在现场训练基于铁电光传感器的传感器内人工神经网络
Haipeng Lin1, Jiali Ou1, Zhen Fan2
1Institute for Advanced Materials and Guangdong Provincial Key Laboratory of Optical Information Materials and Technology, South China Academy of Advanced Optoelectronics, South China Normal University, Guangzhou, China.
Nature communications
|January 8, 2025
概括
这项研究展示了使用铁电光传感器 (FE-PSs) 的传感器人工神经网络 (ANN) 的现场训练. 这一突破为自动驾驶汽车等应用程序提供了更快,更低功耗的机器视觉.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机工程 计算机工程
- 人工智能的人工智能
背景情况:
- 传感器内计算提供超快,低功耗的机器视觉,但在现场培训中面临挑战.
- 高性能设备和高效的编程对于有效的传感器内训练至关重要.
研究的目的:
- 通过实验证明在现场训练一个在传感器人工神经网络 (ANN).
- 开发和使用铁电光传感器 (FE-PSs) 来实现先进的传感器内计算能力.
主要方法:
- 使用的铁电光传感器 (FE-PSs) 具有自动供电,快速 (<30μs),多级 (>4位) 光响应.
- 开发了一种双向闭环编程方案,用于FE-PSs的精确和高效的重量更新.
- 在现场训练了一个内传感器ANN用于交通标志识别,以控制一个原型自动驾驶汽车.
主要成果:
- 在现场训练中,FE-PS表现出了理想的特性:长时间保留 (50天),高耐力 (10^9),高写入速度 (100 ns) 和低变化 (~0.66%的循环到循环,~2.72%的设备到设备).
- 开发的编程方案使FE-PS的精确和高效的权重更新成为可能.
- 与诺曼机器视觉系统相比,在现场训练的内传感器ANN实现了50倍更快的操作.
结论:
- 这项工作为具有现场培训能力的传感器内计算系统铺平了道路.
- 开发的FE-PS和编程方案适用于数据流机器视觉任务.
- 潜在的应用包括增强的自动驾驶汽车系统和其他实时机器视觉应用.
