ขณะที่คุณอ่านข่าวนี้ คุณได้รับความช่วยเหลือจากแสงโดยรอบที่กระทบตัวรับแสงในดวงตาของคุณ (ขั้นตอนการรับรู้ – จำไว้) และถูกแปลงเป็นสัญญาณไฟฟ้า (ขั้นตอนการคำนวณ – จำไว้ด้วย) เพื่อให้สมองของคุณ ( คอร์เทกซ์การมองเห็น) สามารถเข้าใจตัวอักษรที่ปรากฏในบทความนี้ได้ แมชชีนวิชันที่ได้รับแรงบันดาลใจจากชีวภาพใช้ประโยชน์จากหลักการเดียวกันนี้เพื่อพัฒนาไปสู่จุดที่ระบบประดิษฐ์สามารถ “มองเห็น” ได้
ตัวอย่างเช่น เมื่อคุณใช้สมาร์ทโฟนเพื่อถ่ายภาพ
คุณอาจสังเกตเห็นว่าสมาร์ทโฟนสามารถระบุวัตถุในฉากได้ก่อนที่คุณจะกดปุ่มบันทึก กล้องสมาร์ทโฟนของคุณถือเป็นเซ็นเซอร์ภาพที่ทันสมัย เซ็นเซอร์ภาพที่ใช้เซมิคอนดักเตอร์ดังกล่าวจะบันทึกข้อมูลภาพโดยรอบแล้วส่งต่อไปยังหน่วยประมวลผล จากนั้นเป็นหน้าที่ของหน่วยประมวลผลในการถอดรหัสสัญญาณออปติคัลและแปลงเป็นเอาต์พุตดิจิทัล การเคลื่อนที่ของข้อมูลระหว่างเซ็นเซอร์และหน่วยประมวลผลไม่เพียงแต่ต้องการการใช้พลังงานสูงเท่านั้น แต่ยังส่งผลให้มีเวลาแฝงในการคำนวณสูง – ในลำดับมิลลิวินาที แต่ถ้าเครื่องสามารถเห็นเป็นนาโนวินาทีล่ะ?
นักวิจัยในออสเตรียได้ออกแบบเครือข่ายเซ็นเซอร์รับภาพที่เข้ารหัสภาพเป็นพิกเซลสว่างด้วยความเข้มของแสงที่แตกต่างกัน พวกเขาได้แสดงให้เห็นว่าการปรับความไวของเซ็นเซอร์ในแง่ของความสว่างของพิกเซลทำให้อุปกรณ์ใหม่ของพวกเขาสามารถคำนวณตัวเองได้ ดังนั้นจึงไม่จำเป็นต้องถ่ายทอดสัญญาณไปยังหน่วยประมวลผลระดับสูง ( Nature 10.1038 / s41586-020- 2038-x ).
หลักการออกแบบและการทำงานแรงบันดาลใจจากสถาปัตยกรรมที่เชื่อมต่อถึงกันตามธรรมชาติของสมอง Lukas Mennel และเพื่อนร่วมงานจาก กลุ่มของ Thomas Muellerที่Institute of Photonics มหาวิทยาลัยเทคโนโลยีเวียนนาแห่งเวียนนาได้ใช้โครงข่ายประสาทเทียม (ANN) ในเซ็นเซอร์ภาพเพื่อเอาชนะการคำนวณที่มีความหน่วงสูง ปัญหา. พวกเขารวบรวมแถวและคอลัมน์ของโฟโตไดโอด ซึ่งเป็นสารกึ่งตัวนำขนาดเล็กที่ไวต่อแสง โดยแต่ละชั้นมีทังสเตนไดเซเลไนด์สองสามชั้น เรียงตามลำดับบนชิปเพื่อสร้างเครือข่ายเซ็นเซอร์รับแสง
ลูคัส เมนเนล และโธมัส มูลเลอร์
ผู้เขียนคนแรก Lukas Mennel (ซ้าย) และหัวหน้ากลุ่ม Thomas Mueller (มารยาท: โทมัสมูลเลอร์)
เซลล์ประสาทซึ่งเป็นองค์ประกอบที่เชื่อมต่อถึงกันของสมองนั้นเชื่อมต่อกันด้วยไซแนปส์ โดยความแข็งแกร่งของการเชื่อมต่อแบบซินแนปติกมีบทบาทสำคัญในการประมวลผลข้อมูลของเซลล์ประสาท จากแนวคิดนี้ กลุ่มวิจัยของ Mueller ได้ออกแบบเครือข่ายเพื่อให้การตอบสนองของเซมิคอนดักเตอร์แต่ละตัวต่อแสงมีความเข้มแข็งหรืออ่อนลงโดยใช้แรงดันไฟฟ้าภายนอก การเปลี่ยนแปลงของแรงดันไฟฟ้าส่งผลให้เกิดการเปลี่ยนแปลงในความแรงของการเชื่อมต่อ (synaptic) ความสามารถในการปรับแต่งนี้จะเป็นจุดเริ่มต้นของนักวิจัยในการใช้ประโยชน์จากอัลกอริธึมการเรียนรู้ของเครื่อง เช่น ANN
การรวมเซ็นเซอร์และการเรียนรู้ของเครื่องนักวิจัยใช้ ANN สองประเภท: ตัวแยกประเภทและตัวเข้ารหัสอัตโนมัติ ตัวแยกประเภทเรียนรู้ที่จะจัดประเภทรูปภาพเป็นหมวดหมู่ต่างๆ หลังจากชุดของกระบวนการฝึกอบรม (การเรียนรู้ภายใต้การดูแล) ในขณะที่ตัวเข้ารหัสอัตโนมัติจะรับรู้องค์ประกอบหรือโครงสร้างของรูปภาพที่เป็นลักษณะเฉพาะจากข้อมูลที่ป้อนเข้าไป โดยไม่มีข้อมูลเพิ่มเติม (การเรียนรู้แบบไม่มีผู้ดูแล)
ในการออกแบบ การตอบสนองของโฟโตไดโอดภายใต้แสงออปติคัลถูกกำหนดโดยแรงดันเกต ซึ่งเป็นผลมาจากกระบวนการเรียนรู้ภายใต้การดูแลหรือไม่มีผู้ดูแล การเปลี่ยนแปลงความเข้มของแสงจะส่งผลต่อเอาต์พุตของอาร์เรย์พิกเซล 3 × 3 ทำให้อุปกรณ์สามารถรับรู้ตนเองและคำนวณตัวเองในหน่วยนาโนวินาที
“เราได้นำเสนอเซ็นเซอร์วิชันซิสเต็ม ANN เพื่อการจดจำและการเข้ารหัสภาพออปติคัลที่รวดเร็วเป็นพิเศษ แนวคิดของอุปกรณ์นี้ปรับขนาดได้ง่ายและให้โอกาสในการฝึกอบรมที่หลากหลายสำหรับแอปพลิเคชันวิชันซิสเต็มที่เร็วเป็นพิเศษ” ผู้เขียนสรุป นี่เป็นเทคโนโลยีที่มีแนวโน้มดี อย่างไรก็ตาม ยังมีอีกหลายสิ่งที่ต้องทำเพื่อใช้ในการใช้งานจริง ตัวอย่างเช่น การถ่ายภาพภายใต้แสงสลัวจะเป็นเรื่องยาก การออกแบบอุปกรณ์ใหม่เพื่อปรับปรุงการดูดกลืนแสงของเซมิคอนดักเตอร์อาจเพิ่ม
ช่วงความเข้มของแสงที่สามารถตรวจจับได้
ในการขยายขนาดและสามารถบันทึกเซลล์ประสาทจำนวนมากขึ้นได้ Obaid อธิบายว่าทีมวิจัยต้องสร้างส่วนต่อประสานระหว่างสมองกับเครื่องจักร ซึ่งไม่เพียงแต่สามารถบันทึกจากสัญญาณหลายพันตัวพร้อมกันเท่านั้น แต่ยังสามารถรวมเข้ากับสมองและ ทำให้เกิดความเสียหายน้อยที่สุด ในการทำเช่นนั้น เขาและเพื่อนร่วมงานได้พัฒนาวิธีการสร้างอาร์เรย์ขนาดใหญ่ของไมโครไวร์ที่บางมาก และค้นพบวิธีเชื่อมต่อกับอุปกรณ์ที่ใช้ซิลิกอน เช่น กล้องความเร็วสูงและไมโครดิสเพลย์ เพื่อใช้ประโยชน์จากความก้าวหน้า ในเทคโนโลยีเหล่านั้น
“การรวมกันของทั้งสองช่วยให้เราสามารถบันทึกข้อมูลจากสมองได้มากขึ้นรวมทั้งมีการบุกรุกน้อยกว่าวิธีการก่อนหน้านี้” เขากล่าว “ประโยชน์ที่สำคัญอีกประการของการออกแบบนี้คือช่วยให้เราสามารถบันทึกส่วนต่างๆ ของสมองในระดับความลึกที่แตกต่างกันไปพร้อม ๆ กัน นี่เป็นสิ่งสำคัญในการศึกษาคำถามเกี่ยวกับประสาทวิทยาศาสตร์ที่แตกต่างกัน หรือสำหรับส่วนต่อประสานระหว่างสมองกับเครื่องจักรที่ต้องการเข้าถึงส่วนต่างๆ ของสมอง”
แขนขาหุ่นยนต์ก้าวไปข้างหน้า Obaid กล่าวว่าอุปกรณ์ดังกล่าวมีศักยภาพในการใช้งานที่หลากหลายในการวิจัยด้านประสาทวิทยาและส่วนต่อประสานระหว่างสมองกับเครื่องจักรสำหรับการใช้งานทางคลินิก โดยเฉพาะอย่างยิ่งในแง่ของอายุขัยและความเสถียร ซึ่งช่วยให้ทีมสามารถศึกษากระบวนการต่างๆ เช่น การเรียนรู้ในสมอง
“นี่เป็นคำถามเกี่ยวกับประสาทวิทยาศาสตร์ที่เราสนใจในการศึกษามากที่สุด” Obaid กล่าว “ในแง่ของการใช้งานทางคลินิก ในขณะที่เรากำลังหาทางออก เราสนใจการใช้งานสำหรับเทียมโดยเฉพาะ เป้าหมายคือผ่านอุปกรณ์นี้ การบันทึกสัญญาณจากสมองมากขึ้นสามารถปรับปรุงคุณภาพของอวัยวะเทียมและเสริมสร้างความเข้าใจในสมองของเราทั้งในสภาวะที่แข็งแรงและเจ็บป่วย”
ขณะนี้ทีมกำลังทดสอบความเสถียรและอายุขัยของอุปกรณ์ในสมองผ่านการศึกษาในสัตว์ในระยะยาว จากการศึกษาเหล่านี้ นักวิจัยยังสำรวจว่ากิจกรรมของระบบประสาทที่บันทึกผ่านอุปกรณ์นี้สามารถบอกพวกเขาเกี่ยวกับการเปลี่ยนแปลงในสมองทั้งในระยะสั้นและระยะยาวระหว่างการเรียนรู้ได้อย่างไร
“ด้วยความหนาแน่นและความละเอียดสูงที่เกิดขึ้นจากเทคโนโลยีนี้ เราหวังว่าในอนาคตจะสามารถนำมาใช้เพื่อช่วยปรับปรุงอวัยวะเทียมของมนุษย์ เช่น อุปกรณ์ที่สามารถแปลงสัญญาณไฟฟ้าจากสมองเป็นแขนขาหุ่นยนต์ และอุปกรณ์ที่สามารถทำได้ ฟื้นฟูการมองเห็นหรือการพูดในผู้ป่วย” Obaid กล่าวเสริม
Credit : superettedebever.net superkitcar.net tagheuerwatch.net themefactory.org torviscas.com