Nowy rodzaj sztucznego oka, stworzony przez połączenie foto-elektroniki z siecią neuronową w jednym małym chipie, może rozpoznać obraz w zaledwie kilku nanosekundach, znacznie szybciej niż robią to istniejące czujniki obrazu.
Rozpoznawanie obrazu jest integralną częścią wielu zastosowań sztucznej inteligencji – od samochodów bez kierowcy, poprzez roboty przemysłowe, po inteligentne czujniki, które działają jak nasze oczy w odległych lokalizacjach. Maszyny stały się bardzo dobre w reagowaniu na to, co widzą. Większość operacji rozpoznawania obrazu wymaga jednak dużej mocy obliczeniowej. Częścią problemu jest tu wąskie gardło w postaci tradycyjnych czujników, które przechwytują ogromną ilość danych wizualnych, niezależnie od tego, czy jest to przydatne do klasyfikacji obrazu. Przetwarzanie tych danych spowalnia reakcję.
Czujnik, który rejestruje i przetwarza obraz w tym samym czasie, bez konwersji lub przekazywania danych, sprawia, że rozpoznawanie obrazu następuje znacznie szybciej i przy użyciu znacznie mniejszej mocy.
Projekt, opublikowany w Nature przez naukowców z Instytutu Fotoniki w Wiedniu w Austrii, naśladuje sposób, w jaki oczy zwierząt poprzedzają przetwarzanie informacji wizualnych zanim przekażą je do mózgu.
Zespół zbudował chip z arkusza związków wolframu o zaledwie kilku atomach grubości uzupełniony diodami światłoczułymi podłączonymi w sposób tworzący sieć neuronową. Materiał użyty do produkcji układu nadaje mu unikalne właściwości elektryczne, dzięki czemu światłoczułość diod – węzłów sieci neuronowej – może być modyfikowana zewnętrznie. Oznacza to, że sieć może być uczona w zakresie klasyfikowania informacji wizualnych poprzez regulację czułości diod, dopóki nie udzieli prawidłowej odpowiedzi. W ten sposób inteligentny chip został przeszkolony do rozpoznawania stylizowanych, pikselowych wersji liter n, v i z.
Nowy czujnik to kolejny ekscytujący krok na drodze do przeniesienia Sztucznej Inteligencji na sprzęt, dzięki czemu jest ona szybsza i wydajniejsza. Ale to jeszcze długa droga.
Oko to składa się tylko z 27 detektorów i nie może poradzić sobie z obrazami większymi niż obrazy blokowe rozmiaru 3×3. Mimo to, tej wielkości chip może wykonywać kilka standardowych nadzorowanych i nienadzorowanych zadań uczenia maszynowego, w tym klasyfikowania i kodowania liter. Naukowcy twierdzą również, że skalowanie takiej sieci neuronowej do znacznie większych rozmiarów nie byłoby trudne.