شبكة عصبية اصطناعية للتعرف على الصور في نانو ثانية

يتم استخدام التعرف التلقائي على الصور Automatic image recognition على نطاق واسع اليوم : فهناك برامج كمبيوتر يمكنها تشخيص سرطان الجلد بشكل موثوق ، أو التنقل في السيارات ذاتية القيادة ، أو التحكم في الروبوتات.

و قد كان كل هذا حتى الآن يستند إلى تقييم بيانات الصورة كما تم تقديمها بواسطة الكاميرات العادية - وهذا يستغرق وقتاً طويلاً.

و يتم إنشاء حجم كبير من البيانات يصعب التعامل معها  ، خاصة عندما يكون عدد الصور المسجلة في الثانية مرتفعاً .

لذلك فقد اتبع العلماء في TU Wien نهجاً مختلفاً إذ و : باستخدام مادة خاصة ثنائية الأبعاد 

تم تطوير مستشعر صورة image sensor يمكن تدريبه على التعرف على أشياء معينة. و تمثل الشريحة شبكة عصبية اصطناعية قادرة على التعلم.

و لا يلزم قراءة البيانات ومعالجتها بواسطة جهاز كمبيوتر ، ولكن الشريحة نفسها توفر معلومات حول ما تشاهده حالياً - ضمن نانو ثانية.

وقد تم عرض العمل الآن في المجلة العلمية "الطبيعة" "Nature.".

أجهزة التعلم :

تعرف الشبكات العصبية على أنها أنظمة اصطناعية مشابهة لدماغنا : إذ ترتبط الخلايا العصبية  Nerve cells بالعديد من الخلايا العصبية الأخرى.

فعندما تكون خلية واحدة نشطة ، يمكن أن يؤثر ذلك على نشاط الخلايا العصبية المجاورة.

و يعمل التعلم الاصطناعي على الكمبيوتر وفقاً للمبدأ نفسه تماماً: حيث يتم محاكاة شبكة من الخلايا العصبية رقمياً ، وتتغير القوة التي تؤثر بها عقدة واحدة من هذه الشبكة على الأخرى حتى تظهر الشبكة السلوك المطلوب أو المرغوب به .

و يقول توماس مولر Thomas Mueller : "عادةً ما يتم قراءة بيانات الصورة أولاً بكسل بعد بكسل ثم معالجتها على جهاز الكمبيوتر ".

و يتابع قائلاً : "و نحن نقوم من ناحية أخرى ، بدمج الشبكة العصبية بذكائها الاصطناعي مباشرة في أجهزة مستشعر الصورة .

وهذا يجعل التعرف على الأشياء للعديد من الطلبات من حيث الحجم أسرع ."

و قد تم تطوير وتصنيع الشريحة في TU Vienna.

وهي تعتمد على أجهزة كشف ضوئية (جهاز يكتشف أو يستجيب للضوء الساقط باستخدام التأثيرات الكهربائية للفوتونات الفردية) مصنوعة من ديسلينيد التنغستن tungsten diselenide - وهي مادة رقيقة جداً تتكون من ثلاث طبقات ذرية فقط. حيث ترتبط أجهزة الكشف الضوئي الفردية ،و ال "بكسل pixels" الخاص بنظام الكاميرا ، بعدد صغير من عناصر الإخراج التي توفر نتيجة التعرف على الكائن.

التعلم من خلال حساسية متغيرة :

يقول لوكاس مينيل Lukas Mennel ، و هو مؤلف المنشور الأول: "في الشريحة الخاصة بنا ، يمكننا ضبط حساسية كل عنصر كاشف فردي - وبعبارة أخرى ، يمكننا التحكم في الطريقة التي تؤثر بها الإشارة التي يلتقطها كاشف معين على إشارة الإخراج".

و يضيف : "إن كل ما علينا فعله ببساطة هو  ضبط مجال كهربائي محلي مباشرة على الكاشف الضوئي." و يتم هذا التكيف خارجياً بمساعدة برنامج كمبيوتر .

و يمكن للمرء ، على سبيل المثال ، استخدام المستشعر لتسجيل أحرف مختلفة وتغيير حساسيات وحدات البكسل الفردية خطوة بخطوة إلى أن يؤدي حرف معين دائماً إلى إشارة خرج مطابقة تماماً corresponding output signal .

و هذه هي الطريقة التي يتم بها تكوين الشبكة العصبية في الشريحة - مما يجعل بعض الاتصالات في الشبكة أقوى وبعضها الآخر أضعف.

و بمجرد اكتمال عملية التعلم هذه ، لن تعود هناك حاجة إلى الكمبيوتر. إذ بإمكان الشبكة العصبية الآن أن تعمل وحدها.

و في حال تم تقديم حرف معين إلى المستشعر (الحساس) ، فإنه يولد إشارة خرج مدربة في غضون 50 نانو ثانية - و على سبيل المثال ، يمثل الرمز الرقمي الحرف الذي تعرفت عليه الرقاقة (الشريحة) للتو.

التحري عن الأشياء عندما يجب أن تسير الأمور بسرعة :

يقول توماس مولر Thomas Mueller : "لا تزال شريحة الاختبار الخاصة بنا صغيرة في الوقت الحالي

ولكن يمكنك بسهولة زيادة التكنولوجيا اعتماداً على المهمة التي تريد حلها ".و يتابع : "من حيث المبدأ ، يمكن أيضاً تدريب الشريحة على التمييز بين التفاح والموز ، لكننا نرى استخدامه أكثر في التجارب العلمية أو التطبيقات المتخصصة الأخرى."

وكما يقول توماس مولر فإن هناك إمكانية لتطبيق هذه التكنولوجيا بشكل مفيد حيثما تكون هناك حاجة إلى سرعة عالية للغاية  : " بدءاً من تقنيات الكسر fracture mechanics وصولاً إلى اكتشاف الجسيمات  particle detection - حيث يتم التحقيق في الأحداث القصيرة في العديد من مجالات البحث " .

و يختتم مولر قوله :  "في كثير من الأحيان ، ليس من الضروري الاحتفاظ بجميع البيانات حول هذا الحدث

و لكن هناك ضرورة ملحة للإجابة على سؤال محدد للغاية : هل ينتشر التصدع من اليسار إلى اليمين؟

أي من الجزيئات المحتملة العديدة  قد مرت للتو؟  وهذا هو بالضبط ما تجيده تقنيتنا ."