Crédito:Krasula, Shutterstock
Inspirándose en las lechuzas comunes, los investigadores han desarrollado un innovador sistema de localización que combina sensores de última generación con un mapa computacional neuromórfico basado en memoria resistiva de acceso aleatorio (RRAM).
A medida que ingresamos en la era de la informática generalizada, cada vez más de nuestros objetos cotidianos están integrados con microprocesadores para ayudar a que nuestras vidas funcionen sin problemas. Para lograr esto, estos sistemas deben operar continuamente y desperdiciar energía mínima, todo mientras extraen información útil y compacta de datos ruidosos y a menudo incompletos capturados de varios sensores en tiempo real. Gracias a sus capacidades informáticas basadas en eventos en la memoria, las arquitecturas neuromórficas de semiconductores de óxido metálico complementario (CMOS) memristivos híbridos proporcionan un sustrato de hardware ideal para tales tareas.
Los investigadores, apoyados en parte por el proyecto MeM-Scales, se propusieron demostrar todo el potencial de dicho sistema. Con este fin, desarrollaron un sistema de localización de objetos basado en eventos y bioinspirado que combina sensores avanzados de transductores de ultrasonido micromecanizados piezoeléctricos (PMUT) con un mapa computacional neuromórfico basado en RRAM. Su artículo publicado en la revista Nature Communications describe cómo el enfoque neuromórfico propuesto ha hecho posible reducir el consumo de energía en cinco órdenes de magnitud en comparación con los sistemas de localización convencionales basados en microcontroladores.
Inspirado en la naturaleza
La inspiración para el sistema se extrajo de la neuroanatomía de la lechuza común. "Nuestra solución propuesta representa un primer paso para demostrar el concepto de un sistema de inspiración biológica para mejorar la eficiencia en la computación", señala la autora principal del estudio, la Dra. Elisa Vianello, en una noticia publicada en EE Times. "Abre el camino hacia sistemas más complejos que realizan tareas aún más sofisticadas para resolver problemas del mundo real mediante la combinación de información extraída de diferentes sensores.
"Prevemos que este enfoque para concebir un sistema bioinspirado será clave para construir la próxima generación de dispositivos de IA de borde, en los que la información se procesa localmente y con recursos mínimos. En particular, creemos que los animales pequeños y los insectos son un gran fuente de inspiración para una combinación eficiente de procesamiento de información sensorial y computación. Gracias a los últimos avances en tecnología, podemos acoplar sensores innovadores con computación avanzada basada en RRAM para construir sistemas de energía ultrabaja", afirma el Dr. Vianello, quien es científico sénior en el laboratorio de electrónica y tecnología de la información CEA-Leti del coordinador del proyecto MeM-Scales Comisión Francesa de Energías Alternativas y Energía Atómica en Francia.
El equipo de investigación realizó mediciones del sistema que consta de detectores de coincidencia basados en RRAM, circuitos de línea de retardo y un sensor de ultrasonido totalmente personalizado. Utilizaron los resultados experimentales para calibrar las simulaciones a nivel del sistema. Estas simulaciones se utilizaron luego para estimar la resolución angular y la eficiencia energética del modelo de localización de objetos. Los resultados mostraron una eficiencia energética mucho mayor que un microcontrolador que realiza la misma tarea. "El objetivo es, como siempre, obtener la mejor eficiencia energética para el nivel de rendimiento que necesita una aplicación específica. Sin duda, es posible lograr más mejoras en la eficiencia energética con nuestro sistema", observa el Dr. Vianello.
El estudio demuestra que se debe explorar la combinación de sensores visuales, como cámaras con sensor de visión dinámica, con un sensor auditivo basado en PMUT para desarrollar futuros robots de consumo. El proyecto MeM-Scales (Tecnologías de memoria con constantes de tiempo multiescala para arquitecturas neuromórficas) finaliza en junio de 2023. + Explora más
