Ispirato da come vedono i mammiferi, un nuovo prototipo di circuito per computer "memristor" presso l'Università del Michigan ha il potenziale per elaborare dati complessi, come immagini e video ordini di grandezza, più veloce e con molta meno potenza rispetto ai sistemi più avanzati di oggi.

L'elaborazione più rapida delle immagini potrebbe avere grandi implicazioni per i sistemi autonomi come le auto a guida autonoma, dice Wei Lu, Professore UM di ingegneria elettrica e informatica. Lu è l'autore principale di un articolo sul lavoro pubblicato nell'attuale numero di Nanotecnologia della natura .

I componenti del computer di nuova generazione di Lu utilizzano il riconoscimento dei modelli per abbreviare il processo ad alta intensità energetica che i sistemi convenzionali utilizzano per sezionare le immagini. In questo nuovo lavoro, lui e i suoi colleghi dimostrano un algoritmo che si basa su una tecnica chiamata "codifica sparsa" per convincere la loro matrice 32x32 di memristori ad analizzare e ricreare in modo efficiente diverse foto.

I memristori sono resistori elettrici con memoria, dispositivi elettronici avanzati che regolano la corrente in base alla cronologia delle tensioni applicate ad essi. Possono memorizzare ed elaborare i dati contemporaneamente, il che li rende molto più efficienti dei sistemi tradizionali. In un computer convenzionale, le funzioni logiche e di memoria si trovano in diverse parti del circuito.

"I compiti che chiediamo ai computer di oggi sono cresciuti in complessità, " Lu ha detto. "In questa era di 'big data', i computer richiedono costosi, comunicazioni costanti e lente tra il loro processore e la memoria per recuperare grandi quantità di dati. Questo li rende grandi, costoso e assetato di potere."

Ma come le reti neurali in un cervello biologico, reti di memristori possono eseguire molte operazioni contemporaneamente, senza dover spostare i dati. Di conseguenza, potrebbero abilitare nuove piattaforme che elaborano un vasto numero di segnali in parallelo e sono in grado di eseguire un apprendimento automatico avanzato. I memristori sono buoni candidati per reti neurali profonde, un ramo dell'apprendimento automatico, che addestra i computer a eseguire processi senza essere esplicitamente programmati per farlo.

"Abbiamo bisogno della nostra elettronica di nuova generazione per essere in grado di elaborare rapidamente dati complessi in un ambiente dinamico. Non puoi semplicemente scrivere un programma per farlo. A volte non hai nemmeno un compito predefinito, " ha detto Lu. "Per rendere i nostri sistemi più intelligenti, dobbiamo trovare il modo per elaborare molti dati in modo più efficiente. Il nostro approccio per raggiungere questo obiettivo è ispirato dalle neuroscienze".

Il cervello di un mammifero è in grado di generare ampi, impressioni in una frazione di secondo di ciò che gli occhi percepiscono. Uno dei motivi è perché possono riconoscere rapidamente diverse disposizioni di forme. Gli umani lo fanno usando solo un numero limitato di neuroni che diventano attivi, Lu dice. Sia i neuroscienziati che gli informatici chiamano il processo "codifica sparsa".

"Quando diamo un'occhiata a una sedia, la riconosceremo perché le sue caratteristiche corrispondono alla nostra immagine mentale memorizzata di una sedia, " disse Lu. "Anche se non tutte le sedie sono uguali e alcune possono differire da un prototipo mentale che funge da standard, ogni sedia conserva alcune delle caratteristiche chiave necessarie per un facile riconoscimento. Fondamentalmente, l'oggetto viene riconosciuto correttamente nel momento in cui viene classificato correttamente, quando "memorizzato" nella categoria appropriata nelle nostre teste".

Allo stesso modo, Il sistema elettronico di Lu è progettato per rilevare i modelli in modo molto efficiente e per utilizzare il minor numero possibile di funzioni per descrivere l'input originale.

Nel nostro cervello, neuroni diversi riconoscono modelli diversi, Lu dice.

"Quando vediamo un'immagine, i neuroni che lo riconoscono diventeranno più attivi, " ha detto. "I neuroni saranno anche in competizione tra loro per creare naturalmente una rappresentazione efficiente. Stiamo implementando questo approccio nel nostro sistema elettronico".

I ricercatori hanno addestrato il loro sistema per apprendere un "dizionario" di immagini. Addestrato su una serie di modelli di immagini in scala di grigi, la loro rete di memristor è stata in grado di ricostruire immagini di dipinti e foto famosi e altri modelli di test.

Se il loro sistema può essere scalato, si aspettano di poter elaborare e analizzare video in tempo reale in un sistema compatto che può essere integrato direttamente con sensori o telecamere.