Le capteur d'image peut simultanément capturer et traiter des images, ce qui accélère la reconnaissance d'objets de plusieurs ordres de grandeur. L'appareil ne consomme aucune énergie électrique lorsqu'il fonctionne, car les photons eux-mêmes fournissent l'énergie du courant électrique.
Le capteur est complété par un ANN, un système artificiel inspiré de notre cerveau. Dans un ANN, les neurones artificiels reçoivent des données et coopèrent pour résoudre un problème. Dans ce cas, reconnaître une image.
Les chercheurs de Vienne, soutenus par le du projet de recherche, le Graphene Flagship, a conçu des capteurs contenant neuf pixels - les «neurones» - placés dans un réseau 3 × 3. Chaque pixel à son tour, se compose de trois photodiodes, qui sont Semi-conducteurs dispositifs qui convertissent la lumière en courant électrique, qui fournissent trois sorties. Chaque photodiode relie son pixel aux 8 autres pixels.
Le courant de chaque photodiode est déterminé par l'intensité de la lumière entrante et le Tension à travers elle. Chaque neurone additionne les courants individuels provenant des 8 autres neurones et les valeurs combinées sont ensuite introduites dans un ordinateur.
L'appareil peut classer les images après une série de processus d'apprentissage, mais il peut également reconnaître un composant ou une structure caractéristique d'une image à partir des données d'entrée, sans informations supplémentaires.
La vitesse distingue cet appareil de la vision industrielle conventionnelle. Conventionnel sans souci est généralement capable de traiter jusqu'à 100 images par seconde, avec certains systèmes plus rapides capables de travailler jusqu'à 1,000 20 images par seconde. En comparaison, ce système fonctionne avec un équivalent de XNUMX millions d'images par seconde.
Il a été suggéré que l'appareil serait mis à l'échelle avec les technologies d'aujourd'hui. sans souci et trouvent des applications dans différents domaines, tels que la dynamique des fluides, la physique des hautes énergies, les procédés de combustion ou les claquages mécaniques.
«En mettant à l'échelle les appareils, cette approche neuromorphique peut mettre en valeur ses atouts dans le domaine de la reconnaissance et du traitement d'images», explique Lukas Mennel, premier auteur de l'étude. «Nous envisageons également d'autres idées, comme l'amélioration de l'absorption de la lumière ou l'extension de la gamme spectrale dans l'infrarouge. En principe, les capacités de cet appareil ne se limitent pas aux données visuelles. Tout type de données peut être (pré) traité avec un réseau neuronal artificiel dans le capteur lui-même. Par exemple, des capteurs neuromorphiques audio ou olfactifs pourraient être développés pour un traitement rapide sur puce. »
«Ce travail impressionnant montre une toute nouvelle application de caméras à base de matériaux en couches, tirant parti de ses propriétés uniques comme son accordabilité in-situ.» a expliqué Frank Koppens, Lleader du lot de travail phare du graphène pour la photonique et l'optoélectronique. «Les capteurs d'image de réseau neuronal auront un impact sur la société de nombreuses manières différentes, et avec des matériaux en couches, les exigences de haute vitesse sont désormais satisfaites.»
Andrea C. Ferrari, Responsable Science et Technologie du Graphene Flagship et Président de son Management Panel, a ajouté: «Ce travail est une autre étape majeure pour le Graphene Flagship. The Flagship est clairement leader mondial en ce qui concerne l'intégration dans chips de matériaux en couches. Ces éléments de base avancés soutiendront le développement de nouvelles technologies de pointe. »