ENGINEERINGNET.BE - Tot nu toe werd het neurale netwerk van een neuromorfe chip getraind met behulp van externe software, een proces dat tijdrovend en energie-inefficiënt kan zijn.
“De nieuwe chip kan zelf leren door real-time patiëntgegevens te verwerken. Dit versnelt het trainingsproces en bevordert het gebruik van de chip in echte interactieve bioapplicaties”, aldus Eveline van Doremaele.
Om de effectiviteit van de chip te testen, gebruikten de onderzoekers deze om te testen op taaislijmziekte. Een bestaande manier om op deze ziekte te testen is via een zweettest waarbij een hoog niveau van chloride-anionen een indicator is voor taaislijmziekte.
Betrouwbare sensoren zijn al beschikbaar om te testen op taaislijmziekte, dus deze test bood de onderzoekers een eenvoudig te controleren opdracht voor hun leersensor op de chip.
De neuromorfe biosensor bestaat uit drie delen: de sensormodule, de neurale netwerk-hardware en het classificatiegedeelte. Een druppel zweet wordt aan de sensormodule toegevoegd, waarna chloride- en andere ionenconcentraties in het zweet worden gedetecteerd met ion-selectieve elektroden. Deze signalen worden daarna verwerkt door de neuromorfe chip zelf.
Voordat de chip werd gebruikt om de belangrijkste zweetmonsters te evalueren, moest het neurale netwerk naar de 'datasportschool' om onder begeleiding te trainen.
“We maakten een aantal zweetmonsters met variërende en bekende ionenconcentraties en testten de monsters vervolgens op de chip. Als het resultaat van de chip voor een test verkeerd was, corrigeerden we de chip, wat resulteerde in correcties van de gewichten tussen de knooppunten van het neurale netwerk”, zegt Van Doremaele. “Belangrijk is dat we de chip trainen op de hardware zelf.”
Dat is de belangrijkste vooruitgang in dit onderzoek: de mogelijkheid om het neurale netwerk op de chip te trainen, zonder dat er externe software nodig is. “Wanneer de chip eenmaal is getraind voor het probleem in kwestie, is er geen verdere externe controle of interventie nodig”, aldus Van Doremaele.
Ook kan de chip, zelfs als hij getraind is, gebruikt worden voor een ander probleem. “Stel dat je dezelfde neurale netwerk-hardware wilt gebruiken in een slimme prothesehand of -arm, dan hoef je alleen het neurale netwerk opnieuw te trainen in de ‘datasportschool’ met informatie over hand- of armbewegingen."
Deze nieuwe on-chip leerbenadering opent de deur voor gepersonaliseerde implanteerbare neurale netwerken die getraind worden door de eindgebruiker, door gebruik te maken van data die direct afkomstig zijn van die gebruiker.
“Wellicht is het hierdoor straks mogelijk om chips in real-time te trainen om protheses of andere soortgelijke apparaten te besturen. De echte nieuwigheid is dat de chips kunnen leren en zich kunnen aanpassen aan hun toepassing en omgeving. Ze hoeven niet van tevoren geprogrammeerd te worden, zoals nu nog het geval is.”
