（文章來源：教育新聞網）

如今，自動圖像識別已被廣泛使用：有些計算機程序可以可靠地診斷皮膚癌，駕駛自動駕駛汽車或控制機器人。到目前為止，所有這些都是基于對普通攝像機提供的圖像數據進行評估的，而且這很耗時。尤其是每秒記錄的圖像數量很多時，會生成大量難以處理的數據。

因此，維也納工業大學的科學家采用了另一種方法：使用特殊的2D材料，開發了一種圖像傳感器，可以對其進行訓練以識別某些物體。該芯片代表了能夠學習的人工神經網絡。數據不必由計算機讀取和處理，但是芯片本身可以提供有關當前所見內容的信息-僅需數納秒。這項工作現在已經在科學雜志《自然》上發表。

神經網絡是類似于我們的大腦的人工系統：神經細胞與許多其他神經細胞相連。當一個細胞處于活動狀態時，這會影響鄰近神經細胞的活動。在計算機上進行人工學習的原理完全相同：對神經元網絡進行數字化仿真，并改變該網絡的一個節點影響另一個節點的強度，直到該網絡顯示出所需的行為為止。

“通常，圖像數據首先逐個像素地讀取，然后在計算機上進行處理，” Thomas Mueller說。“另一方面，我們將神經網絡及其人工智能直接集成到圖像傳感器的硬件中。這使對象識別的速度提高了多個數量級。”該芯片是在維也納工業大學開發和制造的。它基于由二硒化鎢制成的光電探測器-一種僅由三個原子層組成的超薄材料。單獨的光電探測器，即相機系統的“像素”，都連接到提供目標識別結果的少量輸出元件。

該出版物的第一作者Lukas Mennel表示：“在我們的芯片中，我們可以專門調節每個檢測器元件的靈敏度-換句話說，我們可以控制特定檢測器拾取的信號影響輸出信號的方式。 。“我們要做的就是直接在光電探測器上調節局部電場。”這種調整是在計算機程序的幫助下從外部完成的。例如，可以使用傳感器記錄不同的字母并逐步更改各個像素的靈敏度，直到某個字母始終精確地導致相應的輸出信號為止。這就是芯片中神經網絡的配置方式-使網絡中的某些連接更牢固而其他連接更弱。

一旦學習過程完成，就不再需要計算機。神經網絡現在可以單獨工作。如果將某個字母顯示給傳感器，它將在50納秒內生成經過訓練的輸出信號-例如，代表芯片剛剛識別出的字母的數字代碼。“目前，我們的測試芯片還很小，但是您可以根據要解決的任務輕松擴展該技術，” Thomas Mueller說。“從原理上講，該芯片還可以進行訓練，以區分蘋果和香蕉，但是我們看到它在科學實驗或其他專門應用中的使用更多。”

這項技術可以在需要極高速度的地方有用地應用：“從斷裂力學到粒子檢測-在許多研究領域中，都對短時間事件進行了研究，” Thomas Mueller說。“通常不必保留有關此事件的所有數據，而是要回答一個非常具體的問題：裂紋是否從左向右傳播?幾個可能的粒子剛剛通過了?這正是我們的技術有好處。”
（責任編輯：fqj）