Fleksible AI optoelektroniske sensorer baner vejen for selvstændige energieffektive sundhedsovervågningsenheder

Fra at skabe billeder, generere tekst og aktivere selvkørende biler er de potentielle anvendelser af kunstig intelligens (AI) enorme og transformerende. Al denne evne kommer dog til meget høje energiomkostninger. For eksempel tyder estimater på, at træning af OPEN AIs populære GPT-3-model forbrugte over 1.287 MWh, nok til at forsyne en gennemsnitlig amerikansk husstand i 120 år.

Disse energiomkostninger udgør en væsentlig vejblokering, især for brugen af ​​kunstig intelligens i store applikationer som sundhedsovervågning, hvor store mængder kritiske sundhedsoplysninger sendes til centraliserede datacentre til behandling. Dette bruger ikke kun meget energi, men giver også anledning til bekymring om bæredygtighed, overbelastning af båndbredde og kommunikationsforsinkelser.

At opnå AI-baseret helbredsovervågning og biologisk diagnose kræver en selvstændig sensor, der fungerer uafhængigt uden behov for konstant forbindelse til en central server.

Samtidig skal sensoren have et lavt strømforbrug ved længere tids brug, den skal være i stand til at håndtere de hurtigt skiftende biologiske signaler til overvågning i realtid, være fleksibel nok til at kunne fastgøres komfortabelt til den menneskelige krop og være nem at lave og bortskaffes på grund af behov for hyppige udskiftninger af hygiejniske årsager.

I betragtning af disse kriterier har forskere fra Tokyo University of Science (TUS) ledet af lektor Takashi Ikuno udviklet en fleksibel papirbaseret sensor, der fungerer som den menneskelige hjerne. Deres resultater blev offentliggjort i Advanced Electronic Materials .

"En papirbaseret optoelektronisk synaptisk enhed sammensat af nanocellulose og ZnO blev udviklet til at realisere fysisk reservoirberegning. Denne enhed udviser synaptisk adfærd og kognitive opgaver på en passende tidsskala til sundhedsovervågning," siger Dr. Ikuno.

I den menneskelige hjerne bevæger information sig mellem netværk af neuroner gennem synapser. Hver neuron kan behandle information på egen hånd, hvilket gør det muligt for hjernen at håndtere flere opgaver på samme tid. Denne evne til parallel bearbejdning gør hjernen meget mere effektiv sammenlignet med traditionelle computersystemer.

For at efterligne denne evne fremstillede forskerne en foto-elektronisk kunstig synapse-enhed sammensat af guldelektroder oven på en 10 µm transparent film bestående af zinkoxid (ZnO) nanopartikler og cellulosenanofibre (CNF'er).

Den gennemsigtige film tjener tre hovedformål. For det første tillader den lys at passere igennem, hvilket gør den i stand til at håndtere optiske inputsignaler, der repræsenterer forskellig biologisk information. For det andet giver cellulosenanofibrene fleksibilitet og kan let bortskaffes ved forbrænding.

For det tredje er ZnO nanopartiklerne fotoresponsive og genererer en fotostrøm, når de udsættes for pulseret UV-lys og en konstant spænding. Denne fotostrøm efterligner de reaktioner, der transmitteres af synapsis i den menneskelige hjerne, hvilket gør det muligt for enheden at fortolke og behandle biologisk information modtaget fra optiske sensorer.

Navnlig var filmen i stand til at skelne 4-bit input optiske impulser og generere distinkte strømme som svar på tidsserie optisk input med en hurtig responstid i størrelsesordenen undersekunder. Denne hurtige reaktion er afgørende for at opdage pludselige ændringer eller abnormiteter i sundhedsrelaterede signaler.

Ydermere, når den blev udsat for to på hinanden følgende lysimpulser, var den elektriske strømreaktion stærkere for den anden impuls. Denne adfærd, kaldet post-potentieringsfacilitering, bidrager til kortsigtede hukommelsesprocesser i hjernen og forbedrer synapsernes evne til at opdage og reagere på velkendte mønstre.

For at teste dette konverterede forskerne MNIST-billeder, et datasæt af håndskrevne cifre, til 4-bit optiske impulser. De bestrålede derefter filmen med disse pulser og målte strømresponsen. Ved at bruge disse data som input var et neuralt netværk i stand til at genkende håndskrevne tal med en nøjagtighed på 88 %.

Bemærkelsesværdigt nok forblev denne håndskrevne ciffergenkendelse upåvirket, selv når enheden gentagne gange blev bøjet og strakt op til 1.000 gange, hvilket demonstrerer dens robusthed og gennemførlighed til gentagen brug. "Denne undersøgelse fremhæver potentialet ved at indlejre halvledernanopartikler i fleksible CNF-film til brug som fleksible synaptiske enheder til Kina," konkluderer Dr. Ikuno.

Flere oplysninger: Hiroaki Komatsu et al., Engangs- og fleksibelt papirbaserede optoelektroniske synaptiske enheder til fysisk reservoirberegning, Avanceret elektroniske materialer (2024). DOI:10.1002/aelm.202300749

Leveret af Tokyo University of Science