Credito:Krasula, Shutterstock
Ispirandosi ai barbagianni, i ricercatori hanno sviluppato un sistema di localizzazione innovativo che combina sensori all'avanguardia con una mappa computazionale neuromorfica basata sulla memoria resistiva ad accesso casuale (RRAM).
Quando entriamo nell'era dell'informatica pervasiva, sempre più oggetti di uso quotidiano vengono incorporati con microprocessori per aiutare le nostre vite a funzionare senza intoppi. Per raggiungere questo obiettivo, questi sistemi devono funzionare continuamente e sprecare un minimo di energia, il tutto estraendo informazioni utili e compatte da dati rumorosi e spesso incompleti acquisiti da diversi sensori in tempo reale. Grazie alle loro capacità di calcolo basate sugli eventi in memoria, le architetture neuromorfiche ibride memristive a semiconduttore a ossido di metallo (CMOS) complementari forniscono un substrato hardware ideale per tali attività.
I ricercatori supportati in parte dal progetto MeM-Scales hanno deciso di dimostrare il pieno potenziale di un tale sistema. A tal fine, hanno sviluppato un sistema di localizzazione di oggetti basato su eventi e bio-ispirato che accoppia sensori piezoelettrici avanzati di trasduttori a ultrasuoni microlavorati (PMUT) con una mappa computazionale neuromorfica basata su RRAM. Il loro articolo è stato pubblicato sulla rivista Nature Communications descrive come l'approccio neuromorfico proposto abbia consentito di ridurre il consumo energetico di cinque ordini di grandezza rispetto ai sistemi di localizzazione convenzionali basati su microcontrollori.
Ispirato dalla natura
L'ispirazione per il sistema è stata tratta dalla neuroanatomia del barbagianni. "La nostra soluzione proposta rappresenta un primo passo nella dimostrazione del concetto di un sistema biologicamente ispirato per migliorare l'efficienza nel calcolo", osserva l'autrice senior, la dott.ssa Elisa Vianello, in una notizia pubblicata su EE Times. "Apre la strada a sistemi più complessi che svolgono compiti ancora più sofisticati per risolvere i problemi del mondo reale combinando le informazioni estratte da sensori diversi.
"Prevediamo che un tale approccio per concepire un sistema bio-ispirato sarà la chiave per costruire la prossima generazione di dispositivi di intelligenza artificiale, in cui le informazioni vengono elaborate localmente e con risorse minime. In particolare, riteniamo che piccoli animali e insetti siano un grande fonte di ispirazione per un'efficiente combinazione di elaborazione e calcolo delle informazioni sensoriali. Grazie agli ultimi progressi tecnologici, possiamo accoppiare sensori innovativi con un calcolo avanzato basato su RRAM per costruire sistemi a bassissima potenza", afferma il dott. Vianello, che è uno scienziato senior presso il laboratorio di elettronica e tecnologia dell'informazione CEA-Leti del coordinatore del progetto MeM-Scales, Commissione francese per le energie alternative e l'energia atomica in Francia.
Il team di ricerca ha condotto misurazioni del sistema costituito da rilevatori di coincidenza basati su RRAM, circuiti della linea di ritardo e un sensore a ultrasuoni completamente personalizzato. Hanno usato i risultati sperimentali per calibrare le simulazioni a livello di sistema. Queste simulazioni sono state quindi utilizzate per stimare la risoluzione angolare e l'efficienza energetica del modello di localizzazione degli oggetti. I risultati hanno mostrato un'efficienza energetica molto maggiore rispetto a un microcontrollore che esegue lo stesso compito. "L'obiettivo è, come sempre, ottenere la migliore efficienza energetica per il livello di prestazioni richiesto da una specifica applicazione. Ulteriori miglioramenti nell'efficienza energetica sono sicuramente possibili con il nostro sistema", osserva il Dott. Vianello.
Lo studio dimostra che la combinazione di sensori visivi come le telecamere con sensori di visione dinamica con un sensore dell'udito basato su PMUT dovrebbe essere esplorata per sviluppare futuri robot di consumo. Il progetto MeM-Scales (Tecnologie di memoria con costanti di tempo multiscala per architetture neuromorfiche) si conclude a giugno 2023. + Esplora ulteriormente
