Inspirowane naturą urządzenie zmniejsza zużycie energii

Naukowcy zainspirowani obserwacją płomykówek zwyczajnych opracowali innowacyjny system lokalizacji, który łączy w sobie najnowocześniejsze czujniki z neuromorficzną mapą obliczeniową opartą na rezystancyjnej pamięci o dostępie swobodnym (ang. resistive random-access memory, RRAM).

W miarę wkraczania w erę wszechobecnej komputeryzacji coraz więcej naszych codziennych czynności zaczynają wykonywać mikroprocesory, które pomagają nam w sprawnym funkcjonowaniu na co dzień. Tego rodzaju układy muszą działać bez przerwy i zużywać minimalne ilości energii, a jednocześnie pozyskiwać użyteczne i zwięzłe informacje z nieuporządkowanych i często niekompletnych danych otrzymywanych z wielu czujników w czasie rzeczywistym. Dzięki możliwości dokonywania obliczeń na podstawie zdarzeń w pamięci hybrydowe memrystorowe architektury neuromorficzne CMOS stanowią idealną podstawę sprzętową do realizacji takich zadań.

Naukowcy wspierani częściowo przez finansowany ze środków UE projekt MeM-Scales postawili sobie za cel zademonstrowanie pełnego potencjału tego typu układów. W tym celu opracowali oni inspirowany naturą, sterowany zdarzeniami system lokalizacji obiektów, który łączy w sobie zaawansowane piezoelektryczne mikroprzetworniki ultradźwiękowe (ang. piezoelectric micro-machined ultrasound transducer, PMUT) z neuromorficzną mapą obliczeniową opartą na pamięci RRAM. W swojej pracy opublikowanej w czasopiśmie „Nature Communications” opisują w jaki sposób zaproponowane podejście neuromorficzne umożliwiło zmniejszenie zużycia energii o pięć rzędów wielkości w porównaniu z konwencjonalnymi systemami lokalizacyjnymi opartymi na mikrokontrolerach.Inspiracją do stworzenia systemu była neuroanatomia płomykówki zwyczajnej. „Proponowane przez nas rozwiązanie stanowi pierwszy krok w ramach demonstracji koncepcji inspirowanego naturą systemu w celu poprawy możliwości obliczeniowych”, zauważa starsza autorka badania dr Elisa Vianello w artykule zamieszczonym w serwisie „EE Times”. „Umożliwia to tworzenie bardziej złożonych systemów, które wykonują jeszcze bardziej skomplikowane zadania, aby rozwiązywać rzeczywiste problemy poprzez połączenie informacji pozyskanych z różnych czujników. Przewidujemy, że takie podejście do stworzenia inspirowanego naturą systemu będzie miało kluczowe znaczenie dla budowy nowej generacji przełomowych urządzeń opartych na sztucznej inteligencji, w których informacje są przetwarzane lokalnie i przy zużyciu minimalnej ilości zasobów. Uważamy, że doskonałym źródłem inspiracji dla efektywnego połączenia przetwarzania informacji z czujników i obliczeń są w szczególności małe zwierzęta i owady. Dzięki najnowszym postępom technologicznym możemy połączyć innowacyjne czujniki z zaawansowanymi obliczeniami opartymi na RRAM, aby zbudować systemy o ultraniskim poborze mocy”, stwierdza dr Vianello, która jest starszą naukowczynią w laboratorium elektroniki i technologii informacyjnej CEA-Leti należącym do Komisji ds. Energii Alternatywnych i Energii Atomowej we Francji, koordynującej projekt MeM-Scales.

Zespół badawczy przeprowadził pomiary systemu składającego się z czujników koincydencji opartych na RRAM, obwodów linii opóźniającej oraz w pełni autorskiego czujnika ultradźwiękowego. Naukowcy wykorzystali wyniki eksperymentalne do kalibracji symulacji na poziomie systemu. Symulacje te wykorzystano następnie do oszacowania rozdzielczości kątowej i efektywności energetycznej modelu lokalizacji obiektów. Wyniki wykazały znacznie większą efektywność energetyczną niż w przypadku mikrokontrolera wykonującego to samo zadanie. „Celem jest, jak zawsze, uzyskanie najlepszej efektywności energetycznej dla poziomu wydajności wymaganego przez konkretne zastosowanie. Dzięki naszemu systemowi z pewnością możliwa jest dalsza poprawa efektywności energetycznej”, zauważa dr Vianello.

Badanie pokazuje, że połączenie czujników wizualnych, takich jak dynamiczne kamery z czujnikami wizyjnymi, z czujnikiem dźwięków opartym na PMUT należałoby zbadać pod kątem tworzenia przyszłych robotów konsumenckich. Projekt MeM-Scales (Memory technologies with multi-scale time constants for neuromorphic architectures) zakończy się w czerwcu 2023 roku.

Więcej informacji:

strona projektu MeM-Scales


data ostatniej modyfikacji: 2022-09-28 17:15:01
Komentarze
Polityka Prywatności