Forskare från Skoltech har tränat neurala nätverk för att utvärdera och förutsäga växternas tillväxtmönster med hänsyn till de huvudsakliga påverkande faktorerna och föreslå det optimala förhållandet mellan näringsbehovet och andra tillväxtdrivande parametrar. Resultaten av studien publicerades i IEEE-tidskriften Transactions on Instrumentations and Measurements.

Under de senaste åren, flera försök har gjorts att använda artificiell intelligens (AI) i nästan alla livets sfärer. Det har visat sig användbart, hjälpa människor att fatta rätt beslut och nå målet. Att använda AI för att odla växter i konstgjorda miljöer är inget undantag. Neurala nätverk finns i en mängd olika arkitekturer, inklusive deras mest framträdande typ, återkommande neurala nätverk (RNN), som hjälper till att effektivt bearbeta riktningssekvenser av data, som text, tal eller tidsserier, den senare är den mest avgörande för att beskriva växternas tillväxt över tid.

I sin studie, Skoltech-forskarna visade hur RNN kan användas i kombination med datorseendealgoritmer för att hantera växtförutsägelseuppgiften i sin helhet, samtidigt som man håller ett öga på den aktuella statusen och huvudparametrarna för växtodlingssystemet. Uppgiften togs upp med hjälp av data som erhölls i studien som utfördes i samarbete med German Aerospace Center (DLR), där de tyska forskarna tittade på ytterligare stimulans för växttillväxt i konstgjorda system liknande de som används på den internationella rymdstationen. Det gemensamma experimentet gav värdefulla resultat som hjälpte till att hitta det optimala förhållandet av näringsämnen som säkerställde det bästa tillväxtmönstret under de befintliga begränsningarna.

Forskarna segmenterade och bestämde den totala bladytan med hjälp av datorseendealgoritmer och förutspådde växttillväxt med hjälp av RNN från olika arkitekturer som klarade uppgiften effektivt. De föreslog också ett inbyggt energieffektivt system för att beräkna och förutsäga tillväxtmönstret för att göra verkliga demokörningar och tester av den dedikerade programvaran.

Systemet är baserat på Raspberry Pi, en populär enkorts prototypdator med ett externt Intel Movidius-grafikkort. Enheten använder en kompakt och kraftfull Myriad 2-grafikprocessor som arbetar på 150 Gflops med en effekt på endast 1 W, vilket är jämförbart med superdatorerna i mitten av 1990-talet. En perfekt lösning för neurala nätverk, dessa grafikkretsar kommer sannolikt att bli kärnan i inbyggda AI-baserade system i framtiden.