導讀
據澳大利亞皇家墨爾本理工大學官網近日報導,該校領導的國際科研團隊開發出一項新的人工智慧技術,它將成像、處理、機器學習和存儲功能集成到由光碟機動的單顆電子晶片中。
背景
將視覺印記作為記憶,是人類認知學習的核心屬性。人工智慧系統的基礎是用生物啟發的神經形態視覺組件來處理可見和不可見的電磁頻譜。實現一個結合內置存儲與信號處理能力的成像單元,對於部署高效的類腦視覺系統來說是重要且緊急的。但是,目前我們缺少一個無需施加交流極性電信號、完全由光控制的平臺,這一點阻礙了技術的進步。
(圖片來源:Olivia Wang, Peng Cheng Laboratory)
創新
近日,澳大利亞皇家墨爾本理工大學(RMIT)領導的澳大利亞、美國以及中國的研究人員組成的國際團隊開發出一項新的人工智慧技術,它將成像、處理、機器學習和存儲功能集成到由光碟機動的單顆電子晶片中。研究成果發表在《先進材料》(Advanced Materials)雜誌上。
(圖片來源:皇家墨爾本理工大學)
該原型設備通過模仿人類大腦處理視覺信息的方式,縮小了人工智慧技術的作用尺度。這項納米尺度的技術進展,將驅動人工智慧所需的核心軟體與圖像捕捉硬體結合到同一個電子設備中。通過進一步的開發,光碟機動的原型設備可實現更智能、更小型的自主技術,例如無人機、機器人、智能可穿戴設備以及人造視網膜等仿生植入物。
首席研究員、皇家墨爾本理工大學的 Sumeet Walia 副教授表示,該原型設備在一個強大的設備中提供了類似大腦的功能。
Sumeet Walia 副教授與 Taimur Ahmed 博士(圖片來源:皇家墨爾本理工大學)
功能材料和微系統研究小組的共同負責人 Walia 說:「我們的新技術從根本上提升了效率和精度,將多個組件和功能整合到一個平臺上。這讓我們離一體化的人工智慧設備更近了一步,其靈感來源於自然界最偉大的計算創新『人腦』。我們的目標是複製大腦學習方式的核心特徵,將視覺印記作為記憶。我們開發的原型設備是朝著神經機器人學、更好的人機互動技術和可擴展的仿生系統的目標努力的過程中所取得的重大飛躍。」
技術
人工智慧通常嚴重依賴於軟體以及非現場的數據處理。而新的原型設備旨在將電子硬體和智能整合到一起,實現迅速的現場決策。
該原型技術將成像、處理、機器學習和存儲功能集成到同一顆由光碟機動的晶片中。(圖片來源:皇家墨爾本理工大學)
Walia 表示:「讓我們想像一下,如果汽車上的行車記錄儀集成了這樣的神經啟發硬體,它就可以識別燈光、標誌、物體,並立刻作為決策,無需連接網際網路。通過將這一切整合到同一顆晶片中,我們可以在自主和人工智慧驅動的決策中實現前所未有的效率和速度。」
該技術建立在皇家墨爾本理工大學團隊早期的原型晶片基礎上,該晶片使用光來創建和修改內存。
(圖片來源:皇家墨爾本理工大學)
新的內置功能意味著該晶片可以捕捉和自動改善圖像,分類數字,並接受訓練以識別模式和圖像,準確率超過90%。
該設備也可以輕而易舉地兼容現有的電子和矽技術,以便未來輕鬆地集成。
這款原型裝置受到了光遺傳學的啟發。光遺傳學是生物技術中的一項新興工具,它使科學家們能以很高的精確度研究身體的電系統,並使用光線操控神經元。
基於光遺傳學原理,無線無電池的植入式光電系統用光線控制神經元。(圖片來源:Philipp Gutruf)
這款人工智慧晶片基於一種超薄材料:黑磷,它能根據不同波長的光線改變電阻。將不同顏色的光線照在晶片上,就可以實現成像或記憶存儲等不同功能。
黑磷的晶體結構(Vahid Tayari/麥吉爾大學)
黑磷的晶體結構(Vahid Tayari/麥吉爾大學)
價值
研究的領導作者、來自皇家墨爾本理工大學的 Taimur Ahmed 博士表示,與現有技術相比,基於光的計算速度更快、精度更高、所需能量更少。
Ahmed 表示:「我們將如此多的核心功能打包到一個緊湊的納米級設備中,可以拓寬機器學習和人工智慧的視野,將其整合到更小的應用中。例如,將我們的晶片與人工視網膜一起使用,將使科學家能將這項新興技術小型化,並提高仿生眼的精準度。我們的原型設備標誌著朝著電子學中的終極目標『晶片上的大腦』邁出了重要的一步,這種『晶片上的大腦』可以像我們一樣從環境中學習。」
關鍵詞
光、神經形態、晶片、光遺傳學、人工智慧
參考資料
【1】Taimur Ahmed, Muhammad Tahir, Mei Xian Low, Yanyun Ren, Sherif Abdulkader Tawfik, Edwin L. H. Mayes, Sruthi Kuriakose, Shahid Nawaz, Michelle J. S. Spencer, Hua Chen, Madhu Bhaskaran, Sharath Sriram, Sumeet Walia. Fully LightControlled Memory and Neuromorphic Computation in Layered Black Phosphorus. Advanced Materials, 2020; 2004207 DOI: 10.1002/adma.202004207