Inspirado en cómo ven los mamíferos, un nuevo prototipo de circuito de computadora "memristor" en la Universidad de Michigan tiene el potencial de procesar datos complejos, como imágenes y órdenes de magnitud de video, más rápido y con mucha menos potencia que los sistemas más avanzados de la actualidad.
El procesamiento de imágenes más rápido podría tener grandes implicaciones para los sistemas autónomos, como los automóviles sin conductor, dice Wei Lu, profesor de ingeniería eléctrica y ciencias de la computación de la UM. Lu es el autor principal de un artículo sobre el trabajo publicado en la edición actual de Nanotecnología de la naturaleza .
Los componentes informáticos de próxima generación de Lu utilizan el reconocimiento de patrones para atajar el proceso intensivo en energía que utilizan los sistemas convencionales para diseccionar imágenes. En este nuevo trabajo, él y sus colegas demuestran un algoritmo que se basa en una técnica llamada "codificación dispersa" para convencer a susMatriz de 32 por 32 de memristores para analizar y recrear eficientemente varias fotos.
Los Memristors son resistencias eléctricas con memoria: dispositivos electrónicos avanzados que regulan la corriente en función del historial de los voltajes que se les aplican. Pueden almacenar y procesar datos simultáneamente, lo que los hace mucho más eficientes que los sistemas tradicionales. En una computadora convencional, las funciones de lógica y memoria se encuentran en diferentes partes del circuito.
"Las tareas que les pedimos a las computadoras de hoy en día han crecido en complejidad", dijo Lu. "En esta era de 'big data', las computadoras requieren comunicaciones costosas, constantes y lentas entre su procesador y memoria para recuperar grandes cantidades de datos. Esto los hacegrande, caro y hambriento de poder "
Pero al igual que las redes neuronales en un cerebro biológico, las redes de memristores pueden realizar muchas operaciones al mismo tiempo, sin tener que mover los datos. Como resultado, podrían habilitar nuevas plataformas que procesan una gran cantidad de señales en paralelo y soncapaz de aprendizaje automático avanzado. Los Memristors son buenos candidatos para redes neuronales profundas, una rama del aprendizaje automático, que entrena a las computadoras para ejecutar procesos sin ser programados explícitamente para hacerlo.
"Necesitamos nuestra electrónica de próxima generación para poder procesar rápidamente datos complejos en un entorno dinámico. No puede simplemente escribir un programa para hacer eso. A veces ni siquiera tiene una tarea predefinida", Lu"Para hacer que nuestros sistemas sean más inteligentes, necesitamos encontrar formas para que procesen muchos datos de manera más eficiente. Nuestro enfoque para lograrlo está inspirado en la neurociencia".
El cerebro de un mamífero es capaz de generar impresiones amplias de una fracción de segundo de lo que captan los ojos. Una razón es porque pueden reconocer rápidamente diferentes disposiciones de formas. Los humanos hacen esto usando solo un número limitado de neuronas que se activan, Ludice: tanto los neurocientíficos como los informáticos llaman al proceso "codificación dispersa"
"Cuando miramos una silla, la reconoceremos porque sus características corresponden a nuestra imagen mental almacenada de una silla", dijo Lu. "Aunque no todas las sillas son iguales y algunas pueden diferir de un prototipo mental que sirvecomo estándar, cada silla conserva algunas de las características clave necesarias para un fácil reconocimiento. Básicamente, el objeto se reconoce correctamente en el momento en que se clasifica correctamente, cuando se 'almacena' en la categoría adecuada en nuestras cabezas ".
Del mismo modo, el sistema electrónico de Lu está diseñado para detectar los patrones de manera muy eficiente, y para usar la menor cantidad de características posible para describir la entrada original.
En nuestros cerebros, diferentes neuronas reconocen diferentes patrones, dice Lu.
"Cuando vemos una imagen, las neuronas que la reconocen se volverán más activas", dijo. "Las neuronas también competirán entre sí para crear naturalmente una representación eficiente. Estamos implementando este enfoque en nuestro sistema electrónico."
Los investigadores entrenaron su sistema para aprender un "diccionario" de imágenes. Capacitados en un conjunto de patrones de imágenes en escala de grises, su red de memristores pudo reconstruir imágenes de pinturas y fotos famosas y otros patrones de prueba.
Si su sistema puede ampliarse, esperan poder procesar y analizar video en tiempo real en un sistema compacto que se puede integrar directamente con sensores o cámaras.
Fuente de la historia :
Materiales proporcionado por Universidad de Michigan . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :