Max Home IndustryАвтоматическое распознавание изображений широко используется сегодня: существуют компьютерные программы, которые могут надежно диагностировать рак кожи, управлять беспилотными автомобилями или управлять роботами. До сих пор все это основывалось на оценке данных изображения, передаваемых обычными камерами, а это отнимало много времени. Особенно когда количество изображений, записываемых в секунду, велико, создается большой объем данных, с которыми трудно справиться.
Ученые TU Wien поэтому выбрали другой подход: с использованием специального 2D-материала был разработан датчик изображения, который можно обучить распознавать определенные объекты. Чип представляет собой искусственную нейронную сеть, способную к обучению. Данные не должны считываться и обрабатываться компьютером, но сам чип предоставляет информацию о том, что он в настоящее время видит — в течение наносекунд. Работа представлена в научном журнале « Nature ».
Обучающее оборудование
Нейронные сети — это искусственные системы, похожие на наш мозг: нервные клетки связаны со многими другими нервными клетками. Когда одна клетка активна, это может влиять на активность соседних нервных клеток. Искусственное обучение на компьютере работает по точно такому же принципу: сеть нейронов моделируется в цифровом виде, и сила, с которой один узел этой сети влияет на другой, изменяется до тех пор, пока сеть не покажет желаемое поведение.
«Обычно данные изображения сначала считываются пиксель за пикселем, а затем обрабатываются на компьютере», — говорит Томас Мюллер. «С другой стороны, мы интегрируем нейронную сеть с ее искусственным интеллектом непосредственно в аппаратное обеспечение датчика изображения. Это на много порядков ускоряет распознавание объектов».
Микросхема была разработана и изготовлена в Венском техническом университете. Он основан на фотоприемниках из диселенида вольфрама — ультратонкого материала, состоящего всего из трех атомных слоев. Отдельные фотодетекторы, «пиксели» системы камер, все подключены к небольшому количеству выходных элементов, которые обеспечивают результат распознавания объекта.
Обучение с помощью переменной чувствительности
«В нашем чипе мы можем специально настраивать чувствительность каждого отдельного элемента детектора — другими словами, мы можем управлять тем, как сигнал, полученный конкретным детектором, влияет на выходной сигнал», — говорит Лукас Меннель, первый автор. публикации. «Все, что нам нужно сделать, это просто настроить локальное электрическое поле прямо на фотодетекторе». Эта адаптация выполняется внешне с помощью компьютерной программы. Например, можно использовать датчик для записи различных букв и пошагового изменения чувствительности отдельных пикселей, пока определенная буква всегда точно не приведет к соответствующему выходному сигналу. Так устроена нейронная сеть в чипе: одни соединения в сети становятся сильнее, а другие — слабее.
После завершения процесса обучения компьютер больше не нужен. Теперь нейронная сеть может работать в одиночку. Если датчику представлена определенная буква, он генерирует обученный выходной сигнал в течение 50 наносекунд — например, числовой код, представляющий букву, которую только что распознал чип.
Обнаружение объектов, когда дела идут быстро
«Наш тестовый чип пока еще невелик, но вы можете легко масштабировать технологию в зависимости от задачи, которую хотите решить», — говорит Томас Мюллер. «В принципе, чип также можно обучить отличать яблоки от бананов, но мы видим его больше использования в научных экспериментах или других специализированных приложениях».
Эту технологию можно с успехом применять везде, где требуется чрезвычайно высокая скорость: «От механики разрушения до обнаружения частиц — во многих областях исследований исследуются короткие события», — говорит Томас Мюллер. «Часто нет необходимости хранить все данные об этом событии, а, скорее, чтобы ответить на очень конкретный вопрос: распространяется ли трещина слева направо? Какая из нескольких возможных частиц только что прошла? Это именно то, что представляет собой наша технология. подходит для. «