“Onze testchip is nog klein op het moment, maar u kunt de technologie gemakkelijk opschalen afhankelijk van de taak die u wilt oplossen,” zegt Thomas Mueller. “In principe kan de chip ook worden getraind om appels van bananen te onderscheiden, maar wij zien zijn gebruik meer in wetenschappelijke experimenten of andere gespecialiseerde toepassingen.”

Deze technologie zal het meest nuttig zijn in gebieden die extreem hoge snelheid vereisen, zoals breukmechanica en deeltjedetectie.