به گزاش تک‌ناک، این سیستم فشرده می‌تواند حرکات دست را شناسایی کند، داده‌های بصری را ذخیره نماید و آن را به‌ صورت لحظه‌ای پردازش کند، همچنین نیاز به اتصال به رایانه خارجی وجود ندارد.

تیم تحقیقاتی RMIT این دستگاه را «نمونه اثبات مفهوم» معرفی کرده است، که می‌تواند مانند چشم انسان نور را ثبت کند و همچون مغز، اطلاعات تصویری را تجزیه و تحلیل نماید.

سومیت والیا، استاد و سرپرست این پروژه در بیانیه‌ای اعلام کرد: «این سیستم می‌تواند بلافاصله تغییرات محیط را تشخیص دهد و آن را در حافظه ذخیره کند، بدون آنکه نیاز به پردازش حجم بالایی از داده یا مصرف زیاد انرژی داشته باشد.»

فناوری نورومورفیک یا پردازش الهام‌گرفته از مغز، حوزه‌ای نوظهور و در حال رشد است، که هدف آن توسعه سیستم‌های محاسباتی و حسی هوشمند و کارآمد می‌باشد.

یکی از مهم‌ترین روش‌های این حوزه، شبکه‌های عصبی اسپایکی (SNN) است، که مانند نورون‌های واقعی با ارسال سیگنال‌های اسپایک فعالیت می‌کنند.

محققان در این تحقیق برای شبیه‌سازی عملکرد مغز انسان، از مدل نشت-ادغام-و-آتش (LIF) استفاده کرده‌اند. این مدل مشابه رفتار طبیعی نورون‌های مغز است، که سیگنال‌های الکتریکی را تا سطحی مشخص ذخیره و سپس ارسال می‌کند و پس از آن به حالت اولیه بازمی‌گردد.

شبیه‌سازی عملکرد مغز انسان با دستگاهی پیشرفته

این دستگاه حرکت دست را تشخیص می‌دهد، خاطرات را ذخیره می‌کند و اطلاعات را مانند مغز انسان پردازش می‌کند، بدون اینکه به یک رایانه خارجی نیاز داشته باشد.

هرچند پیش‌تر مواد حسگر نوری مختلف برای شبیه‌سازی عملکرد مغز آزمایش شده بودند، اما بازتولید کامل رفتار مدل LIF و به‌کارگیری آن در وظایف تصویری، همچنان چالشی جدید باقی مانده بود.

محققان RMIT با ترکیب مواد نورومورفیک و الگوریتم‌های پردازش سیگنال، موفق به ساخت دستگاهی شدند که اطلاعات تصویری را به صورت هم‌زمان ثبت و پردازش می‌کند.

در این فناوری، ماده دی‌سولفید مولیبدن (MoS₂) که یک ترکیب فلزی با نقص‌های اتمی است، نقش کلیدی ایفا می‌کند. این ماده قادر است نور را شناسایی و به سیگنال‌های الکتریکی تبدیل کند، که مشابه عملکرد نورون‌های انسانی است.

آزمایش‌ها نشان داده‌اند که لایه‌های فوق نازک MoS₂ که با روش رسوب‌دهی شیمیایی از بخار (CVD) تولید شده‌اند، می‌توانند کاملاً مشابه نورون‌های واقعی شارژ و دشارژ شوند و رفتار الکتریکی مغز را تقلید کنند.

به گفته محققان، تنظیم ولتاژ گیت در این سیستم باعث می‌شود تا دستگاه بتواند سریع‌تر به تغییرات واکنش نشان دهد و مانند مغز به محرک‌های جدید پاسخ دهد.

این تیم تحقیقاتی توانست با بهره‌گیری از قابلیت‌های منحصربه‌فرد MoS₂، یک شبکه عصبی اسپایکی (SNN) ایجاد کند، که پس از ۱۵ چرخه آموزشی به دقت ۷۵ درصدی در شناسایی تصاویر ثابت و پس از ۶۰ چرخه آموزشی به دقت ۸۰ درصدی در پردازش تصاویر متحرک دست یافت.

دستگاه در آزمایش‌ها توانست حرکات دست را با استفاده از تشخیص لبه ثبت کند. این روش برخلاف فناوری‌های سنتی نیاز به ضبط فریم به فریم را حذف کرده و مصرف انرژی و داده را کاهش داده است.

همچنین این دستگاه توانست تغییرات را همانند مغز به عنوان حافظه ذخیره کند.

تیها آئونگ، پژوهشگر دکتری و نویسنده اصلی مقاله گفت: «ما نشان دادیم که MoS₂ می‌تواند به‌ طور دقیق رفتار نورون‌های مدل LIF را شبیه‌سازی کند، که عنصر کلیدی شبکه‌های عصبی اسپایکی هستند.»

این فناوری می‌تواند نحوه واکنش خودروهای خودران و ربات‌های پیشرفته را در محیط‌های خطرناک و پرتحرک متحول کند. توانایی شناسایی لحظه‌ای تغییرات محیط با حداقل پردازش داده می‌تواند باعث بهبود سرعت و دقت عملکرد این سامانه‌ها شود.

همچنین این نوآوری امکان بهبود تعامل بین انسان و ربات را در حوزه‌هایی مانند: خطوط تولید، مراقبت‌های شخصی و خدمات انسانی فراهم می‌کند.

تیم تحقیقاتی دانشگاه RMIT در حال حاضر در حال ارتقای نمونه اولیه تک پیکسلی به آرایه‌های پیکسلی بزرگ‌تر مبتنی بر MoS₂ هستند.

برنامه‌های آینده شامل بهینه‌سازی انرژی، گسترش وظایف پردازش تصویر و ادغام این سیستم با سامانه‌های دیجیتالی مرسوم خواهد بود.

همچنین دانشمندان در حال بررسی سایر مواد هستند تا بتوانند این فناوری را به محدوده نور مادون قرمز توسعه دهند و از آن در ردیابی آلاینده‌ها و حسگرهای هوشمند محیطی بهره ببرند.

جزئیات کامل این پژوهش در نشریه معتبر Advanced Materials Technologies منتشر شده است.