11 ژانویه 2024 -توسط دانشگاه علوم توکیو -دستگاه شامل یک اتصال SN2O3 و NB-DOPED SRTIO3 (ITO/NB: STO ، GND: GROUND) است که با استفاده از یک ولتاژ کوچک ، توانایی کنترل زمان آرامش یک جریان ناشی از عکس را تحت تابش UV نشان می دهد. اعتبار: کنتارو کینوشیتا از TUS ، ژاپن ، اقتباس از Advanced Science (2023).
هر روز ، مقدار قابل توجهی از داده های مربوط به آب و هوا ، ترافیک و رسانه های اجتماعی در حال پردازش در زمان واقعی هستند. در محاسبات ابری سنتی ، این پردازش بر روی ابر اتفاق می افتد و نگرانی هایی در مورد موضوعاتی از قبیل نشت ، تأخیر در ارتباطات ، سرعت آهسته و مصرف انرژی بالاتر ایجاد می کند.
در برابر این زمینه ، “Edge Computing” یک راه حل جایگزین امیدوارکننده را ارائه می دهد. در نزدیکی کاربران ، هدف آن توزیع محاسبات است و از این طریق بار و سرعت بخشیدن به پردازش داده ها را کاهش می دهد. به طور خاص ، Edge AI ، که شامل پردازش AI در لبه است ، انتظار می رود برنامه های کاربردی را در خودروهای خودران و پیش بینی ناهنجاری دستگاه در کارخانه ها پیدا کند.
با این حال ، برای محاسبات لبه موثر ، فناوری کارآمد و محاسباتی مقرون به صرفه مورد نیاز است. یکی از گزینه های امیدوارکننده Reservoir Computing است ، یک روش محاسباتی که برای پردازش سیگنال هایی که با گذشت زمان ثبت می شوند ، طراحی شده است. این سیگنال ها می تواند با استفاده از مخازن که به طور غیرخطی به آنها پاسخ می دهند ، این سیگنال ها را به الگوهای پیچیده تبدیل کنند.
به طور خاص ، مخازن فیزیکی ، که از پویایی سیستم های فیزیکی استفاده می کنند ، هم از نظر محاسباتی مقرون به صرفه و کارآمد هستند. با این حال ، توانایی آنها در پردازش سیگنال ها در زمان واقعی با زمان آرامش طبیعی سیستم فیزیکی محدود است. این پردازش در زمان واقعی را محدود می کند و برای بهترین عملکرد یادگیری نیاز به تنظیم دارد.
به تازگی ، پروفسور کنتارو کینوشیتا ، عضو دانشکده مهندسی پیشرفته و گروه فیزیک کاربردی در دانشگاه علوم توکیو (TUS) و آقای یوتارو یامازاکی از دانشکده علوم فارغ التحصیل و همان بخش در TUS نوری ایجاد کردند دستگاه با ویژگی هایی که از محاسبات مخزن فیزیکی پشتیبانی می کنند و به پردازش سیگنال در زمان واقعی در طیف گسترده ای از بازه های زمانی در یک دستگاه واحد اجازه می دهند. یافته های آنها در 20 نوامبر 2023 در Advanced Science منتشر شد.
پروفسور کینوشیتا با صحبت از انگیزه آنها برای مطالعه ، توضیح می دهد: “دستگاههای توسعه یافته در این تحقیق ، یک دستگاه واحد را قادر می سازد تا سیگنال های سری زمانی را با بازه های زمانی مختلف تولید شده در محیط زندگی ما در زمان واقعی پردازش کند. به ویژه ، امیدواریم تحقق یابد یک دستگاه هوش مصنوعی برای استفاده در دامنه Edge. “
در مطالعه خود ، این دوتایی با استفاده از SRTIO3 SN-DOPED IN2O3 و NB-DOPED (با نام ITO/NB: STO) ، یک دستگاه ویژه ایجاد کرد ، که به هر دو سیگنال الکتریکی و نوری پاسخ می دهد. آنها ویژگی های الکتریکی دستگاه را آزمایش کردند تا تأیید کنند که به عنوان یک Memristor عمل می کند (یک دستگاه حافظه که می تواند مقاومت الکتریکی آن را تغییر دهد). این تیم همچنین با تغییر ولتاژ و مشاهده تغییرات در جریان ، تأثیر نور ماوراء بنفش بر ITO/NB: STO را مورد بررسی قرار داد. نتایج حاکی از آن است که این دستگاه می تواند زمان آرامش جریان ناشی از عکس را با توجه به ولتاژ تغییر دهد و آن را به عنوان کاندیدای بالقوه برای یک مخزن فیزیکی تبدیل کند.
علاوه بر این ، تیم با استفاده از آن برای طبقه بندی تصاویر رقمی دستنویس در مجموعه داده های MNIST (موسسه ملی اصلاح شده استاندارد و فناوری) ، اثربخشی ITO/NB: STO را به عنوان یک مخزن فیزیکی آزمایش کرد. در انتها ، دستگاه به دقت طبقه بندی تا 90.2 ٪ دست یافت. علاوه بر این ، برای درک نقش مخزن فیزیکی ، این تیم آزمایشاتی را بدون آن انجام داد ، که منجر به دقت طبقه بندی نسبتاً پایین 85.1 ٪ شد. این یافته ها نشان می دهد که دستگاه اتصال ITO/NB: STO ، ضمن پایین نگه داشتن هزینه های محاسباتی ، دقت طبقه بندی را بهبود می بخشد و ارزش آن را به عنوان یک مخزن فیزیکی اثبات می کند.
پروفسور کینوشیتا می گوید : در گذشته ، گروه تحقیقاتی ما بر تحقیق و توسعه مواد قابل استفاده در محاسبات مخزن فیزیکی متمرکز شده است. بر این اساس ، ما این دستگاه ها را با هدف تحقق یک مخزن فیزیکی که در آن زمان آرامش جریان ناشی از عکس می تواند به طور خودسرانه کنترل شود با تغییر ولتاژ ، ساختیم. “
به طور خلاصه ، این مطالعه یک دستگاه Memristor جدید را ارائه می دهد که قادر به تنظیم بازه زمانی پاسخ خود از طریق تغییر ولتاژ است و قابلیت های یادگیری پیشرفته ای را نشان می دهد ، که باعث می شود آن را برای برنامه های موجود در لبه به عنوان یک دستگاه هوش مصنوعی برای محاسبات Edge امیدوار کند. این به نوبه خود ، می تواند راه را برای دستگاه های منفرد که می توانند به طور مؤثر سیگنال های مدت زمان متنوعی را که در محیط های دنیای واقعی یافت می شود ، هموار کند.
