Bio-inspireret lokaliseringssystem reducerer strømforbruget

Inspireret af krudtugler har forskere udviklet et innovativt lokaliseringssystem, der kombinerer state-of-the-art sensorer med et neuromorfisk beregningskort baseret på resistive random-access memory (RRAM).

Efterhånden som vi går ind i æraen med pervasive computing, bliver flere og flere af vores hverdagsobjekter indlejret med mikroprocessorer for at hjælpe vores liv til at løbe glat. For at opnå dette skal disse systemer fungere kontinuerligt og spilde minimalt med energi, alt imens de udvinder nyttig og kompakt information fra støjende og ofte ufuldstændige data, der er fanget fra flere sensorer i realtid. Takket være deres hændelsesdrevne computeregenskaber i hukommelsen giver hybride memristive komplementære metaloxid-halvledere (CMOS) neuromorfe arkitekturer et ideelt hardwaresubstrat til sådanne opgaver.

Forskere støttet delvist af MeM-Scales-projektet satte sig for at demonstrere det fulde potentiale af et sådant system. Til dette formål udviklede de et bio-inspireret, hændelsesdrevet objektlokaliseringssystem, der kobler avancerede piezoelektriske mikrobearbejdede ultralydstransducere (PMUT) sensorer med et neuromorfisk beregningskort baseret på RRAM. Deres papir blev offentliggjort i tidsskriftet Nature Communications beskriver, hvordan den foreslåede neuromorfe tilgang har gjort det muligt at reducere strømforbruget med fem størrelsesordener sammenlignet med konventionelle lokaliseringssystemer baseret på mikrocontrollere.

Inspireret af naturen

Inspiration til systemet blev hentet fra perleuglens neuroanatomi. "Vores foreslåede løsning repræsenterer et første skridt i at demonstrere konceptet med et biologisk inspireret system til at forbedre effektiviteten i beregningen," bemærker seniorforfatter Dr. Elisa Vianello i et nyhedsindslag på EE Times. "Det baner vejen mod mere komplekse systemer, der udfører endnu mere sofistikerede opgaver for at løse problemer i den virkelige verden ved at kombinere information udvundet fra forskellige sensorer.

"Vi forestiller os, at en sådan tilgang til at udtænke et bio-inspireret system vil være nøglen til at bygge den næste generation af edge AI-enheder, hvor information behandles lokalt og med minimale ressourcer. Især mener vi, at små dyr og insekter er en stor inspirationskilde til en effektiv kombination af sensorisk informationsbehandling og beregning. Takket være de seneste fremskridt inden for teknologi kan vi koble innovative sensorer med avanceret RRAM-baseret beregning for at bygge ultra-lav-effekt systemer," siger Dr. Vianello, som er seniorforsker ved elektronik- og informationsteknologilaboratoriet CEA-Leti fra MeM-Scales projektkoordinator French Alternative Energies and Atomic Energy Commission i Frankrig.

Forskerholdet udførte målinger af systemet bestående af RRAM-baserede tilfældighedsdetektorer, forsinkelseslinjekredsløb og en fuldt tilpasset ultralydssensor. De brugte de eksperimentelle resultater til at kalibrere simuleringerne på systemniveau. Disse simuleringer blev derefter brugt til at estimere objektlokaliseringsmodellens vinkelopløsning og energieffektivitet. Resultaterne viste meget større energieffektivitet end en mikrocontroller, der udfører den samme opgave. "Målet er, som altid, at opnå den bedste strømeffektivitet i forhold til det ydeevne, der kræves af en specifik applikation. Yderligere forbedringer i energieffektiviteten er bestemt mulige med vores system," bemærker Dr. Vianello.

Undersøgelsen viser, at kombinationen af ​​visuelle sensorer såsom dynamiske synssensorkameraer med en PMUT-baseret høresensor bør undersøges for at udvikle fremtidige forbrugerrobotter. MeM-Scales-projektet (hukommelsesteknologier med multi-skala tidskonstanter for neuromorfe arkitekturer) slutter i juni 2023. + Udforsk yderligere

Et computersystem i hukommelsen baseret på stablede 3D-resistive hukommelser