200 Kat Daha Hızlı: Yeni Bir Kamera, Nesneleri Işık Hızında Yakalayarak Otonom Araçlara Yardımcı Oluyor

Bilim insanları, bilgisayarlı görü için tasarlanmış yeni bir kompakt kamera türü geliştirdiler. Washington Üniversitesi ve Princeton Üniversitesi'nden araştırmacılar, enerji tüketimini azaltan hesaplama için optik kullanan prototipi oluşturdular. Bu, kameranın ışık hızında nesneleri tanımlamasına da imkan tanıyor. Cihazları ayrıca, bilgisayarlı görü alanına yeni bir yaklaşım getiriyor; ki bu yapay zekanın bilgisayarların görüntü ve videolarda nesneleri tanımasına olanak tanıyan bir türüdür.

Yeni Bir Düşünce Yolu

İş birliği harika olabilir, özellikle de insanlar birlikte çalışarak yeni bir şey yarattığında. Örneğin, Wisconsin Üniversitesi'nde elektrik, bilgisayar mühendisliği ve fizik profesörü olan Arka Majumdar ile Princeton Üniversitesi'nde bilgisayar bilimi yardımcı profesörü Felix Heide arasındaki uzun süredir devam eden iş birliğini ele alalım. Öğrencileriyle birlikte, bir tuz tanesi kadar küçük olup hala net görüntüler yakalayan bir kamera da dahil olmak üzere bazı olağanüstü ve yenilikçi araştırmalara imza attılar. Şimdi bu çalışmanın üzerine inşa ederek, bilgisayarlı görü için tasarlanmış yeni bir tür kompakt kamerayı anlattıkları bir makaleyi Science Advances dergisinde yayımladılar. Majumdar ve Heide tarafından geliştirilen prototip, enerji tüketimini önemli ölçüde azaltan hesaplama için optik kullanıyor ve kameranın ışık hızında nesneleri tanımlamasına olanak tanıyor. Cihazları ayrıca bilgisayarlı görü alanında yeni bir yaklaşımı da tanıtıyor.

Kamera Merceklerini Tasarlanmış Optiklerle Değiştirmek

Bu kamera, sıradan cam veya plastikten yapılmış lensler yerine, 50 meta-mercek katmanından oluşan optikleri kullanıyor; ışığı mikroskopik nanoyapılarla manipüle eden düz, hafif optik bileşenler. Meta-mercekler ayrıca, bilgisayar sistemine insan beyni modeli olan optik bir sinir ağı olarak işlev görüyor. Bu benzersiz yaklaşım iki büyük fayda sağlıyor. İlk olarak, hızlı. Birçok hesaplama ışık hızında yapıldığı için sistem, görüntüleri tanımlama ve sınıflandırmada, geleneksel bilgisayarlarda kullanılan sinir ağlarından 200 kat daha hızlı çalışabiliyor, karşılaştırılabilir bir doğrulukla. İkincisi, optikler çalışma için elektriğe değil, gelen ışığa bağlı olduğu için enerji tüketimi azalıyor.

önemli ölçüde. Heide, "Birçok hesaplamanın geleneksel olarak elektronik olarak yapılan kısmını, Arka'nın metasurfaces üzerine yaptığı bazı çalışmaları optiklere ışık hızında getirme fikrimiz vardı." dedi. "Bunu yaparak, birçok hesaplamayı optik olarak gerçekleştiren yeni bir bilgisayarlı görü sistemi ürettik." Majumdar ve Heide, iş birliklerine devam etme niyetlerini belirtiyorlar. Bu araştırmanın bir sonraki adımları, prototipi geliştirip kendi kendine sürüş yapan araçlarda otonom navigasyon için daha uygulanabilir hale getirmeyi içeriyor. Ayrıca, daha karmaşık veri setleri ve daha fazla hesaplama gücü gerektiren, görüntü içindeki belirli nesneleri bulmak gibi sorunları çözmeyi planlıyorlar. Majumdar, "Şu anda, bu optik bilişim sistemi belirli bir uygulama için çalışan bir araştırma prototipidir. Ancak, sonunda çeşitli teknolojilerde yaygın olarak uygulama bulabileceğine inanıyoruz. Elbette, bu görmek zaman alacak, ama burada, tüm diğer sinir ağı için olan optik uygulamalara kıyasla önemli bir adımı gösterdik." dedi.

Sinir Ağlarından 200 Kat Daha Hızlı

Eşsiz yaklaşımın, hızıyla iki önemli avantaj sunduğunu iddia ettiler. Çok sayıda hesaplama ışık hızında yapıldığı için sistem, geleneksel bilgisayarlarda çalışan sinir ağlarına kıyasla 200 kattan daha hızlı şekilde görüntüleri tanıyıp sınıflandırabiliyor. Ayrıca kamera optiklerinin çalışma için gelen ışığa dayalı olması nedeniyle güç tüketimini azaltıyor. Princeton Üniversitesi bilgisayar bilimi bölümünde yardımcı profesör olan Felix Heide, "Bu araştırma için otonom arabalar ve kamyonlardan diğer robotlara, tıbbi cihazlara ve akıllı telefonlara kadar geniş uygulamalar var. Bugün her iPhone'da AI veya görsel teknoloji bulunmaktadır." dedi. "Bu çalışma hala oldukça erken olmasına rağmen, geliştiriliyor olan şeyden tüm bu uygulamaların faydalanabileceği potansiyel vardır." Heide, düşüncenin, geleneksel olarak elektronik olarak yapılan bazı hesaplamaları, Arka'nın metasurfaces üzerindeki öncü çalışmalarından yararlanarak, ışık hızında optiklere aktarmak olduğunu vurguladı. "Bunu yaparak, birçok hesabı optik olarak ele alan yeni bir bilgisayarlık görü sistemi ürettik." Science Advances'de yayımlanan çalışma, algılamadan önce görüntüleri kaydeden düzleştirilmiş kamera optikleri içinde paralel optik hesaplamaları entegre ederek önemli bir boşluğu başarıyla doldurdu.

Otonom Araçlarda Otonom Navigasyon için İlgili

Araştırmacılar, çalışmada "Büyük çekirdeklerden yararlanarak düşük boyutlu parametreleri yeniden tanımlayarak, öğrenilen uzaysal olarak değişken bir konvolüsyonel ağ öneriyoruz." "Bu ağı, açıya bağlı tepkilerle bir nanofotonik dizi kullanarak kamera merceğinde oluşturuyoruz. Yaklaşık 2.000 parametre içeren hafif bir elektronik arka planla birleştiğinde, yeniden yapılandırılabilir nanofotonik sinir ağımız, AlexNet'i (72.64%) geçerek CIFAR-10'da %72.76 doğruluğa ulaşıyor ve optik sinir ağlarını derin öğrenme çağına taşıyor." Bu araştırmanın sonraki adımları, prototipi kendi kendine sürüş yapan araçlarda otonom navigasyon için daha uygun hale getirmek ve daha karmaşık veri setleri ve çözmek için daha fazla hesaplama gücü gerektiren, görüntü içindeki belirli nesneleri tanımlamak gibi sorunlarla çalışmayı içeriyor, araştırmacıların basın bültenine göre.