نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

10 فروردین 1403 2:06 ب.ظ

محاسبات مخزن درون حسگر پوشیدنی برای یادگیری چندکاره از طریق استراتژی طراحی مشترک مواد-الگوریتم

24 فوریه 2023 -توسط لیو جیا، آکادمی علوم چین

مقایسه پاسخ های جریان نوری نیمه هادی های معمولی و p-NDI، و اصل طراحی دقیق نیمه هادی برای سیستم های RC درون سنسور. پاسخ های جریان نوری C8-NDI، پنتاسن، و P3HT، که برای محاسبات مخزن درون حسگر ناتوان هستند. پاسخ جریان نوری p-NDI یک حافظه محو شده را نشان می دهد و برای محاسبات مخزن درون حسگر مناسب است. اعتبار: Nature Communications (2023).

شبکیه چشم انسان نه تنها سیگنال‌های نور را حس می‌کند، بلکه با ثبت پویایی غنی آنها، آنها را به طور همزمان پردازش می‌کند، بنابراین یادگیری وابسته به کار در قشر بینایی پایین‌دست را تسریع می‌کند. این هم افزایی شبکیه و قشر بینایی الهام بخش یادگیری چند کاره درون حسگر است.

با این حال، تراشه‌های دید سیلیکونی سنتی از سربار زمان/انرژی زیادی رنج می‌برند که ناشی از جابجایی عظیم و مکرر داده‌ها و تبدیل‌های متوالی آنالوگ-دیجیتال در میان واحدهای سنجش، پردازش و ذخیره‌سازی مجزای آن‌ها است. علاوه بر این، کاهش سرعت قانون مور این محدودیت را تشدید می کند. بنابراین، ابداع یک ماده-الگوریتم جفتی ترکیبی از شبکیه مصنوعی و محاسبات مخزن (RC) برای سیستم‌های محاسباتی حسگر با سربار انرژی بسیار کم و سرعت محاسبات فوق‌العاده بسیار مهم است.

در یک مطالعه منتشر شده در Nature Communications، گروه تحقیقاتی به سرپرستی پروفسور Huang Weiguo از موسسه تحقیقاتی فوجیان در مورد ساختار ماده آکادمی علوم چین، به استراتژی طراحی محاسبات مخزن حسگر پوشیدنی برای یادگیری چندکاره از طریق یک شرکت الگوریتم مواد دست یافتند.

محققان یک طرح مشترک مواد-الگوریتم، یک پلیمر نیمه هادی پاسخگو به نور (p-NDI) با تفکیک اکسایتون کارآمد و ویژگی های حمل بار-انتقال در فضا را طراحی و سنتز کردند تا یک RC درون حسگر برای طبقه بندی الگوی چند وظیفه ای بسازند.

آنها دریافتند که ترانزیستورهای نوری منعطف مبتنی بر p-NDI پاسخ‌های نوری کاملاً جدا شده، حافظه محو غیرخطی و ویژگی حالت پژواک را نشان می‌دهند که یک سیستم RC دینامیکی مبتنی بر ترانزیستور پوشیدنی را امکان‌پذیر می‌سازد.

این سیستم RC مبتنی بر مواد آلی، حروف و ارقام دست‌نویس را تشخیص می‌دهد و لباس‌های مختلف را به ترتیب با دقت 98.04، 88.18 و 91.76 درصد طبقه‌بندی می‌کند. علاوه بر تصاویر دوبعدی، RC به طور موثر سه نوع حرکات دینامیکی فضایی-زمانی (حرکات تکان دادن دست چپ، تکان دادن دست راست و حرکات دست زدن) را با دقت 98.62 درصد طبقه بندی کرد.

این مطالعه نه تنها بر تنگنای سیستم‌های محاسباتی حسگر مرسوم در هزینه‌های زیاد زمان و انرژی غلبه می‌کند، بلکه یک استراتژی جدید طراحی مشترک مواد-الگوریتم برای سیستم‌های نورومورفیک فوتونیک پوشیدنی، مقرون به صرفه و بسیار کارآمد ارائه می‌کند

.https://techxplore.com/

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *