科普之家

当前位置:首页头条 > 拒绝选择困难症,AI帮你挑衣服!

拒绝选择困难症,AI帮你挑衣服!

时间:2023-05-09 01:14:17 来源:科普之家 作者:中国科普博览 栏目:头条 阅读:131

出品:科普中国

作者:吴孝嵩(中国科学院福建物质结构研究所)

监制:中国科普博览

“嘿,AI,今晚有个约会,帮我挑一套衣服吧!”

“好嘞主人!”

……

这个场景现在不仅能出现在科幻电影里,也能真实发生了!

2023年1月28日,中国科学院福建物质结构研究所黄伟国研究员团队和香港大学王中锐教授团队发表了一项文章,该文章介绍了一种新型的光电材料和器件,可用于实现Al代替人脑识别不同时尚服装的目标。

AI挑衣服的第一步:“感算一体”

这项技术类似于一个可穿戴的人造眼睛,能够感知识别各类图像。如果能够实现这一目标,将为未来的人工智能科技发展开创新的局面。

那该如何实现这一目标呢?首先是对材料有目的性的设计。

人类视网膜能够感知光信号、收集并预处理各类动态图像,为下一步的视觉认知过程提供便利。要想让AI拥有视觉智能,也需要实现类似的功能。然而,传统硅视觉芯片的信号感知、存储和处理单元相互独立,它们之间的数据传输和模数转换会产生大量能耗并限制计算速度。而且,随着摩尔定律的减速,这种限制会变得更加严重。

因此,探索新的技术路线,开发新型光电材料和器件,赋予其“感知和计算一体化”的特性,对实现低功耗、高计算速度的边缘计算器件具有重要的意义。

优秀的半导体材料可以拥有“记忆”

感知和计算一体化,首先要实现“感知”,即瞬态记忆行为。

研究人员提出了一种材料-算法协同设计策略,开发出一种具有高效激子分离和空间电荷传输特性的半导体聚合物(p-NDI**)。**

图1 p-NDI薄膜的形貌分析

(图片来源:参考文献)

通常情况下,光照射到半导体上时,半导体中会产生一些激子,一个激子是一个电子和一个空穴的复合体(图1i),激子分解后产生的电子参与电荷传输,从而导致光电流增大。

然而,由于库仑力的作用,电子和空穴最终会束缚在一起发生湮灭,使得参与p-NDI半导体电荷传输的电子慢慢减少,导致电流慢慢减小(图1k),形成瞬态记忆行为。

图2 传统半导体和p-NDI的光电流响应比较,以及传感器端RC系统的详细半导体设计原理

(图片来源:参考文献)

从上图可以看出,常见的半导体制备的晶体管在除去光照以后,电流立刻恢复到初始值或者几乎没有光电流。

而基于p-NDI制备的晶体管在除去光照后,其电流随时间呈非线性减小的特性,形成了一种瞬态记忆行为,类似于人脑记忆中的一种记忆类型。比如,我们看到某件服装,它会在我们脑中短暂停留,然后慢慢消失,这一过程就是瞬态记忆。

这些特性对于光信号预处理和光电传感器进行“储池计算”至关重要。

研究人员通过实验分析表明,p-NDI具有较规整面外取向,及较差的面内取向,这样的结构既保证了有效的空间电荷传输,也控制了电子和空穴在空间上复合的速度(图1i)。所有这些特性促成了基于p-NDI的晶体管出色的光响应行为和瞬态记忆特性。

视觉芯片的诞生

图3光学多任务学习示意图

(图片来源:参考文献)

图4 使用 DVSGesture128 数据集进行基于事件的视频分类

(图片来源:参考文献)

研究人员利用上述半导体材料制备了具有多任务识别能力的“储池计算”神经视觉芯片(图4)。经过数次模拟、实践与验证后,该“储池计算”器件对手写字母、数字和服装的识别率分别为98.04%、88.18%和91.76%。此外,对不同动态手势(挥左手、挥右手和鼓掌)的识别率更是高达98.62%(图4)。

这项技术不仅克服了传统传感计算系统产生大量能耗的瓶颈,而且也提供了一个有前景的材料-算法协同设计策略,用于可穿戴、价格适宜且具有多任务学习能力的高效光子神经形态系统。

那么这些科技设计和我们实际生活有什么关联呢?

看起来很“高大上”,但其实,它们与我们的日常生活密不可分,让我们的生活更加便利。例如,对于视力有缺陷的人来说,人造视觉芯片无疑可以帮助他们重新“看”清世界,摆脱生活中因视力缺陷造成的各种困扰。感算一体的视觉芯片还可以利用其强大的计算能力,快速判断路况,为无人驾驶提供更多的保障。当然,还有很多其他的应用场景……

小结

在材料与算法的协同之下,在并不遥远的未来,我们真的有可能拥有能够帮我们挑选衣服的AI管家,这么一想确实还有点儿小激动呢!

注:本文相关研究已发表在Nature Communications上,论文标题为Wearable in-sensor reservoir computing using optoelectronic polymers with through-space charge-transport characteristics for multi-task learning。

编辑:孙晨宇

本文链接:https://www.bjjcc.cn/kepu/78576.html,文章来源:科普之家,作者:中国科普博览,版权归作者所有,如需转载请注明来源和作者,否则将追究法律责任!

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。

文章评论