Nevralt Hardware og Bildegenkjenning

Kunstig intelligens (KI) er tradisjonelt basert på programvare, men forskere fra Universitetet i Wien har utviklet raskere intelligent maskinvare. Den nyutviklede chipen kan analysere bilder og gi riktig utgang i løpet av noen nanosekunder.

I dagens verden brukes automatisk bildegenkjenning til en rekke forskjellige anvendelser, og visse dataprogram kan nøyaktig diagnostisere helseproblemer som hudkreft, navigere selvkjørende kjøretøy og kontrollere roboter. Dette gjøres vanligvis ved å evaluere bildedata som leveres av kameraer, men en ulempe er at det er tidskrevende. For eksempel, når antallet bilder tatt per sekund er høyt, kan den store mengden data som genereres ofte ikke håndteres.

Spesial 2D-materiale

Forskerne ved TU Wien bestemte seg for å bruke et spesial 2D-materiale. De utviklet en bildeSensor som kan gjenkjenne bestemte objekter gjennom trening. Chipen er basert på et kunstig nevralt nettverk, og chipen kan gi data om hva den ser innen nanosekunder.

Forskningen ble presentert i det vitenskapelige tidsskriftet Nature.

Nevrale nettverk, som er kunstige systemer, kan representere nerveceller som er koblet til andre nerveceller i hjernen vår. En celle kan påvirke mange andre, og kunstig læring på en datamaskin fungerer på en lignende måte.

“Vanligvis leses bildedata først ut piksel for piksel og deretter prosessert på datamaskinen,” sier Thomas Mueller. “Vi, på den andre siden, integrerer det nevralt nettverket med sin kunstige intelligens direkte i maskinvaren til bildeSensor. Dette gjør objektgjenkjenning mange størrelsesordener raskere.”

Chipen, som er basert på fotodetektorer laget av wolframdiselenid, ble utviklet og produsert ved TU Wien. Wolframdiselenid er et ultra-tynt materiale som består av bare tre atomlag. Hver enkelt fotodetektor, eller “piksler” i kameraet, er koblet til utgangselementer, som gir resultater av objektgjenkjenning.

“I vår chip kan vi spesifikt justere sensitiviteten til hver enkelt detektor-element – med andre ord, vi kan kontrollere måten signalen som tas opp av en bestemt detektor påvirker utgangssignalet,” sier Lukas Mennel, første forfatter av publikasjonen. “Alt vi må gjøre er å justere et lokalt elektrisk felt direkte på fotodetektoren.”

De gjør denne tilpasningen eksternt og ved hjelp av en datamaskinprogram. Sensoren kan brukes til å registrere forskjellige bokstaver og justere sensitiviteten til de enkelte pikslene. Det vil alltid være en tilhørende utgangssignal.

Nevralt nettverk overtar

Etter at læringprosessen er fullført, trengs datamaskinen ikke lenger. Det nevralt nettverket kan fungere alene og kan produsere et utgangssignal innen 50 nanosekunder.

“Vår testchip er fortsatt liten for øyeblikket, men du kan lett skalerer opp teknologien avhengig av oppgaven du ønsker å løse,” sier Thomas Mueller. “I prinsippet kunne chipen også bli trent til å skille epler fra bananer, men vi ser dens bruk mer i vitenskapelige eksperimenter eller andre spesialiserte anvendelser.”

Denne teknologien vil være mest nyttig i områder som krever ekstremt høy hastighet, som bruddmekanikk og partikkeldeteksjon.