Kredit:Krasula, Shutterstock
Inspirerade av kattugglor har forskare utvecklat ett innovativt lokaliseringssystem som kombinerar toppmoderna sensorer med en neuromorf beräkningskarta baserad på resistivt random-access memory (RRAM).
När vi går in i eran av genomgripande datoranvändning, inbäddas fler och fler av våra vardagliga föremål med mikroprocessorer för att hjälpa våra liv att fungera smidigt. För att uppnå detta måste dessa system fungera kontinuerligt och slösa minimalt med energi, samtidigt som de extraherar användbar och kompakt information från bullriga och ofta ofullständiga data som fångas från flera sensorer i realtid. Tack vare deras i minnet, händelsedrivna beräkningskapacitet, tillhandahåller hybrid memristiva komplementära metalloxidhalvledare (CMOS) neuromorfa arkitekturer ett idealiskt hårdvarusubstrat för sådana uppgifter.
Forskare som delvis stöds av MeM-Scales-projektet siktar på att visa den fulla potentialen hos ett sådant system. För detta ändamål utvecklade de ett bioinspirerat, händelsedrivet objektlokaliseringssystem som kopplar ihop avancerade piezoelektriska mikrobearbetade ultraljudsgivare (PMUT) med en neuromorf beräkningskarta baserad på RRAM. Deras artikel publicerad i tidskriften Nature Communications beskriver hur det föreslagna neuromorfa tillvägagångssättet har gjort det möjligt att minska strömförbrukningen med fem storleksordningar jämfört med konventionella lokaliseringssystem baserade på mikrokontroller.
Inspirerad av naturen
Inspiration till systemet hämtades från kattugglans neuroanatomi. "Vår föreslagna lösning representerar ett första steg i att demonstrera konceptet med ett biologiskt inspirerat system för att förbättra effektiviteten i beräkningar", konstaterar studie seniorförfattare Dr. Elisa Vianello i en nyhet publicerad på EE Times. "Det banar väg för mer komplexa system som utför ännu mer sofistikerade uppgifter för att lösa verkliga problem genom att kombinera information extraherad från olika sensorer.
"Vi föreställer oss att ett sådant tillvägagångssätt för att skapa ett bioinspirerat system kommer att vara nyckeln till att bygga nästa generations avancerade AI-enheter, där information bearbetas lokalt och med minimala resurser. I synnerhet tror vi att små djur och insekter är en stor inspirationskälla för en effektiv kombination av sensorisk informationsbehandling och beräkning. Tack vare de senaste framstegen inom teknik kan vi koppla innovativa sensorer med avancerad RRAM-baserad beräkning för att bygga system med ultralåg effekt", säger Dr. Vianello, som är senior forskare vid elektronik- och informationstekniklaboratoriet CEA-Leti vid MeM-Scales projektkoordinator French Alternative Energies and Atomic Energy Commission i Frankrike.
Forskargruppen genomförde mätningar av systemet bestående av RRAM-baserade koincidensdetektorer, fördröjningslinjekretsar och en helt anpassad ultraljudssensor. De använde experimentresultaten för att kalibrera simuleringarna på systemnivå. Dessa simuleringar användes sedan för att uppskatta objektlokaliseringsmodellens vinkelupplösning och energieffektivitet. Resultaten visade mycket högre energieffektivitet än en mikrokontroller som utför samma uppgift. "Målet är, som alltid, att få den bästa energieffektiviteten för den prestandanivå som krävs av en specifik applikation. Ytterligare förbättringar av energieffektiviteten är säkerligen möjliga med vårt system", konstaterar Dr. Vianello.
Studien visar att kombinationen av visuella sensorer såsom dynamiska synsensorkameror med en PMUT-baserad hörselsensor bör utforskas för att utveckla framtida konsumentrobotar. MeM-Scales-projektet (minnesteknologier med flerskaliga tidskonstanter för neuromorfa arkitekturer) avslutas i juni 2023. + Utforska vidare
