تراشه فتونیک با کمک هوش مصنوعی به تشخیص تصاویر می‌پردازد
محققان برای اولین بار نوعی هوش مصنوعی به نام شبکه عصبی عمیق را در دستگاه فوتونیکی (تراشه مبتنی بر نور) پیاده سازی کردند. با انجام این کار محققان به ساخت یک دستگاه ماشینی نزدیک شده‌اند که بتواند آنچه را که در لحظه می‌بیند مانند انسان‌ها، بسیار سریع و کارآمد پردازش کند.
به گزارش zmescience.com، حضور شبکه عصبی در دستگاه فوتونیک می‌تواند یک تصویر را در کمتر از ۵۷۰ پیکوثانیه طبقه بندی کند. به گفته محققان، این دستگاه با پردازش مستقیم و بدون ساعت داده‌های نوری خود، تبدیل آنالوگ به دیجیتال را حذف می‌کند و اجازه تشکیل تصویر به شبکه‌های عصبی سریع‌تر و کارآمدتر را می‌دهد.
طبقه بندی تقریباً فوری تصاویر
بینایی رایانه در حوزه هوش مصنوعی برای انجام اهداف خود راه طولانی را طی کرده است. از این رو اگر تا به حال به دوربین گوشی هوشمند خود خیره شده‌اید و قفل آن را باز کرده‌اید، می‌توانید قدرت هوش مصنوعی را درک کنید. در پشت پرده راز دوربین تلفن همراه شما، یک مدل یادگیری ماشینی به تراشه تلفن اجازه می‌دهد تا اشیائی را که در جلوی دوربین ظاهر می‌شوند طبقه‌بندی کند و بر اساس آن از خود واکنش نشان دهد.
به نظر می‌رسد رایانه‌ها وظایف خود را به سرعت را انجام می‌دهند، اما در واقعیت، آن‌ها بسیار کند هستند. برای مثال اگر این رایانه‌ها را حداقل با یکی از بهترین دستگاه‌های تشخیص تصویر در جهان مانند مغز انسان مقایسه کنید، متوجه سرعت پردازش آن‌ها خواهید شد.
در یک مطالعه جدید، مهندسان برق در دانشگاه پنسیلوانیا تلاش کردند، با ایجاد یک شبکه عصبی عمیق که از یک تراشه فوتونیک برای طبقه‌بندی مستقیم تصاویر استفاده می‌کند، روش پردازش نورون‌ها و اطلاعات بصری را از مغز تقلید کنند. این تراشه فوتونیک کوچک از ۹ نورون تشکیل شده و اندازه آن فقط ۹.۳ میلی متر مربع است. سیگنال‌های نوری در حین عبور از لایه‌های نورون‌های ریزتراشه به طور مداوم تنظیم می‌شوند تا بتوانند تصویر رویت شده را به سرعت بخوانند.
محققان برای آزمایش تراشه فوتونیک، مجموعه‌ای از ۲۱۶ حرف را به‌عنوان p یا d و مجموعه‌ای متشکل از ۴۳۲ حرف را به‌عنوان p، d، a یا t طبقه‌بندی کردند. به این ترتیب تراشه و شبکه عصبی عمیق دارای دقت ۹۳.۸ و ۸۹.۸ درصد بودند. این آزمایش فقط یک اثبات مفهومی بود. به همین دلیل است که محققان تنها از چند نورون مصنوعی برای این آزمایش استفاده کردند.
بیشتر بخوانید
- فاکس کان: مشکل کمبود تراشه تا نیمه دوم سال حل می‌‌شود
