Geïnspireerd door hoe zoogdieren zien, een nieuw "memristor"-computercircuitprototype aan de Universiteit van Michigan heeft het potentieel om complexe gegevens te verwerken, zoals afbeeldingen en video ordes van grootte, sneller en met veel minder vermogen dan de meest geavanceerde systemen van vandaag.

Snellere beeldverwerking kan grote gevolgen hebben voor autonome systemen zoals zelfrijdende auto's, zegt Wei Lu, U-M hoogleraar elektrotechniek en informatica. Lu is hoofdauteur van een paper over het werk dat is gepubliceerd in het huidige nummer van Natuur Nanotechnologie .

Lu's computercomponenten van de volgende generatie gebruiken patroonherkenning om het energie-intensieve proces te verkorten dat conventionele systemen gebruiken om afbeeldingen te ontleden. In dit nieuwe werk hij en zijn collega's demonstreren een algoritme dat vertrouwt op een techniek genaamd "sparse coding" om hun 32-bij-32 reeks memristors te overhalen om verschillende foto's efficiënt te analyseren en opnieuw te maken.

Memristors zijn elektrische weerstanden met geheugen-geavanceerde elektronische apparaten die de stroom regelen op basis van de geschiedenis van de spanningen die erop worden toegepast. Ze kunnen tegelijkertijd gegevens opslaan en verwerken, waardoor ze een stuk efficiënter zijn dan traditionele systemen. Op een conventionele computer, logische en geheugenfuncties bevinden zich op verschillende delen van het circuit.

"De taken die we van de computers van vandaag vragen, zijn complexer geworden, " zei Lu. "In dit 'big data'-tijdperk, computers vereisen dure, constante en langzame communicatie tussen hun processor en geheugen om grote hoeveelheden gegevens op te halen. Hierdoor zijn ze groot, duur en energieverslindend."

Maar zoals neurale netwerken in een biologisch brein, netwerken van memristors kunnen veel bewerkingen tegelijk uitvoeren, zonder dat u gegevens hoeft te verplaatsen. Als resultaat, ze kunnen nieuwe platforms mogelijk maken die een groot aantal signalen parallel verwerken en in staat zijn tot geavanceerde machine learning. Memristors zijn goede kandidaten voor diepe neurale netwerken, een tak van machine learning, die computers traint om processen uit te voeren zonder expliciet te zijn geprogrammeerd om dit te doen.

"We hebben onze elektronica van de volgende generatie nodig om complexe data snel te kunnen verwerken in een dynamische omgeving. Daar kun je niet zomaar een programma voor schrijven. Soms heb je niet eens een vooraf gedefinieerde taak, " zei Lu. "Om onze systemen slimmer te maken, we moeten manieren vinden om veel gegevens efficiënter te verwerken. Onze aanpak om dat te bereiken is geïnspireerd door de neurowetenschap."

De hersenen van een zoogdier kunnen vegende, Een impressie van een fractie van een seconde van wat de ogen opnemen. Een van de redenen is dat ze snel verschillende rangschikkingen van vormen kunnen herkennen. Mensen doen dit met slechts een beperkt aantal neuronen die actief worden, zegt Lu. Zowel neurowetenschappers als computerwetenschappers noemen het proces 'sparse coding'.

"Als we naar een stoel kijken, zullen we hem herkennen omdat zijn kenmerken overeenkomen met ons opgeslagen mentale beeld van een stoel, " zei Lu. "Hoewel niet alle stoelen hetzelfde zijn en sommige kunnen verschillen van een mentaal prototype dat als standaard dient, elke stoel behoudt enkele van de belangrijkste kenmerken die nodig zijn voor gemakkelijke herkenning. In principe, het object wordt correct herkend op het moment dat het correct is geclassificeerd - wanneer het wordt 'opgeslagen' in de juiste categorie in ons hoofd."

evenzo, Het elektronische systeem van Lu is ontworpen om de patronen zeer efficiënt te detecteren - en om zo min mogelijk functies te gebruiken om de originele invoer te beschrijven.

In onze hersenen, verschillende neuronen herkennen verschillende patronen, zegt Lu.

"Als we een beeld zien, de neuronen die het herkennen zullen actiever worden, " zei hij. "De neuronen zullen ook met elkaar wedijveren om op natuurlijke wijze een efficiënte representatie te creëren. We implementeren deze aanpak in ons elektronische systeem."

De onderzoekers trainden hun systeem om een ​​'woordenboek' met afbeeldingen te leren. Getraind op een reeks grijswaardenafbeeldingspatronen, hun memristornetwerk was in staat om afbeeldingen van beroemde schilderijen en foto's en andere testpatronen te reconstrueren.

Als hun systeem kan worden opgeschaald, ze verwachten video in realtime te kunnen verwerken en analyseren in een compact systeem dat direct kan worden geïntegreerd met sensoren of camera's.