Los científicos de Skoltech han entrenado redes neuronales para evaluar y predecir el patrón de crecimiento de la planta teniendo en cuenta los principales factores de influencia y proponer la relación óptima entre los requisitos de nutrientes y otros parámetros impulsores del crecimiento. Los resultados del estudio se publicaron en la revista Transactions on Instrumentations and Measurements del IEEE.

En los ultimos años, Se han realizado múltiples intentos para utilizar la inteligencia artificial (IA) en casi todas las esferas de la vida. Ha resultado útil ayudar a las personas a tomar las decisiones correctas y lograr el objetivo. El uso de IA para cultivar plantas en entornos artificiales no es una excepción. Las redes neuronales vienen en una amplia variedad de arquitecturas, incluido su tipo más destacado, redes neuronales recurrentes (RNN), que ayudan a procesar de manera eficiente secuencias direccionales de datos, como texto, discurso o serie de tiempo, siendo este último el más decisivo para describir el crecimiento de las plantas a lo largo del tiempo.

En su estudio, los científicos de Skoltech demostraron cómo se puede usar RNN en combinación con algoritmos de visión por computadora para manejar la tarea de predicción del crecimiento de las plantas en su totalidad, sin perder de vista el estado actual y los principales parámetros del sistema de cultivo de plantas. La tarea se abordó utilizando los datos obtenidos en el estudio realizado en colaboración con el Centro Aeroespacial Alemán (DLR), donde los científicos alemanes observaron la estimulación adicional para el crecimiento de plantas en sistemas artificiales similares a los utilizados en la Estación Espacial Internacional. El experimento conjunto arrojó resultados valiosos que ayudaron a encontrar la proporción óptima de nutrientes asegurando el mejor patrón de crecimiento bajo las limitaciones existentes.

Los científicos segmentaron y determinaron el área total de follaje utilizando algoritmos de visión por computadora y predijeron el crecimiento de las plantas utilizando el RNN de varias arquitecturas que hicieron frente de manera eficiente a la tarea. También propusieron un sistema integrado de eficiencia energética para calcular y predecir el patrón de crecimiento con el fin de realizar pruebas y ejecuciones de demostración en la vida real del software dedicado.

El sistema está basado en Raspberry Pi, una popular computadora de creación de prototipos de placa única con una tarjeta gráfica externa Intel Movidius. El dispositivo utiliza un procesador de gráficos compacto y potente Myriad 2 que funciona a 150 Gflops con una potencia de solo 1 W, que es comparable a las supercomputadoras de mediados de la década de 1990. Una solución perfecta para redes neuronales, Estos chips gráficos probablemente se convertirán en el núcleo de los sistemas integrados basados ​​en IA en el futuro.