- In:
- Posted By: Capuano Edoardo
- Commenti: 0
Un hardware neurale composto da un sensore per il riconoscimento di immagini in nanosecondi è stato sviluppato presso la Vienna University of Technology; può essere addestrato a riconoscere determinati oggetti.
Oggi il riconoscimento automatico delle immagini è ampiamente utilizzato: esistono programmi informatici in grado di diagnosticare in modo affidabile il cancro della pelle, navigare in auto a guida autonoma o controllare i robot. Fino ad ora, tutto ciò si è basato sulla valutazione dei dati delle immagini forniti dalle normali telecamere e ciò richiede molto tempo. Soprattutto quando il numero di immagini registrate al secondo è elevato, viene generato un grande volume di dati che difficilmente può essere gestito.
Gli scienziati della Vienna University of Technolog (TU Wien) hanno quindi adottato un approccio diverso: utilizzando uno speciale materiale 2D, è stato sviluppato un sensore di immagine che può essere addestrato per riconoscere determinati oggetti. Il chip rappresenta una rete neurale artificiale in grado di apprendere. I dati non devono essere letti ed elaborati da un computer, ma il chip stesso fornisce informazioni su ciò che sta attualmente vedendo, in nanosecondi. Il lavoro è stato presentato sulla rivista scientifica Nature. (1)
Hardware di apprendimento
Le reti neurali sono sistemi artificiali simili al nostro cervello: le cellule nervose sono collegate a molte altre cellule nervose. Quando una cellula è attiva, ciò può influenzare l'attività delle cellule nervose vicine. L'apprendimento artificiale sul computer funziona esattamente secondo lo stesso principio: una rete di neuroni viene simulata digitalmente e la forza con cui un nodo di questa rete influenza l'altro viene modificata fino a quando la rete mostra il comportamento desiderato.
«In genere, i dati dell'immagine vengono prima letti pixel per pixel e quindi elaborati sul computer», afferma il dottor Thomas Mueller. (2) «D'altra parte, integriamo la rete neurale con la sua intelligenza artificiale direttamente nell'hardware del sensore di immagine. Ciò rende più veloce il riconoscimento degli oggetti di molti ordini di grandezza.»
Il chip è stato sviluppato e prodotto presso la Vienna University of Technolog (TU Wien). Si basa su fotorilevatori in diselenide di tungsteno, un materiale ultrasottile costituito da soli tre strati atomici. I singoli fotorilevatori, i “pixel” del sistema di telecamere, sono tutti collegati a un piccolo numero di elementi di output che forniscono il risultato del riconoscimento di oggetti.
Apprendimento attraverso la sensibilità variabile
«Nel nostro chip, possiamo regolare in modo specifico la sensibilità di ogni singolo elemento rivelatore - in altre parole, possiamo controllare il modo in cui il segnale raccolto da un particolare rivelatore influenza il segnale di uscita», afferma il dottor Lukas Mennel, (2) primo autore della pubblicazione. «Tutto ciò che dobbiamo fare è semplicemente regolare un campo elettrico locale direttamente sul fotorilevatore.»
Questo adattamento è fatto esternamente, con l'aiuto di un programma per computer. Ad esempio, è possibile utilizzare il sensore per registrare lettere diverse e modificare passo dopo passo le sensibilità dei singoli pixel fino a quando una determinata lettera porta sempre esattamente a un segnale di uscita corrispondente. Ecco come viene configurata la rete neurale nel chip, rendendo più forti alcune connessioni nella rete e altre più deboli.
Una volta completato questo processo di apprendimento, il computer non è più necessario. La rete neurale ora può funzionare da sola. Se una determinata lettera viene presentata al sensore, genera il segnale di uscita addestrato entro 50 nanosecondi, ad esempio un codice numerico che rappresenta la lettera che il chip ha appena riconosciuto.
Rilevamento di oggetti quando le cose devono aumentare la velocità
Il dottor Thomas Mueller spiega: «Al momento il nostro chip, utilizzato nel test, è ancora in fase iniziale, ma in seguito facilmente perfezioneremo la tecnologia in base all'attività che dovrà risolvere. In linea di principio, il chip potrebbe anche essere addestrato per “distinguere le mele dalle banane”, ma ne vediamo un uso maggiore negli esperimenti scientifici o in altre applicazioni specializzate.»
La tecnologia può essere utilmente applicata ovunque sia richiesta una velocità estremamente elevata.
Il dottor Thomas Mueller puntualizza: «Dalla meccanica della frattura al rilevamento di particelle - in molte aree di ricerca vengono analizzati brevi eventi. Spesso non è necessario conservare tutti i dati su questo evento, ma piuttosto rispondere a una domanda molto specifica: una crepa si propaga da sinistra a destra? Quale delle diverse possibili particelle è appena passata? Questo è esattamente ciò per cui la nostra tecnologia è utile.»
Riferimenti:
(1) Ultrafast machine vision with 2D material neural network image sensors
Descrizione foto: un'immagine viene analizzata dal chip, che fornisce quindi il segnale di uscita appropriato. - Credit: Joanna Symonowicz, Vienna University of Technolog (TU Wien).
Autore traduzione riassuntiva e adattamento linguistico: Edoardo Capuano / Articolo originale: Neural Hardware for Image Recognition in Nanoseconds