Næste generations computing:Memristor-chips, der ser mønstre over pixels

Inspireret af hvordan pattedyr ser, en ny "memristor" computerkredsløbsprototype ved University of Michigan har potentialet til at behandle komplekse data, såsom billeder og video størrelsesordener, hurtigere og med meget mindre strøm end nutidens mest avancerede systemer.

Hurtigere billedbehandling kan have store konsekvenser for autonome systemer såsom selvkørende biler, siger Wei Lu, U-M professor i elektroteknik og datalogi. Lu er hovedforfatter på et papir om det arbejde, der er offentliggjort i det aktuelle nummer af Natur nanoteknologi .

Lus næste generation af computerkomponenter bruger mønstergenkendelse til at genveje den energikrævende proces, traditionelle systemer bruger til at dissekere billeder. I dette nye værk, han og hans kolleger demonstrerer en algoritme, der er afhængig af en teknik kaldet "sparse coding" til at lokke deres 32-x-32-array af memristorer til effektivt at analysere og genskabe flere fotos.

Memristorer er elektriske modstande med hukommelse - avancerede elektroniske enheder, der regulerer strøm baseret på historien om de spændinger, der påføres dem. De kan lagre og behandle data samtidigt, hvilket gør dem meget mere effektive end traditionelle systemer. I en konventionel computer, logik og hukommelsesfunktioner er placeret på forskellige dele af kredsløbet.

"De opgaver, vi stiller til nutidens computere, er vokset i kompleksitet, " sagde Lu. "I denne 'big data'-æra, computere kræver dyre, konstant og langsom kommunikation mellem deres processor og hukommelse for at hente store mængder data. Det gør dem store, dyrt og strømkrævende."

Men ligesom neurale netværk i en biologisk hjerne, netværk af memristorer kan udføre mange operationer på samme tid, uden at skulle flytte data rundt. Som resultat, de kunne muliggøre nye platforme, der behandler et stort antal signaler parallelt og er i stand til avanceret maskinlæring. Memristorer er gode kandidater til dybe neurale netværk, en gren af ​​maskinlæring, som træner computere til at udføre processer uden at være eksplicit programmeret til at gøre det.

"Vi har brug for vores næste generations elektronik for hurtigt at kunne behandle komplekse data i et dynamisk miljø. Man kan ikke bare skrive et program for at gøre det. Nogle gange har man ikke engang en foruddefineret opgave, " sagde Lu. "For at gøre vores systemer smartere, vi skal finde måder, hvorpå de kan behandle en masse data mere effektivt. Vores tilgang til at opnå det er inspireret af neurovidenskab."

Et pattedyrs hjerne er i stand til at generere fejende, splitsekund indtryk af, hvad øjnene optager. En grund er, at de hurtigt kan genkende forskellige arrangementer af former. Mennesker gør dette ved kun at bruge et begrænset antal neuroner, der bliver aktive, siger Lu. Både neurovidenskabsmænd og dataloger kalder processen "sparsom kodning."

"Når vi kigger på en stol, vil vi genkende den, fordi dens egenskaber svarer til vores lagrede mentale billede af en stol, " sagde Lu. "Selvom ikke alle stole er ens, og nogle kan adskille sig fra en mental prototype, der fungerer som en standard, hver stol bevarer nogle af de nøgleegenskaber, der er nødvendige for let genkendelse. I bund og grund, objektet genkendes korrekt i det øjeblik, det er korrekt klassificeret - når det er 'gemt' i ​​den passende kategori i vores hoveder."

Tilsvarende Lus elektroniske system er designet til at detektere mønstrene meget effektivt - og til at bruge så få funktioner som muligt til at beskrive det originale input.

I vores hjerner, forskellige neuroner genkender forskellige mønstre, siger Lu.

"Når vi ser et billede, neuronerne, der genkender det, bliver mere aktive, " sagde han. "Neuronerne vil også konkurrere med hinanden for naturligt at skabe en effektiv repræsentation. Vi implementerer denne tilgang i vores elektroniske system."

Forskerne trænede deres system til at lære en "ordbog" over billeder. Trænet på et sæt gråtonebilleder, deres memristor-netværk var i stand til at rekonstruere billeder af berømte malerier og fotos og andre testmønstre.

Hvis deres system kan skaleres op, de forventer at kunne behandle og analysere video i realtid i et kompakt system, der kan integreres direkte med sensorer eller kameraer.