Neuralt maskinvara och bildigenkänning

Artificiell intelligens (AI) baseras traditionellt på programvara, men forskare från Tekniska universitetet i Wien har skapat snabbare intelligent maskinvara. Den nyligen utvecklade chipen kan analysera bilder och ge rätt utdata på några nanosekunder.

I dagens värld används automatisk bildigenkänning för en mängd olika tillämpningar, och vissa datorprogram kan med stor noggrannhet diagnostisera hälsoproblem som hudcancer, navigera självkörande fordon och styra robotar. Detta görs vanligtvis genom utvärdering av bilddata som levereras av kameror, men en nackdel är att det är tidskrävande. Till exempel, när antalet bilder som spelas in per sekund är högt, kan den stora mängden data som genereras ofta inte hanteras.

Special 2D-material

Forskarna vid TU Wien beslutade att använda ett specialt 2D-material. De utvecklade en bildsensor som kan känna igen vissa föremål genom träning. Chipen baseras på ett konstgjort neuronnät, och chipen kan ge data om vad den ser inom några nanosekunder.

Forskningen presenterades i den vetenskapliga tidskriften Nature.

Neuronnät, som är konstgjorda system, kan representera nervceller som är kopplade till andra nervceller i vår hjärna. En cell kan påverka många andra, och artificiell inlärning på en dator fungerar på ett liknande sätt.

“Vanligtvis läses bilddata först ut pixel för pixel och sedan bearbetas på datorn”, säger Thomas Mueller. “Vi integrerar däremot neuronnätet med dess artificiella intelligens direkt i maskinvaran i bildsensorn. Detta gör att föremålsigenkänning blir många storleksordningar snabbare.”

Chipen, som baseras på fotodetektorer tillverkade av volframdiselenid, utvecklades och tillverkades vid TU Wien. Volframdiselenid är ett ultra-tunt material som består av bara tre atomlager. Var och en av de enskilda fotodetektorerna, eller “pixlarna” i kameran, är kopplade till utgångselement, som ger resultatet av föremålsigenkänning.

“I vår chip kan vi specifikt justera känsligheten för varje enskild detektor – med andra ord kan vi styra hur signalen som tas upp av en viss detektor påverkar utgångssignalen”, säger Lukas Mennel, första författare till publikationen. “Allt vi behöver göra är att enkelt justera ett lokalt elektriskt fält direkt vid fotodetektorn.”

De gör denna anpassning externt och med hjälp av en datorprogram. Sensorn kan användas för att spela in olika bokstäver och justera känsligheten för de enskilda pixlarna. Det kommer alltid att finnas en motsvarande utgångssignal.

Neuronnät tar över

Efter att inlärningsprocessen är klar behövs datorn inte längre. Neuronnätet kan fungera ensamt och kan producera en utgångssignal inom 50 nanosekunder.

“Vår testchip är fortfarande litet just nu, men du kan enkelt skala upp tekniken beroende på den uppgift du vill lösa”, säger Thomas Mueller. “I princip kunde chipen också tränas för att skilja på äpplen och bananer, men vi ser dess användning mer i vetenskapliga experiment eller andra specialiserade tillämpningar.”

Denna teknik kommer att vara mest användbar i områden som kräver extremt hög hastighet, såsom brottmekanik och partikeldetektering.