Sinir Ağı Çipi Resimleri Ne Kadar Hızlı Tanıyabilir?

Bir Sinir Ağı Çipi Resimleri Ne Kadar Hızlı Tanıyabilir? Viyana Teknik Üniversitesi nanosaniye diyor yazımızın devamında birlikte görelim.

A- A+

27.03.2020 tarihli yazı 8690 kez okunmuştur.

Otomatik görüntü tanıma günümüzde yaygın olarak kullanılmaktadır: Cilt kanserini güvenilir bir şekilde teşhis edebilen, kendi kendine giden arabalarda dolaşabilen veya robotları kontrol edebilen bilgisayar programları vardır. Şimdiye kadar, tüm bunlar normal kameralar tarafından sunulan görüntü verilerinin değerlendirilmesine dayanıyor ve bu zaman alıyor. Özellikle saniyede kaydedilen görüntü sayısı yüksek olduğunda, zor işlenebilecek büyük miktarda veri üretiliyor.

TU Wien'deki bilim insanları bu nedenle farklı bir yaklaşım benimsedi: özel bir 2D malzeme kullanarak, belirli nesneleri tanımak için eğitilebilen bir görüntü sensörü geliştirildi. Çip, öğrenebilen bir yapay sinir ağını temsil ediyor. Verilerin bir bilgisayar tarafından okunması ve işlenmesi gerekmiyor, çip nanosaniye içinde gördüğü şey hakkında bilgi sağlıyor.

Yapay Sinir Ağlarına Kısa Bir Bakış

Yapay Sinir Ağları, en başarılı makine öğrenme algoritmalarının önemli bir parçasıdır. Temel olarak, bir sinir ağı insan beynini taklit eder. Beyin hücreleri veya nöronlar sinapslarla bağlanır. Bu, ağırlıklı kenarlarla (sinapslar) bağlanan düğümlerin (nöronlar) bir grafiği olarak görülür.

Bir sinir ağı, ağırlıklı sinapslarla bağlanan giriş ve çıkış nöronlarına sahiptir. Ağırlıklar, ileri yayılmanın ne kadarının sinir ağından geçtiğini etkiler. Ağırlıklar geri yayılma sırasında değiştirilebilir. Bu, sinir ağının şu anda öğrendiği kısımdır. İleriye doğru yayılma ve geriye doğru yayılma işlemi, bir eğitim veri kümesindeki her veri parçası üzerinde tekrarlı olarak gerçekleştirilir. Veri kümesinin boyutu ne kadar büyük olursa, veri kümesi çeşitliliği de o kadar büyük olur. Kısaca Sinir ağları giriş ve çıkışlara bağlı ağırlıklı düğümlerden oluşur. Sistem örnek verilerle beslenir ve çıktı gerçek cevapla karşılaştırılır. Daha sonra çıktı gerçek verilerle eşleşene kadar düğümlerin ağırlığı ayarlanır.

► İlginizi Çekebilir: Yapay Sinir Ağları

Anlık Görüntü İşleme Gereksinimi

Sinir ağları, görüntü tanıma için mevcut yapay zeka teknolojisinin temelidir. Saniyelik görüntü sayısı büyük güçlü sistemlerde 1.000 FPS'ye kadar, yaygın sistemlerde 100 FPS'ye kadar işlem yapar. Bu durum kritik olmayan uygulamalar için kabul edilebilir olsa da, hızlı görüntü tanıma gerektiren uygulamalarda bir dezavantaj olabilir. Hızlı görüntü tanıma gerektiren uygulamalarda operatörler görüntüleri neredeyse anında işleyebilen bir cihazdan faydalanırlar.

Sinir Görüntü Sensörü

Sinir ağlarındaki gecikme bu sistemlerin işlemlerinin birden fazla adıma ihtiyaç duymasıdır; görüntü alınır, sinir ağına geçirilir ve en son işlenir. İşlendikten sonra uygun sinyaller ve diğer yanıtlar üretilebilir. Ancak tüm bu süreç bir CPU’ya dayanır.

Bu engeli aşmak için TU Wein'den bir araştırmacı ekibi, tüm adımları 20 nanosaniyenin altındaki görüntüleri tanıyabilen tek bir pakette birleştiren bir sinirsel görüntü sensörü geliştirdi.

(a) bir ANN fotodiyot dizisinin bir görüntüsü; (b) fotodiyot dizisindeki bir pikselin diyagramı; (c ve d)

► İlginizi Çekebilir: Yapay Sinir Ağları ile Kuantum Hata Düzeltme

Araştırmacıların kullandığı sensör, bir dizi fotodiyottan oluşan genel bir görüntü sensörüdür ve çipe yansıtılan görüntüleri kaydeder. Fotosensörler, ultra ince bir malzeme olan tungsten diselenidden yapılmıştır ve bir dizi çıkış elemanına bağlanır.

TU Wein ekibi çipi eğitmek için, sensörü bir görüntüye maruz bıraktılar, her pikselin hassasiyetini ayarlamak için bir bilgisayar programı kullandılar. Bunu, sensörün çevresindeki yerel elektrik alanını ayarlayarak yaptılar. Daha sonra sensör üzerindeki pikseller, herhangi bir nöron hareketinden sonra gösterilen görüntü ile çip eşleşene kadar değiştirildi.

Çip bir kez eğitildikten sonra, bilgisayara ihtiyaç duymadı ve görüntüleri tanımaya devam etti. Çipin çıkışı 50 nanosaniye içinde hazırdı.

Sensörün çalışma sırasında herhangi bir elektrik gücü tüketmemesi, tek kullanımlık elektronik cihazlar ve düşük enerjili IoT sistemleri de dahil olmak üzere düşük enerjili ortamlarda yüksek düzeyde uygulanabilir olabileceği anlamına gelir.

KAYNAK:

► technologynetworks.com
► technologyreview.com