::: reklama@pbprog.kz
::: editor@pbprog.kz
::: webmaster@pbprog.kz
Новая разработка позволит роботам «по-человечески» воспринимать мир
Инженеры из Университета RMIT изобрели небольшое нейроморфное устройство, которое распознаёт движения рук, сохраняет воспоминания и обрабатывает информацию, как человеческий мозг, без необходимости во внешнем компьютере.
Разработка стала шагом к мгновенной визуальной обработке данных в автономных транспортных средствах, продвинутой робототехнике и других приложениях нового поколения для улучшения взаимодействия с человеком.
«Нейроморфные системы зрения используют аналогичную нашему мозгу аналоговую обработку, что может значительно сократить расход энергии при выполнении сложных визуальных задач по сравнению с цифровыми технологиями, используемыми сегодня», — сказал Валиа, директор Центра оптоэлектронных материалов и датчиков RMIT (COMAS).
Устройство содержит металлическое соединение, с дефектами на уровне атомов, известное как дисульфид молибдена, или MoS2. Эти дефекты можно использовать для захвата света и обработки его в виде электрических сигналов, подобно тому, как работают нейроны в нашем мозге.
«Это экспериментальное устройство имитирует способность человеческого глаза улавливать свет и способность мозга обрабатывать эту визуальную информацию, позволяя ему мгновенно реагировать на изменения в окружающей среде и сохранять воспоминания без необходимости использовать огромные объёмы данных и энергии», — сказал Валиа.
«Современные цифровые системы, напротив, очень энергозатратны и не могут справляться с растущим объёмом и сложностью данных, что ограничивает их способность принимать «правильные» решения в реальном времени».
Во время экспериментов устройство обнаруживало изменения в движении машущей руки без необходимости фиксировать события кадр за кадром — это называется обнаружением границ, которое требует значительно меньше обработки данных и энергии. Как только изменения были обнаружены, устройство сохранило эти события в памяти, как мозг. Исследователи создали спайковую нейронную сеть (SNN), используя особенности реакции MoS₂ на свет. Эта модель показала точность 75% при распознавании статичных изображений после 15 циклов обучения и 80% — при обработке динамических задач после 60 циклов.