Sistema di localizzazione degli oggetti super potente ispirato a Barn-Owl

Ispirato dalla neuroanatomia del barbagianni, il CEA-Leti Technology Research Institute con sede a Grenoble (Francia), ha sviluppato un sistema di localizzazione di oggetti basato sugli eventi che combina i più recenti sensori piezoelettrici, un trasduttore ultrasonico e un sistema nervoso. Mappa computazionale basata su memorie resistenti.

Presentato in un articolo recentemente pubblicato in Comunicazioni sulla naturail team di ricerca descrive lo sviluppo di un sistema di elaborazione audio che aumenta l’efficienza energetica fino a cinque ordini di grandezza rispetto ai sistemi di localizzazione convenzionali.

“Le applicazioni di elaborazione sensoriale del mondo reale richiedono sistemi di elaborazione compatti, a bassa latenza ea bassa potenza”, spiega il documento, “Localizzazione di oggetti neurali mediante memorie resistive e trasduttori a ultrasuoni”. “Abilitate con capacità di elaborazione basate su eventi in memoria, le architetture ibride a semiconduttore di ossido di metallo (CMOS) forniscono un substrato hardware ideale per tali attività”.

La neuroscienza offre una gamma di soluzioni a bassissima energia per elaborare in modo efficiente le informazioni sensoriali, poiché vari animali e insetti si sono evoluti per svolgere efficacemente compiti impegnativi con energia limitata. Al centro dell’elaborazione del segnale biologico ci sono due concetti di base: rilevamento guidato dagli eventi e calcolo analogico in memoria.

Elisa Vianello, scienziata senior, coordinatrice del programma Edge AI e autrice senior dell’articolo. “In particolare, ci siamo concentrati sul compito di localizzare gli oggetti in base al suono. I gufi risolvono questo problema in modo efficiente e quindi abbiamo estrapolato i loro principi computazionali nel nostro sistema”.

CEA-Leti ha costruito e testato questo sistema di localizzazione di oggetti con l’aiuto di ricercatori CEA-List, Università di Zurigo, Università di Tours e Università di Udine. Il team ha sfruttato i successi di CEA-Leti nello sviluppo di sensori a trasduttore piezoelettrico micro-piezo (pMUT) e progressi nelle reti neurali spinate basate su tecnologie di memoria a impedenza.

La prima sfida dei ricercatori è stata quella di sviluppare una pipeline di preelaborazione che estrae le informazioni chiave dai pMUT e che codifichi le informazioni sulla base di brevi eventi o picchi. Questa codifica del segnale temporale si traduce in una maggiore efficienza energetica rispetto ai dati analogici o digitali continui convenzionali, in modo che vengano elaborati solo i dati rilevanti.

“Circuito analogico dinamico ispirato alla memoria ispirato alla RRAM”

“Il nostro sistema, che potrebbe essere utilizzato in futuro in applicazioni di fusione di sensori, simula il meccanismo di cattura delle prede di gufi ad alta efficienza energetica, che è preceduto da una ricerca audiovisiva combinata”, ha affermato Filippo Moreau, autore principale del documento di ricerca. “La ricerca uditiva a bassissimo consumo energetico è sempre attiva e quando un particolare neurone uditivo si attiva, il gufo ha le informazioni necessarie per avviare la ricerca visiva, che è più accurata ma più costosa in termini di consumo energetico”.

La seconda sfida è stata progettare e fabbricare un circuito ispirato al ciclo RRAM analogico dinamico per elaborare in modo efficiente gli eventi estratti e stimare la posizione degli oggetti. La memoria di resistenza fornisce una soluzione compatta per l’archiviazione di pesi interconnessi e le RRAM sono dispositivi non volatili, una caratteristica che corrisponde alla natura asincrona guidata dagli eventi del sistema proposto dal team, con conseguente consumo energetico zero quando il sistema è inattivo.

Per ridurre il consumo energetico del sistema di localizzazione degli oggetti, i ricercatori hanno immaginato, progettato e implementato un efficiente circuito neurale basato su RRAM che elabora le informazioni sul segnale prodotte dai sensori incorporati per calcolare la posizione dell’oggetto target in tempo reale. “Mentre le tecniche di elaborazione convenzionali visualizzerebbero costantemente in anteprima il segnale rilevato e i calcoli crunch per estrarre informazioni utili, la soluzione neurale proposta calcola in modo asincrono quando arrivano le informazioni utili: questo ci ha permesso di aumentare l’efficienza energetica del sistema fino a cinque ordini di grandezza”.

Nell’ultimo decennio, CEA-Leti ha compiuto progressi significativi nei sensori pMUT e nelle reti neurali spinate basate su tecnologie di memoria a impedenza. Il presente lavoro mostra che la combinazione di sensori visivi, come le telecamere DVS, e il sensore di prova basato su pMUT dovrebbe essere esplorata per lo sviluppo di futuri robot di consumo.

Inoltre, la simulazione di un efficiente sistema di localizzazione di microrganismi barbagianni è un altro esempio del lavoro dell’istituto per dimostrare che i concetti ispirati alla biologia possono migliorare notevolmente le prestazioni dei sistemi Edge-AI. A marzo Vianello ha ricevuto una sovvenzione di 3 milioni di euro dal Consiglio europeo della ricerca (ERC) per costruire dispositivi di nanomemoria. Ispirato al sistema nervoso degli insetti Per applicazioni come la robotica di consumo, i chip medicali diagnostici impiantabili e l’elettronica indossabile.