تراشه جدید LightTok نور را مستقیما به "توکن" برای هوش مصنوعی تبدیل می کند - کاهش مصرف انرژی در هواپیماهای بدون سرنشین و سایر ماشین های مستقل

محققان چینی حسگری ساخته اند که می تواند میزان انرژی مورد استفاده پهپادها و سایر سخت افزارهای مستقل را برای پردازش داده های بصری کاهش دهد.

در مطالعه‌ای که در 19 اوت در مجله Nature Sensors منتشر شد، دانشمندان جزئیات معماری یک تراشه دوبعدی جدید با نام "LightTok" را توضیح دادند که می‌تواند نور خام را به نشانه‌هایی تبدیل کند که توسط مدل‌های هوش مصنوعی (AI) روی خود تراشه استفاده می‌شوند. به گفته دانشمندان، این دستگاه از چندین مرحله انرژی بر که سیستم های حسگر معمولی به آن وابسته هستند، صرف نظر می کند.

میائو فنگ، مدیر مؤسسه هوش الهام گرفته از مغز دانشگاه نانجینگ در بیانیه‌ای گفت: «ایده طراحی ما این بود که تولید توکن را به خود حسگر منتقل کنیم و به تراشه اجازه دهیم تا به‌طور مستقیم توکن‌هایی تولید کند که مدل‌های هوش مصنوعی می‌توانند پس از رسیدن نور به حسگر، آن‌ها را پردازش کنند. "این توکن ها حاوی اطلاعات کامل تصویر هستند."

فروپاشی فرآیند ادراک بصری

در ادراک بصری مرسوم، سیگنال های نوری باید چندین مرحله را طی کنند. یک سنسور سیگنال ها را می گیرد و یک مبدل آنالوگ به دیجیتال نور را به پیکسل تبدیل می کند. سپس این داده‌ها قبل از انتقال به یک تراشه جداگانه، به طور موقت ذخیره می‌شوند، جایی که تصویر به "محفظه‌های" مربعی بریده می‌شود - دقیقا مانند تقسیم یک عکس به شبکه‌ای از کاشی‌ها. سپس هر محفظه به نشانه ای برای خواندن یک مدل هوش مصنوعی تبدیل می شود.

یک مطالعه که به طور گسترده توسط سایر دانشگاهیان ذکر شده است نشان می دهد که یک مبدل آنالوگ به دیجیتال به طور متوسط ​​مسئول 66 درصد از مصرف انرژی حسگر تصویر است. انتقال پردازش داده‌های بصری از تراشه و داخل ابر می‌تواند مصرف کلی انرژی را بیشتر افزایش دهد.

راه حل لایت تاک برای مشکل انرژی این است که با ساختن فرآیندهای سنجش، حافظه و محاسبات در یک پیکسل، پنج مرحله را به یک مرحله تقسیم کند. محققان از طریق آرایه‌ای مبتنی بر فناوری به نام فوتوترانزیستور دروازه شناور دی سولفید مولیبدن تک لایه که می‌تواند نور را حس کند، آنچه را که حس می‌کند به خاطر بیاورد و سپس آن را در محاسبات وارد کند، به این امر دست یافتند.

این تراشه از نظر فیزیکی حرکت داده ها را که منبع اصلی هدر رفتن انرژی است حذف می کند.

لیانگ شی جون، استاد فیزیک دانشگاه نانجینگ

دی سولفید مولیبدن یک ماده دو بعدی است که به خوبی به نور واکنش نشان می دهد و می تواند در صفحاتی با ضخامت یک اتم رشد کند. فوتوترانزیستور فوتون های ورودی - ذرات نور - را به جریان الکتریکی تبدیل می کند، در حالی که دروازه شناور یک جزء جدا شده در فتوترانزیستور است که می تواند یک بار الکتریکی را به دام بیاندازد و نگه دارد، نه اینکه پس از ناپدید شدن نور ناپدید شود.

لیانگ شی جون، استاد فیزیک دانشگاه نانجینگ، این تراشه را به خبرگزاری دولتی چین، شین هوا، خلاصه کرد. لیانگ گفت: «این تراشه از نظر فیزیکی حرکت داده‌ها را که منبع اصلی اتلاف انرژی است، حذف می‌کند. "نور وارد می شود، نشانه ها بیرون می آیند" - از این رو نام "LightTok" است.

محققان در این مطالعه گزارش دادند که LightTok در طی آزمایشات به 87.3 درصد دقت در تشخیص تصویر دست یافت - در مقایسه با فرآیند معمولی و چند مرحله ای که در بالا توضیح داده شد - در حالی که 10 برابر انرژی در تبدیل نور به توکن کارآمدتر بود.

دنیای فیزیکی کارآمدتر

در حال حاضر، حداکثر وضوح لایت تاک فقط 32 در 32 پیکسل حساس به نور است - محفظه های حساس به نور در یک سنسور تصویر که داده های بصری را ضبط می کند. این بسیار پایین‌تر از کیفیت دوربین‌های فعلی گوشی‌های هوشمند است، چه رسد به پهپادها و سخت‌افزارهای مستقل.

با این وجود، Miao در این بیانیه گفت که فرصتی برای افزایش این فناوری با استفاده از فرآیند تکمیلی تولید نیمه هادی اکسید فلزی وجود دارد - همان روشی که برای ساخت تراشه های موجود در تلفن های هوشمند و لپ تاپ ها و همچنین حسگرها در پهپادها استفاده می شود.

محققان بر این باورند که اگر لایت تاک در نهایت بتواند با موفقیت مقیاس‌پذیری کند، می‌تواند عملکرد فناوری سنجش از دور را متحول کند. به عنوان مثال، یک پهپاد که یک منطقه فاجعه یا منطقه دورافتاده را اسکن می کند، به طور بالقوه می تواند طولانی تر پرواز کند زیرا انرژی کمتری برای پردازش بصری مورد نیاز است.

داستان های مرتبط

دانشمندان می گویند که آنها یک گلوگاه بزرگ هوش مصنوعی را از بین برده اند - اکنون آنها می توانند محاسبات را "با سرعت نور" پردازش کنند.

«رنگین کمان روی یک تراشه» می‌تواند به کنترل نیازهای انرژی هوش مصنوعی کمک کند - و به طور تصادفی ایجاد شد

تراشه هوش مصنوعی ظرفیت مغز انسان را برای کنترل موتور در کسری از ثانیه تقلید می‌کند – این تراشه با 10000 بار محاسبات کمتر مشکلات را حل کرد.

کومار سوکا، مدیر عامل Acre Security، شرکتی که حسگری در دنیای واقعی برای زیرساخت‌های حیاتی ارائه می‌کند، این کار را یک "نمایش در مقیاس کوچک" توصیف کرد. با این حال، سوکا، که در تحقیق جدید دخالتی نداشت، افزود: «جهت [تحقیق] برای هر کسی که در دنیای فیزیکی کار می‌کند مهم است».

سوکا که قبلا 15 سال را در شرکت اتوماسیون صنعتی Rockwell Automation گذرانده بود، در ایمیلی به Live Science گفت که بسیاری از گفتگوها در مورد هوش مصنوعی فیزیکی حول مدل های هوش مصنوعی متمرکز شده است. او گفت در حقیقت، چالش بزرگ‌تر هزینه انرژی «تبدیل آنچه که یک حسگر می‌بیند به شکلی که یک مدل واقعا می‌تواند از آن استفاده کند، درست در جایی که حس اتفاق می‌افتد، بوده است».

سوکا خاطرنشان کرد: مقدار انبوه انرژی که معمولا برای تبدیل داده‌های خام، مانند نور، به توکن‌ها لازم است، «زمانی که در حال کار بر روی یک ربات یا دستگاه لبه‌ای با بودجه‌ی کم انرژی هستید، هدر می‌رود. با این حال، پردازش در نقطه شناسایی ممکن است "یک توانمندساز برای هوش مصنوعی فیزیکی فراگیر و هوشمندانه باشد، اما درمانی برای کل مشکل نیست."

آیا می توانید این وسایل باستانی را با تصاویر آنها مطابقت دهید؟ با مسابقه محاسباتی ما پیدا کنید!