Dynamic analogue iterative computing with memristors for real-time robotic autonomy
Cet article présente un système de calcul itératif analogique à base de memristors (mAIC) qui utilise un schéma de programmation prédictif à une étape avec compensation analogique pour parvenir à une résolution d'équations matricielles dynamiques économe en énergie, à faible latence et précise pour l'autonomie robotique en temps réel, surpassant de manière significative les plateformes numériques traditionnelles telles que le NVIDIA Jetson.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayez de résoudre un puzzle massif et en perpétuelle mutation tout en courant un marathon. Dans le monde des robots, ce puzzle est un ensemble de problèmes mathématiques appelés « équations matricielles ». Ces équations sont le cerveau du robot, calculant constamment où il se trouve, où il doit aller et comment éviter de heurter des obstacles. La partie délicate est que les pièces du puzzle (les nombres dans l'équation) changent chaque milliseconde à mesure que le robot voit de nouveaux obstacles ou se déplace vers de nouveaux endroits.
Traditionnellement, les robots résolvent ces puzzles à l'aide d'ordinateurs numériques, qui sont comme des comptables super rapides. Ils doivent s'arrêter, noter les nombres, les déplacer du bureau de la mémoire au bureau de calcul, faire le calcul, puis déplacer la réponse en retour. Ce « déplacement » prend du temps et de l'énergie, comme un coureur qui s'arrête pour lacer ses chaussures toutes les quelques enjambées. Les scientifiques ont essayé de construire un autre type de cerveau en utilisant de minuscules interrupteurs électroniques appelés « memristors ». Considérez les memristors comme des éponges magiques capables de retenir une certaine quantité d'eau (électricité) pour représenter un nombre. Si vous disposez ces éponges en une grille, vous pouvez résoudre le puzzle mathématique instantanément en versant simplement de l'eau à travers elles, sans jamais déplacer les nombres. Le hic ? Ces éponges sont un peu désordonnées. Changer leur niveau d'eau avec précision nécessite généralement un processus lent et répétitif de « deviner, vérifier et ajuster », ce qui consomme tout le temps et l'énergie économisés.
Cet article présente une nouvelle façon d'utiliser ces éponges désordonnées pour résoudre les puzzles changeants du robot rapidement et avec précision. Les chercheurs, travaillant avec du matériel fabriqué en fonderie, ont développé un système qu'ils appellent « mAIC » (calcul itératif analogique à base de memristors). Au lieu de la lente méthode du « deviner et vérifier », ils ont créé un tour astucieux appelé « AC-PoP ». Imaginez que vous deviez remplir un seau jusqu'à une ligne très précise. Au lieu de remplir le seau goutte après goutte et de vérifier le niveau après chaque goutte, vous utilisez une carte spéciale de la façon dont le seau fuit et se remplit pour prédire exactement la quantité d'eau à verser en une seule fois. Si vous manquez la cible d'un tout petit peu, votre système dispose d'une deuxième, troisième et quatrième éponge prête à ajouter instantanément la bonne quantité d'« eau de correction » pour réparer l'erreur. Cela permet au robot de mettre à jour son puzzle mathématique en un éclair, sans le lent processus de vérification.
Lorsqu'ils ont testé ce système sur un vrai robot naviguant sur un chemin et sur une tâche de cartographie complexe (appelée SLAM), les résultats ont été frappants. Le nouveau système a résolu les problèmes mathématiques avec une précision presque identique aux meilleurs ordinateurs numériques. Cependant, il était beaucoup plus rapide et consommait beaucoup moins d'énergie. Comparé à un ordinateur de robot standard (un NVIDIA Jetson), le nouveau système était 4,4 fois plus rapide et consommait 627,9 fois moins d'énergie. Même comparé à l'ancienne méthode plus lente de programmation des éponges, cette nouvelle méthode était 345 fois plus rapide pour mettre à jour les pièces du puzzle. Les chercheurs ont montré qu'en combinant ce tour de « prédiction en une seule étape » avec un flux continu d'électricité, les robots pourraient enfin avoir un cerveau qui met à jour ses pensées en temps réel, aussi vite que le monde autour d'eux change, sans tomber en panne de batterie.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.