q&more
Meine Merkliste
my.chemie.de  
Login  

News

Neuronale Hardware für Bilderkennung in Nanosekunden

Ultraschneller Bildsensor kann trainiert werden, bestimmte Objekte zu erkennen

Joanna Symonowicz, TU Wien

Der Chip sieht ein Bild und liefert das gewünschte Outputsignal.

06.03.2020: Automatische Bilderkennung ist heute weit verbreitet: Es gibt Computerprogramme, die mit großer Zuverlässigkeit Hautkrebs diagnostizieren, selbstfahrende Autos navigieren oder Roboter steuern. Bisher beruhte das alles auf der Auswertung von Bilddaten, wie sie von ganz normalen Kameras geliefert werden – und das ist aufwändig. Insbesondere wenn die Zahl der aufgenommenen Bilder pro Sekunde hoch ist, entsteht rasch eine Datenmenge, die kaum bewältigt werden kann.

An der TU Wien ging man daher nun einen anderen Weg: Aus einem speziellen 2D-Material entwickelte man einen Bildsensor, der darauf trainiert werden kann, bestimmte Objekte zu erkennen. Der Chip selbst stellt ein lernfähiges, künstliches neuronales Netz dar. Die Daten müssen also erst gar nicht ausgelesen und von einem Computer verarbeitet werden, sondern der Chip selbst gibt Auskunft darüber, was er gerade sieht – und zwar innerhalb von Nanosekunden. Die Arbeit wurde nun im Fachjournal „Nature“ präsentiert.

Lernende Hardware

Neuronale Netze sind künstliche Systeme, die ähnlich funktionieren wie unser Gehirn: Nervenzellen sind mit vielen anderen Nervenzellen verbunden. Wenn eine Zelle aktiv ist, kann das die Aktivität der benachbarten Nervenzellen beeinflussen. Genau nach diesem Prinzip funktioniert auch künstliches Lernen am Computer: Ein Netz von Neuronen wird digital simuliert, die Stärke mit der ein Knotenpunkt dieses Netzes den anderen beeinflusst, wird so lange verändert, bis das Netz das gewünschte Verhalten zeigt.

„Typischerweise werden die Bilddaten zuerst Pixel für Pixel ausgelesen und dann am Computer verarbeitet“, sagt Thomas Müller. „Wir hingegen integrieren das neuronale Netz mit künstlicher Intelligenz direkt in die Hardware des Bildsensors. Damit erfolgt die Objekterkennung um viele Größenordnungen schneller als bisher.“

Der Chip wurde an der TU Wien entwickelt und hergestellt. Er basiert auf Photodetektoren aus Wolframdiselenid – ein ultradünnes Material, das nur aus drei Atomschichten besteht. Die einzelnen Photodetektoren, die „Pixel“ des Kamerasystems, sind alle mit einer kleinen Zahl von Ausgangs-Elementen verbunden, die das Ergebnis der Objekterkennung liefern.

Lernen durch variable Empfindlichkeit

„In unserem Chip können wir die Empfindlichkeit jedes einzelnen Detektorelements gezielt einstellen – also die Art, wie sich das Signal, das ein bestimmter Detektor aufnimmt, auf das Ausgangssignal auswirkt“, erklärt Lukas Mennel, Erstautor der Publikation. „Dafür müssen wir einfach nur ein lokales elektrisches Feld direkt am Photodetektor anpassen.“ Diese Anpassung erfolgt von außen, mit Hilfe eines Computerprogramms. Man kann zum Beispiel mit dem Sensor verschiedene Buchstaben aufnehmen und die Empfindlichkeiten der einzelnen Pixel Schritt für Schritt verändern, bis ein bestimmter Buchstabe immer genau zu einem korrespondierendem Ausgangssignal führt. So wird das neuronale Netz im Chip konfiguriert – mit stärkeren und schwächeren Verbindungen.

Ist dieser Lernprozess abgeschlossen, wird der Computer nicht mehr benötigt. Das neuronale Netz kann nun alleine arbeiten. Wird dem Sensor ein bestimmter Buchstabe präsentiert, erzeugt er innerhalb von 50 Nanosekunden das antrainierte Ausgangssignal – zum Beispiel ein Zahlencode, der für den Buchstaben steht, den der Chip gerade erkannt hat.

Objekterkennung, wenn es schnell gehen muss

„Unser Test-Chip ist momentan noch klein, aber man kann die Technologie problemlos hochskalieren, je nachdem, welche Aufgabe man lösen möchte“, sagt Thomas Müller. „Prinzipiell könnte man den Chip auch darauf trainieren, Äpfel von Bananen zu unterscheiden, wir sehen aber dessen Einsatz eher bei der Durchführung wissenschaftlicher Experimente oder anderen spezialisierten Anwendungen.“

Die Technologie ist überall dort sinnvoll einsetzbar, wo extrem hohe Geschwindigkeit gefragt ist: „Von der Bruchmechanik bis zur Teilchendetektion – in vielen Forschungsbereichen werden kurze Ereignisse untersucht“, sagt Thomas Müller. „Oft muss man nicht alle Daten über dieses Ereignis aufzubewahren, sondern eine ganz bestimmte Frage beantworten: Breitet sich ein Riss von links nach rechts aus? Welches von mehreren möglichen Teilchen ist gerade vorbeigeflogen? Genau für solche Einsatzzwecke eignet sich unsere Technologie ausgezeichnet.“

Originalveröffentlichung:
L. Menneli et al.; "Ultrafast machine vision with 2D material neural network image sensors"; Nature; 2020

Fakten, Hintergründe, Dossiers

  • Bildsensoren
  • künstliche neuronal…

Mehr über TU Wien

  • News

    Rätsel gelöst: Das Quantenleuchten dünner Schichten

    Eine ganz spezielle Art von Licht wird von Wolfram-Diselenid-Schichten ausgesandt. Warum das so ist, war bisher unklar. An der TU Wien wurde nun eine Erklärung gefunden. Es ist ein merkwürdiges Phänomen, das jahrelang niemand erklären konnte: Wenn man einer dünnen Schicht des Materials Wolf ... mehr

    Licht aus neuartigen Teilchenzuständen

    Eine neue Art von Leuchtdiode wurde an der TU Wien entwickelt: In dünnen Schichten aus nur wenigen Atomlagen kann man mit Hilfe exotischer „Exzitonencluster“ Licht erzeugen. Wenn Teilchen eine Bindung eingehen, entstehen normalerweise Atome oder Moleküle – zumindest wenn das im freien Raum ... mehr

    Wie man Wärmeleitung einfriert

    An der TU Wien wurde ein physikalischer Effekt entdeckt, der elektrisch leitende Materialien mit extrem niedriger Wärmeleitfähigkeit ermöglicht. Damit kann man Abwärme in Strom umwandeln. Jeden Tag geht uns wertvolle Energie in Form von Abwärme verloren – bei technischen Geräten zu Hause, a ... mehr

  • q&more Artikel

    Das Herz in der Petrischale

    Regenerative Medizin stellt eine der großen Zukunftshoffnungen und Entwicklungsperspektiven in der medizinischen Forschung des 21. Jahrhunderts dar. Revolu­tionäre Resultate konnten bereits durch gentechnische Eingriffe erzielt werden, ­wobei allerdings ethische und regulatorische Aspekte e ... mehr

  • Autoren

    Dr. Kurt Brunner

    Kurt Brunner, geb. 1973, studierte Technische Chemie an der TU Wien, wo er 2003 am Institut für Verfahrenstechnik, Umwelttechnik und Technische Biowissenschaften promovierte. Während seiner Dissertation arbeitete er im Bereich der Molekularbiologie der Pilze mit Forschungsaufenthalten an de ... mehr

    Prof. Dr. Marko D. Mihovilovic

    Marko D. Mihovilovic, Jg. 1970, studierte von 1988–1993 technische Chemie an der TU Wien und promovierte dort 1996 im Bereich Organische Synthesechemie. Anschließend war er für Postdoc-Aufenthalte als Erwin-Schrödinger-Stipendiat an der University of New Brunswick, Kanada sowie an der Unive ... mehr

q&more – die Networking-Plattform für exzellente Qualität in Labor und Prozess

q&more verfolgt den Anspruch, aktuelle Forschung und innovative Lösungen sichtbar zu machen und den Wissensaustausch zu unterstützen. Im Fokus des breiten Themenspektrums stehen höchste Qualitätsansprüche in einem hochinnovativen Branchenumfeld. Als moderne Wissensplattform bietet q&more den Akteuren im Markt einzigartige Networking-Möglichkeiten. International renommierte Autoren repräsentieren den aktuellen Wissenstand. Die Originalbeiträge werden attraktiv in einem anspruchsvollen Umfeld präsentiert und deutsch und englisch publiziert. Die Inhalte zeigen neue Konzepte und unkonventionelle Lösungsansätze auf.

> mehr zu q&more

q&more wird unterstützt von:

 

Ihr Bowser ist nicht aktuell. Microsoft Internet Explorer 6.0 unterstützt einige Funktionen auf Chemie.DE nicht.