Inspirerad av hur däggdjur ser, en ny "memristor" datorkrets prototyp vid University of Michigan har potential att bearbeta komplexa data, såsom bilder och videoordningar av storleksordning, snabbare och med mycket mindre kraft än dagens mest avancerade system.

Snabbare bildbehandling kan få stora konsekvenser för autonoma system som självkörande bilar, säger Wei Lu, U-M professor i elektroteknik och datavetenskap. Lu är huvudförfattare till en artikel om arbetet som publiceras i det aktuella numret av Naturens nanoteknik .

Lus nästa generations datorkomponenter använder mönsterigenkänning för att genväga den energikrävande process som konventionella system använder för att dissekera bilder. I detta nya verk, han och hans kollegor visar en algoritm som bygger på en teknik som kallas "gles kodning" för att locka upp sina 32-by-32-uppsättningar memristorer för att effektivt analysera och återskapa flera foton.

Memristorer är elektriska motstånd med minne - avancerade elektroniska enheter som reglerar ström baserat på historien om de spänningar som appliceras på dem. De kan lagra och bearbeta data samtidigt, vilket gör dem mycket effektivare än traditionella system. I en vanlig dator, logik- och minnesfunktioner finns på olika delar av kretsen.

"De uppgifter vi ber om dagens datorer har ökat i komplexitet, " sa Lu. "I denna 'big data'-era, datorer kräver dyra, konstant och långsam kommunikation mellan deras processor och minne för att hämta stora mängder data. Detta gör dem stora, dyrt och kraftkrävande."

Men som neurala nätverk i en biologisk hjärna, nätverk av memristorer kan utföra många operationer samtidigt, utan att behöva flytta runt data. Som ett resultat, de skulle kunna möjliggöra nya plattformar som bearbetar ett stort antal signaler parallellt och som är kapabla till avancerad maskininlärning. Memristorer är bra kandidater för djupa neurala nätverk, en gren av maskininlärning, som tränar datorer att köra processer utan att vara explicit programmerad att göra det.

"Vi behöver vår nästa generations elektronik för att snabbt kunna behandla komplexa data i en dynamisk miljö. Du kan inte bara skriva ett program för att göra det. Ibland har du inte ens en fördefinierad uppgift, " sa Lu. "För att göra våra system smartare, vi måste hitta sätt för dem att bearbeta mycket data mer effektivt. Vår metod för att åstadkomma det är inspirerad av neurovetenskap."

Ett däggdjurs hjärna kan generera svepande, splitsekundsintryck av vad ögonen tar in. En anledning är att de snabbt kan känna igen olika arrangemang av former. Människor gör detta med endast ett begränsat antal neuroner som blir aktiva, säger Lu. Både neuroforskare och datavetare kallar processen "gles kodning".

"När vi tittar på en stol kommer vi att känna igen den eftersom dess egenskaper motsvarar vår lagrade mentala bild av en stol, ", sa Lu. "Även om inte alla stolar är lika och vissa kan skilja sig från en mental prototyp som fungerar som standard, varje stol behåller några av de viktigaste egenskaperna som är nödvändiga för enkel igenkänning. I grund och botten, objektet känns igen korrekt i det ögonblick det är korrekt klassificerat - när "lagrat" i lämplig kategori i våra huvuden."

Liknande, Lus elektroniska system är designat för att detektera mönstren mycket effektivt – och att använda så få funktioner som möjligt för att beskriva den ursprungliga ingången.

I våra hjärnor, olika neuroner känner igen olika mönster, säger Lu.

"När vi ser en bild, neuronerna som känner igen det kommer att bli mer aktiva, " sade han. "Neuronerna kommer också att konkurrera med varandra för att naturligt skapa en effektiv representation. Vi implementerar detta tillvägagångssätt i vårt elektroniska system."

Forskarna tränade sitt system för att lära sig en "ordbok" över bilder. Utbildad på en uppsättning gråskalebildsmönster, deras memristornätverk kunde rekonstruera bilder av kända målningar och foton och andra testmönster.

Om deras system kan skalas upp, de förväntar sig att kunna bearbeta och analysera video i realtid i ett kompakt system som kan integreras direkt med sensorer eller kameror.