教育新闻网如今，自动图像识别已被广泛使用：有些计算机程序可以可靠地诊断皮肤癌，驾驶自动驾驶汽车或控制机器人。到目前为止，所有这些都是基于对普通摄像机提供的图像数据进行评估的，而且这很耗时。尤其是每秒记录的图像数量很多时，会生成大量难以处理的数据。
因此，维也纳工业大学的科学家采用了另一种方法：使用特殊的2D材料，开发了一种图像传感器，可以对其进行训练以识别某些物体。该芯片代表了能够学习的人工神经网络。数据不必由计算机读取和处理，但是芯片本身可以提供有关当前所见内容的信息-仅需数纳秒。这项工作现在已经在科学杂志《自然》上发表。
学习硬件
神经网络是类似于我们的大脑的人工系统：神经细胞与许多其他神经细胞相连。当一个细胞处于活动状态时，这会影响邻近神经细胞的活动。在计算机上进行人工学习的原理完全相同：对神经元网络进行数字化仿真，并改变该网络的一个节点影响另一个节点的强度，直到该网络显示出所需的行为为止。
“通常，图像数据首先逐个像素地读取，然后在计算机上进行处理，” Thomas Mueller说。“另一方面，我们将神经网络及其人工智能直接集成到图像传感器的硬件中。这使对象识别的速度提高了多个数量级。”
该芯片是在维也纳工业大学开发和制造的。它基于由二硒化钨制成的光电探测器-一种仅由三个原子层组成的超薄材料。单独的光电探测器，即相机系统的“像素”，都连接到提供目标识别结果的少量输出元件。
通过可变的敏感性学习
该出版物的第一作者Lukas Mennel表示：“在我们的芯片中，我们可以专门调节每个检测器元件的灵敏度-换句话说，我们可以控制特定检测器拾取的信号影响输出信号的方式。 。“我们要做的就是直接在光电探测器上调节局部电场。”这种调整是在计算机程序的帮助下从外部完成的。例如，可以使用传感器记录不同的字母并逐步更改各个像素的灵敏度，直到某个字母始终精确地导致相应的输出信号为止。这就是芯片中神经网络的配置方式-使网络中的某些连接更牢固而其他连接更弱。
一旦学习过程完成，就不再需要计算机。神经网络现在可以单独工作。如果将某个字母显示给传感器，它将在50纳秒内生成经过训练的输出信号-例如，代表芯片刚刚识别出的字母的数字代码。
事物必须快速进行时的对象检测
“目前，我们的测试芯片还很小，但是您可以根据要解决的任务轻松扩展该技术，” Thomas Mueller说。“从原理上讲，该芯片还可以进行训练，以区分苹果和香蕉，但是我们看到它在科学实验或其他专门应用中的使用更多。”
这项技术可以在需要极高速度的地方有用地应用：“从断裂力学到粒子检测-在许多研究领域中，都对短时间事件进行了研究，” Thomas Mueller说。“通常不必保留有关此事件的所有数据，而是要回答一个非常具体的问题：裂纹是否从左向右传播?几个可能的粒子刚刚通过了?这正是我们的技术有好处。”
