Los investigadores de la Universidad Estatal de Oregón están logrando avances clave con un nuevo tipo de sensor óptico que imita más de cerca la capacidad del ojo humano para percibir cambios en su campo visual.

El sensor es un gran avance para campos como el reconocimiento de imágenes, robótica e inteligencia artificial. Los hallazgos del investigador de la Facultad de Ingeniería de OSU John Labram y la estudiante de posgrado Cinthya Trujillo Herrera se publicaron hoy en Letras de física aplicada .

Intentos anteriores de construir un dispositivo de tipo ojo humano, llamado sensor retinomórfico, han confiado en software o hardware complejo, dijo Labram, profesor asistente de ingeniería eléctrica e informática. Pero el funcionamiento del nuevo sensor es parte de su diseño fundamental, utilizando capas ultrafinas de semiconductores de perovskita, ampliamente estudiados en los últimos años por su potencial de energía solar, que cambian de fuertes aislantes eléctricos a fuertes conductores cuando se colocan a la luz.

"Puede pensar en él como un solo píxel que hace algo que actualmente requeriría un microprocesador, "dijo Labram, quien lidera el esfuerzo de investigación con el apoyo de la National Science Foundation.

El nuevo sensor podría ser una combinación perfecta para las computadoras neuromórficas que impulsarán la próxima generación de inteligencia artificial en aplicaciones como automóviles autónomos. robótica y reconocimiento avanzado de imágenes, Dijo Labram. A diferencia de las computadoras tradicionales, que procesan la información secuencialmente como una serie de instrucciones, Las computadoras neuromórficas están diseñadas para emular las redes masivamente paralelas del cerebro humano.

"La gente ha intentado replicar esto en hardware y ha tenido un éxito razonable, "Dijo Labram." Sin embargo, a pesar de que los algoritmos y la arquitectura diseñados para procesar información se parecen cada vez más a un cerebro humano, la información que reciben estos sistemas todavía está decididamente diseñada para computadoras tradicionales ".

En otras palabras:para alcanzar su máximo potencial, una computadora que "piensa" más como un cerebro humano necesita un sensor de imagen que "ve" más como un ojo humano.

Un órgano espectacularmente complejo, el ojo contiene alrededor de 100 millones de fotorreceptores. Sin embargo, el nervio óptico solo tiene 1 millón de conexiones con el cerebro. Esto significa que debe tener lugar una cantidad significativa de preprocesamiento y compresión dinámica en la retina antes de que se pueda transmitir la imagen.

Como resulta, nuestro sentido de la visión está particularmente bien adaptado para detectar objetos en movimiento y está comparativamente "menos interesado" en imágenes estáticas, Dijo Labram. Por lo tanto, nuestro circuito óptico da prioridad a las señales de los fotorreceptores que detectan un cambio en la intensidad de la luz; puede demostrarlo usted mismo mirando fijamente un punto fijo hasta que los objetos en su visión periférica comiencen a desaparecer, un fenómeno conocido como efecto Troxler.

Tecnologías de detección convencionales, como los chips que se encuentran en las cámaras digitales y los teléfonos inteligentes, se adaptan mejor al procesamiento secuencial, Dijo Labram. Las imágenes se escanean a través de una matriz bidimensional de sensores, píxel por píxel, a una frecuencia establecida. Cada sensor genera una señal con una amplitud que varía directamente con la intensidad de la luz que recibe, lo que significa que una imagen estática dará como resultado un voltaje de salida más o menos constante del sensor.

Por el contrario, el sensor retinomorfo permanece relativamente silencioso en condiciones estáticas. Registra un corto, señal aguda cuando detecta un cambio en la iluminación, luego vuelve rápidamente a su estado inicial. Este comportamiento se debe a las propiedades fotoeléctricas únicas de una clase de semiconductores conocidos como perovskitas, que han demostrado ser muy prometedores como la próxima generación, Materiales de células solares de bajo costo.

En el sensor retinomórfico de Labram, la perovskita se aplica en capas ultrafinas, solo unos cientos de nanómetros de espesor, y funciona esencialmente como un capacitor que varía su capacitancia bajo iluminación. Un condensador almacena energía en un campo eléctrico.

"La forma en que lo probamos es, básicamente, lo dejamos a oscuras un segundo, luego encendemos las luces y las dejamos encendidas, ", dijo." Tan pronto como se encienda la luz, obtienes este gran pico de voltaje, entonces el voltaje decae rápidamente, aunque la intensidad de la luz sea constante. Y eso es lo que queremos ".

Aunque el laboratorio de Labram actualmente solo puede probar un sensor a la vez, su equipo midió varios dispositivos y desarrolló un modelo numérico para replicar su comportamiento, llegando a lo que Labram considera "una buena combinación" entre teoría y experimento.

Esto permitió al equipo simular una serie de sensores retinomórficos para predecir cómo respondería una cámara de video retinomórfica al estímulo de entrada.

"Podemos convertir el video en un conjunto de intensidades de luz y luego ponerlo en nuestra simulación, ", Dijo Labram." Las regiones donde se predice una salida de voltaje más alto del sensor se iluminan, mientras que las regiones de menor voltaje permanecen oscuras. Si la cámara es relativamente estática, puedes ver claramente que todas las cosas que se mueven responden con fuerza. Esto se mantiene razonablemente fiel al paradigma de la detección óptica en mamíferos ".

Una simulación que utiliza imágenes de una práctica de béisbol demuestra los resultados esperados:los jugadores en el infield aparecen claramente visibles, objetos brillantes en movimiento. Objetos relativamente estáticos:el diamante de béisbol, las gradas, incluso los jardineros se desvanecen en la oscuridad.

Una simulación aún más sorprendente muestra un pájaro volando a la vista, luego casi desaparece cuando se detiene en un comedero invisible para pájaros. El pájaro reaparece cuando despega. El alimentador establecer balanceo, se vuelve visible solo cuando comienza a moverse.

"Lo bueno es que, con esta simulación, podemos ingresar cualquier video en una de estas matrices y procesar esa información esencialmente de la misma manera que lo haría el ojo humano, "Labram dijo". Por ejemplo, Puede imaginarse estos sensores siendo utilizados por un robot que rastrea el movimiento de los objetos. Cualquier cosa estática en su campo de visión no provocaría una respuesta, sin embargo, un objeto en movimiento registraría un voltaje alto. Esto le diría al robot inmediatamente dónde estaba el objeto, sin ningún procesamiento de imágenes complejo ".