Con quale velocità un chip di rete neurale può riconoscere le immagini? La TU Wien afferma semplici nanosecondi



8 ore fa p Robin Mitchell Un team di ricercatori della TU Wien ha creato un chip di riconoscimento delle immagini in grado di riconoscere le immagini in decine di nanosecondi. Come è stata raggiunta questa impresa e per quali applicazioni verrà utilizzato il dispositivo? Le reti neurali sono costituite da nodi ponderati che sono interconnessi a ingressi e uscite. Il sistema riceve dati di esempio e l'output viene confrontato con la risposta vera.
La ponderazione dei nodi viene quindi regolata fino a quando l'output non corrisponde ai dati reali. Quindi, altri dati vengono mostrati alla rete e questo processo di apprendimento viene ripetuto fino a quando non è in grado di riconoscere i dati in modo affidabile e produrre l'output corretto. Per una discussione più approfondita sulle reti neurali, leggi la serie di quattordici parti di Robert Keim sulle reti neurali, iniziando con una discussione su come eseguire la classificazione usando una rete neurale.
Le reti neurali sono il fondamento dell'attuale tecnologia AI per il riconoscimento delle immagini: fino a 1.000 FPS su grandi sistemi potenti con sistemi più comuni che gestiscono fino a 100 FPS. Sebbene ciò sia accettabile per le applicazioni non critiche, può essere un inconveniente nelle applicazioni che richiedono un rapido riconoscimento delle immagini. Ad esempio, i ricercatori potrebbero aver bisogno di sviluppare un sistema di combustione intelligente in grado di analizzare il processo di combustione di un motore in tempo reale, consentendo loro di prendere una decisione sulle miscele di carburante / aria.
In una situazione del genere, gli operatori trarrebbero vantaggio da un dispositivo in grado di elaborare le immagini quasi istantaneamente. Questo è ciò che un team di ricercatori ha affermato di aver realizzato. La ragione del ritardo nelle reti neurali è che tali sistemi richiedono più passaggi; l'immagine viene acquisita, passata a una rete neurale e infine elaborata.
Una volta elaborata, è possibile generare segnali appropriati e altre risposte. Ma l'intero processo dipende da una CPU tradizionale, che opera su cicli di clock discreti. Per aggirare questo ostacolo, un team di ricercatori di TU Wein ha creato un sensore di immagine neurale che combina tutti i passaggi in un unico pacchetto in grado di riconoscere le immagini in meno di 20 nanosecondi.
Secondo lo studio, pubblicato su Nature, il loro dispositivo si basava su un "semiconduttore bidimensionale (2D) riconfigurabile, array di fotodiodi e pesi sinaptici della rete sono memorizzati in una matrice di fotoresponsabilità continuamente sintonizzabile". Il sensore utilizzato dai ricercatori è simile a un sensore di immagine tradizionale, che consiste in una serie di fotodiodi che registrano le immagini proiettate sul chip. I fotosensori sono realizzati in diselenide di tungsteno, un materiale ultrasottile con soli tre atomi di spessore.
Questi fotosensori sono collegati a numerosi elementi di uscita. I ricercatori hanno addestrato il chip esponendo il sensore a un'immagine e usando un programma per computer per regolare la sensibilità di ciascun pixel. Lo hanno fatto regolando il campo elettrico locale attorno a quel sensore.
I pixel sul sensore sono stati quindi modificati fino a quando l'uscita del chip corrispondeva all'immagine mostrata al chip in seguito a qualsiasi azione neuronale. Una volta addestrato, il chip non richiedeva più il computer utilizzato per regolare il chip e il chip continuava a riconoscere le immagini, nonostante non richiedesse un computer host. L'output del chip era pronto in 50 nanosecondi.
L'attuale sensore utilizzato dai ricercatori TU Wien ha solo 9 pixel, ma è già in grado di riconoscere forme diverse. Poiché ogni pixel è collegato a ciascun neurone ponderato, è in grado di rilevare un'ampia varietà di schemi. Sebbene questo sensore non sia pratico per il riconoscimento di immagini complesse, ha un reale potenziale in ambienti ad alta velocità, tra cui la meccanica delle fratture e il rilevamento di particelle.
Le implicazioni di questa ricerca potrebbero anche influenzare gli ambienti di produzione in cui vengono trasmessi codici a barre e dati numerici stampati attraverso un sensore ad alta velocità. Il fatto che il sensore non consuma energia elettrica durante il funzionamento significa anche che il sensore può essere altamente applicabile in ambienti a bassa energia, compresi elettronica usa e getta e sistemi IoT a bassa energia. Hai mai sentito parlare di altri progressi nella tecnologia delle reti neurali che vorresti condividere? Facci sapere nei commenti qui sotto.
.

Yorumlar

Bu blogdaki popüler yayınlar

Classici protocolli CAN vs CAN FD: le differenze che contano per i progettisti

Che cos'è DrMOS, l'IC che alimenta i processori di nuova generazione?

Qual è la funzione Sinc e perché è importante nell'ingegneria elettrica?