将人工智能缩小为一个光电芯片

如果科学家能够训练人工智能(AI)系统记住它们从光电探测器捕捉到的图像，并从中学习并将所有过程打包，那么它离人工大脑又近了一步。但是，处理这些图像所需的庞大数据集和计算机能力通常需要将图像转移到其他地方进行处理，这与自然大脑不同。 近日，来自澳大利亚墨尔本皇家理工大学（RMIT）的研究人员们开发出了一种神经形态成像芯片，它可以自己进行图像预处理和识别。该光学驱动芯片由二维黑磷制成，展示了一种将人工智能软件和成像硬件结合在一个类似大脑的包中的方法，该包可以自主运行。
一个跨学科的领域 
       这项工作是一次跨学科领域的合作，是神经形态计算(neuromorphic computing)或神经形态工程(neuromorphic engineering)的一部分，该领域试图建立电子系统来处理实时的视觉和听觉信号，就像人类的大脑一样。神经形态系统最初是在20世纪80年代提出的，它通常利用后端超级计算机，但这些超级计算机不适合独立的机器人，而且耗电很大，而最新的神经晶片系统方面的工作融合了光学和电子技术。
       研究人员表示，他们采用了一种独特的工程材料来利用光来进行神经形态计算、人工智能和机器视觉，使用光信号进行计算比传统的电子信号有几个优点，例如处理速度快和功耗低。他们的原型设备已经可以实现像素内图像预处理和神经形态计算。
特殊的材料
       为了构建他们的芯片，研究人员制作了薄的、垂直堆积的黑磷层，这是该元素热学性质最稳定的同素异素。在2D片上的诱导氧化缺陷使黑磷暴露在紫外线下产生电流。据研究人员说，开发黑磷片波长选择性光响应的实验工作是这项研究中最具挑战性的部分。 RMIT的概念验证芯片由一个2×2像素的氧化黑磷阵列和一个由硅和二氧化硅制成的基片组成。280毫微米波长的脉冲光触发像素“写入”，而365毫微米波长的脉冲光触发“删除”功能并重置像素的内存。触发脉冲重复频率的变化会影响芯片的短期和长期记忆，这是人工智能研究人员称之为突触可塑性的一种测量方法。
      虽然这个原型芯片对紫外光有反应，但研究人员建议可以进一步改进黑磷，使其在可见光频率下工作。 虽然一个4像素的摄像头很难形成图像，但是RMIT的研究人员通过计算机模拟将该技术放大到28×28像素的图像，这将训练芯片的神经网络识别标准照片。研究人员相信，这项技术可以被构建成28×28或更大的像素阵列。他们正在进一步扩展这项研究，以开发一种可以从环境中学习并实时做出决定完全不受监督的人工智能芯片。来自美国科罗拉多州立大学、中国东北师范大学和美国加州大学伯克利分校的研究人员也参与了这项研究。

图：该原型技术将成像、处理、机器学习和记忆集成在一块由光驱动的电子芯片上。