Online gas classification at the edge
Geïnspireerd door het olfactieve systeem van insecten presenteert dit artikel een lichtgewicht, neuromorf neuraal netwerk dat online gasclassificatie uitvoert met behulp van ijle binaire representaties en lokaal leren, waarbij een hoge nauwkeurigheid en ultra-laag on-chip stroomverbruik worden bereikt terwijl bekende gassen effectief worden onderscheiden van nieuwe stimuli in dynamische omgevingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een wereld voor waarin de lucht zelf een verschuivende, onzichtbare rivier is, die geuren meevoert die van vorm en kracht veranderen met elke windvlaag. Om een machine te laten begrijpen wat deze rivier is, kan deze niet simpelweg wachten op een stabiel, zuiver monster; de machine moet leren een geur te herkennen terwijl deze nog aan het wervelen is, incompleet en vermengd met de lucht die eraan voorafging. Dit is de dagelijkse realiteit voor sensoren die gassen moeten detecteren in de open wereld, van een robot die door een fabrieksvloer navigeert tot een apparaat dat de veiligheid van een werknemer bewaakt. De uitdaging is niet alleen het detecteren van een chemische stof, maar het snel en nauwkeurig identificeren ervan, ondanks de chaos van de omgeving en het feit dat de sensoren zelf hun gevoeligheid in de loop van de tijd veranderen. De natuur heeft dit probleem al opgelost. Insecten, met hersenen ter grootte van een korrel zand en een energieverbruik dat wordt gemeten in fracties van een milliwatt, navigeren met verbazingwekkende snelheid en precisie door complexe geurlandschappen. Zij wachten niet op een perfect, gestabiliseerd monster; zij nemen beslissingen op basis van de vluchtige, vergankelijke momenten waarop een geur voor het eerst hun receptoren raakt.
Onderzoekers hebben nu een digitaal systeem gebouwd dat deze biologische efficiëntie nabootst om gassen in realtime te classificeren. In plaats van te vertrouwen op zware, energieverslindende computers die wachten tot een sensor is gestabiliseerd voordat ze een gok wagen, heeft het team een netwerk gecreëerd dat direct leert van de ruwe, chaotische stroom van binnenkomende gegevens. Ze testten dit systeem op een printplaat uitgerust met metaaloxide-sensoren, waarbij ze het blootstelden aan een willekeurige sequentie van gassen zoals ethyleen, methaan en koolmonoxide, zowel alleen als gemengd. Cruciaal was dat ze de sensoren niet lieten settelen in een stabiele toestand. In plaats daarvan introduceerden ze nieuwe gassen terwijl de sensoren nog reageerden op de vorige, waardoor het systeem gedwongen werd de gasidentificatie te baseren op de veranderende, transiënte respons in plaats van op een definitieve, stabiele meting. Deze opstelling bootst de turbulente, onvoorspelbare omstandigheden van de echte wereld na, waar een gaspluim zelden uniform of stil is.
De kern van hun oplossing is een tweestaps-proces geïnspireerd door het insectenbrein. Eerst neemt het systeem de ruwe sensorwaarden en breidt deze uit naar een enorme, hoogdimensionale ruimte met behulp van een vast, willekeurig patroon. Deze stap is vergelijkbaar met het nemen van een eenvoudige schets en deze projecteren op een complex, meerlagig raster waar elk detail wordt uitgespreid. Vervolgens past het systeem een "winner-take-all"-regel toe, waarbij alleen de sterkste signalen uit dit uitgebreide raster worden behouden en de rest wordt weggegooid. Dit creëert een ijle, binaire code — een eenvoudige lijst van aan- en uit-schakelaars — die het gas vertegenwoordigt. Deze methode stelt het systeem in staat om verschillende gassen effectief te scheiden, zelfs wanneer ze gemengd zijn, door een moeilijke, niet-lineaire taak om te zetten in een eenvoudigere taak die een basis lineaire classifier kan oplossen. Het systeem leert met een regel die vergelijkbaar is met hoe biologische neuronen verbindingen versterken wanneer ze samen vuren, waardoor het in staat is om snel te adapteren met zeer weinig data.
De resultaten toonden aan dat deze lichtgewicht aanpak zeer effectief is. Wanneer het systeem werd getest op mengsels van gassen, presteerde het beter dan een standaard lineaire classifier en even goed als een veel complexer, niet-lineair model dat aanzienlijk meer rekenkracht vereist. Het leerde gascategorieën te herkennen vanaf slechts drie voorbeelden per type, wat een vermogen demonstreerde om zichzelf on the fly te herkalibreren met minimale data. Dit is een vitale capaciteit voor apparaten die gedurende lange perioden zonder menselijke tussenkomst moeten werken, aangezien het betekent dat ze hun eigen drift kunnen corrigeren of nieuwe dreigingen kunnen leren herkennen zonder dat ze terug naar een laboratorium hoeven voor hertraining. Bovendien hield het systeem een lopende telling bij van hoe vaak het elk gas had gezien, waardoor het in staat was om bekende geuren te onderscheiden van geheel nieuwe, onbekende stimuli — een functie die een robot kan helpen beslissen of hij een nieuwe geur moet onderzoeken of een veelvoorkomende geur moet negeren.
Om te bewijzen dat dit in een echt, laag-vermogen apparaat zou kunnen werken, draaide het team het volledige systeem op een gespecialiseerde neuromorfische chip genaamd TEXEL. Deze chip is ontworpen om te functioneren als een biologisch brein, gebruikmakend van analoge circuits die zeer weinig energie verbruiken. Het experiment bevestigde dat het systeem gevaarlijke gassen kon detecteren met een nauwkeurigheid van 74,6%, terwijl het slechts 482 nanojoules aan energie gebruikte voor elke beslissing en een statisch vermogen van slechts 27 microwatt verbruikte. Dit niveau van efficiëntie is orders van grootte lager dan wat vereist is door traditionele processors die soortgelijke taken uitvoeren. Door een biologisch geïnspireerde architectuur te combineren met ultra-low-power hardware, hebben de onderzoekers een pad aangetoond naar gassensoren die niet alleen slim en snel zijn, maar ook klein en energiezuinig genoeg om overal te worden ingezet, van de binnenkant van een auto tot een afgelegen milieuoverwakingsstation, zonder de noodzaak van grote batterijen of constant onderhoud.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.