دستیابی به موفقیت سنسور نوری تقلید چشم انسان ،یک گام کلیدی به سمت هوش مصنوعی بهتر

Summary:
Researchers are making key advances with a new type of optical sensor that more closely mimics the human eye’s ability to perceive changes in its visual field.
محققان در حال پیشرفت های کلیدی با نوع جدیدی از حسگر نوری هستند که توانایی چشم انسان در درک تغییرات در میدان بصری خود را از نزدیک تقلید می کند .
Researchers at Oregon State University are making key advances with a new type of optical sensor that more closely mimics the human eye’s ability to perceive changes in its visual field.
داستان کامل
محققان دانشگاه ایالتی اورگن در حال پیشرفت های کلیدی با نوع جدیدی از حسگر نوری هستند که توانایی چشم انسان در درک تغییرات در زمینه بصری آن را از نزدیک تقلید می کند.این سنسور یک موفقیت بزرگ در زمینه هایی مانند تشخیص تصویر، رباتیک و هوش مصنوعی است. یافته های محقق دانشگاه مهندسی OSU جان لبرام(دانشجوی دکترا) امروز این در مجله فیزیک کاربردی منتشر کرد.
The sensor is a major breakthrough for fields such as image recognition, robotics and artificial intelligence. Findings by OSU College of Engineering researcher John Labram and graduate student Cinthya Trujillo Herrera were published today in Applied Physics Letters.
حسگر یک پیشرفت بزرگ برای زمینه هایی مانند تشخیص تصویر، رباتیک و هوش مصنوعی است. یافته های محقق کالج مهندسی OSU جان لابرام و دانشجوی تحصیلات تکمیلی سینتیا تروخیو هررا امروز در نامه های فیزیک کاربردی منتشر شد.
Previous attempts to build a human-eye type of device, called a retinomorphic sensor, have relied on software or complex hardware, said Labram, assistant professor of electrical engineering and computer science. But the new sensor’s operation is part of its fundamental design, using ultrathin layers of perovskite semiconductors — widely studied in recent years for their solar energy potential — that change from strong electrical insulators to strong conductors when placed in light.
لابرام، استادیار مهندسی برق و علوم کامپیوتر می گوید تلاش های قبلی برای ساخت نوع دستگاه چشم انسان که حسگر رتینومورف نامیده می شود، به نرم افزار یا سخت افزار پیچیده متکی بوده است. اما عمل حسگر جدید بخشی از طراحی اساسی آن است، با استفاده از لایه های اولتراتین نیمه هادی های به طور گسترده ای در سال های اخیر برای پتانسیل انرژی خورشیدی آنها مورد مطالعه قرار گرفت زمانی که در نور قرار می گیرند که از عایق های الکتریکی قوی به هادی های قوی تغییر می کند.
مردم سعی کرده اند این مورد را در سخت افزار تکرار کنند که تاحدودی نیز موفق بوده اند. با این وجود، اگرچه الگوریتم ها و معماری طراحی شده برای پردازش اطلاعات بیشتر به مغز انسان شباهت دارند. اما، اطلاعاتی که این سیستم ها دریافت می کنند هنوز به طور قاطع طراحی شده برای رایانه های سنتی است.
“You can think of it as a single pixel doing something that would currently require a microprocessor,” said Labram, who is leading the research effort with support from the National Science Foundation.
به عبارت دیگر: برای دستیابی به پتانسیل کامل خود، رایانه ای که بیشتر مانند مغز انسان “فکر می کند” به سنسور تصویری نیاز دارد که مانند چشم انسان بتواند ببیند.
چشم عضوی کاملاً پیچیده است که حدود 100 میلیون گیرنده نوری دارد. با این حال ، عصب بینایی فقط 1 میلیون اتصال به مغز دارد. این بدان معناست که قبل از انتقال تصویر ، مقدار قابل توجهی پیش پردازش و فشرده سازی دینامیکی باید در شبکیه انجام گیرد.
The new sensor could be a perfect match for the neuromorphic computers that will power the next generation of artificial intelligence in applications like self-driving cars, robotics and advanced image recognition, Labram said. Unlike traditional computers, which process information sequentially as a series of instructions, neuromorphic computers are designed to emulate the human brain’s massively parallel networks.
لبرام گفت ، همانطور که می دانیم، حس بینایی ما به ویژه برای تشخیص اشیا در حال حرکت سازگار است و نسبتاً “کمتر” علاقه به تصاویر ساکن دارد. بنابراین ، مدارهای نوری ما به سیگنال های گیرنده های نوری که تغییر در شدت نور را تشخیص می دهند اولویت می دهد – می توانید این مسئله را خودتان با خیره شدن به یک نقطه ثابت تا زمان شروع ناپدید شدن اشیا در دید محیطی خود نشان دهید ، پدیده ای که به عنوان اثر Troxler شناخته می شود.
“People have tried to replicate this in hardware and have been reasonably successful,” Labram said. “However, even though the algorithms and architecture designed to process information are becoming more and more like a human brain, the information these systems receive is still decidedly designed for traditional computers.”
لبرام گفت ، فناوری های متداول سنجش ، مانند تراشه های موجود در دوربین های دیجیتال و تلفن های هوشمند ، برای پردازش متوالی مناسب ترند. تصاویر در یک آرایه دو بعدی از حسگرها ، پیکسل به پیکسل ، با فرکانس تعیین شده اسکن می شوند. هر سنسور سیگنالی با دامنه تولید می کند که مستقیماً با شدت نوری کهت می کند تغییر می کند. به این معنی که یک تصویر ثابت باعث ایجاد ولتاژ خروجی کم و بیش ثابت از سنسور می شود.
In other words: To reach its full potential, a computer that “thinks” more like a human brain needs an image sensor that “sees” more like a human eye.
در مقابل ، سنسور رتینومورفیک در شرایط ساکن نسبتاً ساکت می ماند. هنگامی که تغییر در روشنایی را حس می کند ، سیگنال تیز و کوتاه را ثبت کرده و بعد به سرعت به حالت اولیه خود باز می گردد. این عملکرد از خصوصیات فوتوالکتریک منحصر به فرد گروهی از نیمه هادی ها است که به پروسکیت معروف هستند و به عنوان مواد سلول خورشیدی با هزینه کم برای نسل آینده نوید زیادی را به ارمغان خواهد آورد.
A spectacularly complex organ, the eye contains around 100 million photoreceptors. However, the optic nerve only has 1 million connections to the brain. This means that a significant amount of preprocessing and dynamic compression must take place in the retina before the image can be transmitted.
در سنسور رتینومورفیک لبرام، پروسکایت در لایه های فوق نازک ، ضخامت چند صد نانومتری اعمال می شود و اساساً به عنوان یک خازن عمل می کند که ظرفیت آن را تحت نور تغییر می دهد و یک خازن انرژی را در یک میدان الکتریکی ذخیره می کند.
As it turns out, our sense of vision is particularly well adapted to detect moving objects and is comparatively “less interested” in static images, Labram said. Thus, our optical circuitry gives priority to signals from photoreceptors detecting a change in light intensity — you can demonstrate this yourself by staring at a fixed point until objects in your peripheral vision start to disappear, a phenomenon known as the Troxler effect.
روش به این صورت است که اساساً ، آن را برای یک ثانیه در تاریکی رها می کنیم ، سپس چراغ ها را روشن می کنیم و خاموش نمی کنیم. ولتاژ به سرعت خراب می شود ، حتی اگر شدت نور ثابت باشد. و این همان چیزی است که ما می خواهیم.”The good thing is that, with this simulation, we can input any video into one of these arrays and process that information in essentially the same way the human eye would,” Labram said. “For example, you can imagine these sensors being used by a robot tracking the motion of objects. Anything static in its field of view would not elicit a response, however a moving object would be registering a high voltage. This would tell the robot immediately where the object was, without any complex image processing.”
make a difference: sponsored opportunity
اگرچه آزمایشگاه لبرام در حال حاضر می تواند همزمان فقط دهد پردازش کنیم.” به عنوان مثال ، شما می توانید تصور کنید که این سنسورها توسط یک ربات ردیابی حرکت اجسام استفاده می شوند. هر چیزی که از نظر دیدگاه ثابت باشد، پاسخی نمی دهد. اما یک جسم در حال حرکت ولتاژ بالا را ثبت می کند. این امر فوراً به ربات می گوید بدون اینکه پردازش تصویری پیچیده ای انجام شود.
منبع داستان:
مطالب ارائه شده توسط دانشگاه ایالتی اورگان. نویسنده اصلی؛ کیت هاوتالا
مترجم:حسین فراهانی
۲۰۲۰/۱۲/۲۴