Wetenschappers van Skoltech hebben neurale netwerken getraind om het groeipatroon van planten te evalueren en te voorspellen, rekening houdend met de belangrijkste beïnvloedende factoren, en om de optimale verhouding tussen de nutriëntenbehoefte en andere groeistimulerende parameters voor te stellen. De resultaten van het onderzoek zijn gepubliceerd in het IEEE-tijdschrift Transactions on Instrumentations and Measurements.

De afgelopen jaren is er zijn meerdere pogingen gedaan om kunstmatige intelligentie (AI) in bijna alle levenssferen te gebruiken. Het is nuttig gebleken, mensen helpen de juiste beslissingen te nemen en het doel te bereiken. Het gebruik van AI om planten te kweken in kunstmatige omgevingen is geen uitzondering. Neurale netwerken zijn er in een grote verscheidenheid aan architecturen, inclusief hun meest prominente type, terugkerende neurale netwerken (RNN), die helpen bij het efficiënt verwerken van directionele gegevensreeksen, zoals tekst, spraak of tijdreeksen, de laatste is het meest instrumenteel in het beschrijven van plantengroei in de tijd.

In hun studie hebben de Skoltech-wetenschappers lieten zien hoe RNN kan worden gebruikt in combinatie met computer vision-algoritmen om de voorspellingstaak voor plantengroei in zijn geheel uit te voeren, terwijl u de huidige status en belangrijkste parameters van het plantengroeisysteem in de gaten houdt. De taak werd aangepakt met behulp van de gegevens die zijn verkregen in het onderzoek dat is uitgevoerd in samenwerking met het Duitse lucht- en ruimtevaartcentrum (DLR), waar de Duitse wetenschappers keken naar extra stimulering van plantengroei in kunstmatige systemen die vergelijkbaar zijn met die van het internationale ruimtestation. Het gezamenlijke experiment leverde waardevolle resultaten op die hielpen bij het vinden van de optimale verhouding van voedingsstoffen en het beste groeipatroon onder de bestaande beperkingen.

De wetenschappers segmenteerden en bepaalden het totale gebladertegebied met behulp van computervisie-algoritmen en voorspelden plantengroei met behulp van de RNN van verschillende architecturen die efficiënt met de taak omgingen. Ze stelden ook een ingebed energie-efficiënt systeem voor voor het berekenen en voorspellen van het groeipatroon om real-life demo-runs en tests van de speciale software te maken.

Het systeem is gebaseerd op Raspberry Pi, een populaire single-board prototyping computer met een externe Intel Movidius grafische kaart. Het apparaat maakt gebruik van een compacte en krachtige Myriad 2 grafische processor die werkt op 150 Gflops met een vermogen van slechts 1 W, wat vergelijkbaar is met de supercomputers van het midden van de jaren negentig. Een perfecte oplossing voor neurale netwerken, deze grafische chips zullen in de toekomst waarschijnlijk de kern worden van embedded AI-gebaseerde systemen.