Inspirado em como os mamíferos veem, um novo protótipo de circuito de computador "memristor" da Universidade de Michigan tem potencial para processar dados complexos, como imagens e ordens de magnitude de vídeo, mais rápido e com muito menos energia do que os sistemas mais avançados de hoje.

O processamento de imagem mais rápido pode ter grandes implicações para sistemas autônomos, como carros autônomos, diz Wei Lu, Professor U-M de engenharia elétrica e ciência da computação. Lu é o autor principal de um artigo sobre o trabalho publicado na edição atual da Nature Nanotechnology .

Os componentes de computador de próxima geração de Lu usam reconhecimento de padrão para atuar no processo de uso intensivo de energia que os sistemas convencionais usam para dissecar imagens. Neste novo trabalho, ele e seus colegas demonstram um algoritmo que se baseia em uma técnica chamada "codificação esparsa" para persuadir sua matriz de 32 por 32 de memristores a analisar e recriar de forma eficiente várias fotos.

Memristores são resistores elétricos com memória - dispositivos eletrônicos avançados que regulam a corrente com base no histórico das tensões aplicadas a eles. Eles podem armazenar e processar dados simultaneamente, o que os torna muito mais eficientes do que os sistemas tradicionais. Em um computador convencional, as funções lógicas e de memória estão localizadas em diferentes partes do circuito.

"As tarefas que pedimos aos computadores de hoje cresceram em complexidade, "Lu disse." Nesta era de 'big data', computadores exigem caro, comunicações constantes e lentas entre o processador e a memória para recuperar grandes quantidades de dados. Isso os torna grandes, caro e ávido por energia. "

Mas, como as redes neurais em um cérebro biológico, redes de memristores podem realizar muitas operações ao mesmo tempo, sem ter que mover os dados. Como resultado, eles podem permitir novas plataformas que processam um grande número de sinais em paralelo e são capazes de aprendizado de máquina avançado. Memristors são bons candidatos para redes neurais profundas, um ramo do aprendizado de máquina, que treina computadores para executar processos sem serem explicitamente programados para isso.

"Precisamos de nossos eletrônicos de última geração para processar rapidamente dados complexos em um ambiente dinâmico. Você não pode simplesmente escrever um programa para fazer isso. Às vezes, você nem mesmo tem uma tarefa predefinida, "Lu disse." Para tornar nossos sistemas mais inteligentes, precisamos encontrar maneiras para que eles processem muitos dados com mais eficiência. Nossa abordagem para conseguir isso é inspirada pela neurociência. "

O cérebro de um mamífero é capaz de gerar varredura, impressões de frações de segundo do que os olhos absorvem. Um dos motivos é que eles podem reconhecer rapidamente diferentes arranjos de formas. Os humanos fazem isso usando apenas um número limitado de neurônios que se tornam ativos, Lu diz. Neurocientistas e cientistas da computação chamam o processo de "codificação esparsa".

"Quando olhamos para uma cadeira, nós a reconhecemos porque suas características correspondem à nossa imagem mental armazenada de uma cadeira, "Lu disse." Embora nem todas as cadeiras sejam iguais e algumas possam diferir de um protótipo mental que serve como um padrão, cada cadeira retém algumas das características-chave necessárias para um fácil reconhecimento. Basicamente, o objeto é corretamente reconhecido no momento em que é devidamente classificado - quando 'armazenado' na categoria apropriada em nossas cabeças. "

De forma similar, O sistema eletrônico de Lu é projetado para detectar os padrões com muita eficiência - e usar o mínimo de recursos possível para descrever a entrada original.

Em nossos cérebros, diferentes neurônios reconhecem diferentes padrões, Lu diz.

"Quando vemos uma imagem, os neurônios que o reconhecem se tornarão mais ativos, "disse ele." Os neurônios também competirão entre si para criar naturalmente uma representação eficiente. Estamos implementando essa abordagem em nosso sistema eletrônico. "

Os pesquisadores treinaram seu sistema para aprender um "dicionário" de imagens. Treinado em um conjunto de padrões de imagem em tons de cinza, sua rede de memristores foi capaz de reconstruir imagens de pinturas e fotos famosas e outros padrões de teste.

Se o sistema deles puder ser ampliado, eles esperam ser capazes de processar e analisar vídeo em tempo real em um sistema compacto que pode ser integrado diretamente com sensores ou câmeras.