Neuromorpher Antrieb lässt Rollroboter 99,75% Strom sparen

Motion Design INSIDER

Ein Rollroboter folgt Xiaoqiu An, einem Mechanical Engineering PhD-Studenten, geleitet von einem Target: einem roten Pappstück auf einem Stahlstab.

Analog Computing Renaissance

Analog Computing feiert ein Comeback mit Hardware, die Information am selben Ort verarbeitet und speichert – ähnlich wie biologische Neuronen. Ein kleinerer, leichterer und energieeffizienterer Computer, demonstriert an der University of Michigan, könnte Gewicht und Strom für autonome Drohnen und Rover sparen – mit Implikationen für autonome Fahrzeuge breiter.

Der autonome Controller hat eine der niedrigsten gemeldeten Leistungsanforderungen, laut der in Science Advances veröffentlichten Studie. Er operiert bei lediglich 12,5 Mikrowatt – im Bereich eines Herzschrittmachers. In Tests war ein Rollroboter mit dem Controller in der Lage, ein Ziel zu verfolgen, das zickzack einen Korridor hinunterlief, mit derselben Geschwindigkeit und Genauigkeit wie mit einem konventionellen digitalen Controller. In einem zweiten Test, mit einem Hebelarm, der sich automatisch repositionierte, performte der neue Controller genauso gut.

„Diese Arbeit führt ein bahnbrechendes nanoelektronisches Gerät für Hardware-Plattformen ein, die effizient mit Neural-Network-Architekturen rechnen können“, sagt Xiaogan Liang, U-M Professor of Mechanical Engineering und Korrespondenzautor der Studie.

Die hohe Effizienz und Miniaturisierung sind besonders wichtig für Anwendungen wie Drohnen und Weltraum-Rover, wo sowohl Gewicht als auch Energie Premium sind. Konventionelle autonome Fahrzeuge könnten jedoch auch von der Technologie profitieren. Eine Milliarde Stunden autonomes Fahren pro Jahr könnte mehr Strom verbrauchen als heutige Rechenzentren weltweit zusammen, laut vorangegangener Forschung.

Memristor: Der Gamechanger

Analog Computing, fast aufgegeben für Digitals niedrigeren Stromverbrauch und höhere Präzision, mag ein unwahrscheinlicher Held sein – aber ein relativ neues Schaltungselement ändert das Spiel. Der Memristor, 1971 vorgeschlagen und 2008 erstmals demonstriert, speichert Information in seinem elektrischen Widerstand. Wenn er einer Spannung ausgesetzt wird, reduziert er den Widerstand, den er dem nächsten Signal entgegensetzt. Einige Memristoren können vorherige Signale über Zeit „vergessen“ und zu ihrem ursprünglichen Widerstand zurückkehren – ein Verhalten, das der Relaxation in Neuronen ähnelt. Dies ist der Typ, den Liangs Team baute.

Weil sie bereits sehr wie Neural Networks funktionieren, können Memristor-Netzwerke als künstliche Neural Networks viel effizienter funktionieren als konventionelle Transistor-basierte Computer. Zusätzlich spart das Beibehalten analogen Processings für Sensoren und Aktuatoren, die selbst analog sind, die Energiekosten der Signalwandlung zwischen analog und digital.

Fertigung: Goldspitze & Bismuthselenid

Das Team baute ihre Memristor-Schaltungen in der Lurie Nanofabrication Facility an der U-M, indem sie einen goldbeschichteten Arm (ca. 30 Mikrometer Durchmesser) über einen Siliziumchip rieben – wie einen Ballon an Haaren reiben, damit er an der Wand haftet durch statische Elektrizität. Die elektrischen Ladungen leiteten dann verdampftes Bismuthselenid an, sich entlang acht sich kreuzender Linien (ca. 15 Nanometer dick) anzusammeln, angeordnet ähnlich einem Tic-Tac-Toe-Brett. Dann plattierten sie Elektroden aus Titan und Gold an den Enden jeder Linie.

Sie injizierten Signale durch eine Elektrode und lasen sie an fünf Elektroden auf der anderen Seite des Chips aus, jede repräsentierend ein Neuron. In der Studie mussten Kameradaten des Rollroboters in analoge Signale in einem Siliziumprozessor konvertiert werden, bevor sie durch das Memristor-Netzwerk liefen. Ähnlich gingen beim Hebelarm Daten über die Armposition in das Memristor-Netzwerk durch einen Siliziumprozessor, und es produzierte die Grundlagen von Instruktionen für den Betrieb des angeschlossenen Drohnenrotors, um den Arm auf die korrekte Position zu heben.

„Geräte wie unsere könnten Robotern intuitive Verhaltensweisen wie Menschen ermöglichen – wie man sehr heißes Wasser berührt und die Hand zurückzieht. Die Control-Response mag weniger präzise sein, aber sie kann sehr schnell sein“, sagt Mingze Chen, frisch promovierter Ph.D. in Mechanical Engineering.

„Edge Computing bedeutet, die Information muss nicht zu einem Rechenzentrum reisen für Processing – wie Nerven und Muskeln in unserer Hand und Arm reagieren können, ohne Information an unser Gehirn zu senden. Edge Computing kann schneller sein, mit niedrigerem Stromverbrauch, weil wir keine Zeit und Energie für Datentransmission aufwenden.“

Quelle: University of Michigan

Transkript

Kein Transkript für dieses Video verfügbar.