如今，自动图像识别已经被广泛应用：一些计算机程序可以可靠地诊断皮肤癌，驾驶自动驾驶汽车或控制机器人。到目前为止，所有这些都是基于普通相机提供的图像数据的评估，并且这是耗时的。尤其是当每秒记录的图像数量较大时，会产生大量难以处理的数据。

因此，维也纳工业大学的科学家采用了另一种方法：使用特殊的2D材料，他们开发了一种图像传感器，可以通过训练来识别某些物体。该芯片代表了一种可以学习的人工神经网络。数据不一定要由计算机读取和处理，但芯片本身可以提供当前看到的信息——只有几纳秒。这项工作现已发表在科学杂志《自然》上。

学习硬件

神经网络是一个类似于我们大脑的人工系统：神经细胞与许多其他神经细胞相连。当一个细胞处于活跃状态时，这将影响邻近神经细胞的活动。在计算机上进行人工学习的原理是一模一样的：数字模拟神经网络，改变网络的一个节点影响另一个节点的强度，直到网络表现出所要求的行为。

“通常，图像数据首先被逐个像素地读取，然后在计算机上进行处理，”托马斯穆勒说。“另一方面，我们将神经网络及其人工智能直接集成到图像传感器的硬件中。这将物体识别的速度提高了几个数量级。”

该芯片是在维也纳技术大学开发和制造的。它基于二硒化钨制成的光电探测器，二硒化钨是一种仅由三个原子层组成的超薄材料。单个光电探测器，即相机系统的“像素”，连接到提供目标识别结果的少量输出元件。

通过可变敏感度学习

该出版物的第一作者Lukas Mennel说：“在我们的芯片中，我们可以专门调整每个探测器元件的灵敏度——换句话说，我们可以控制特定探测器拾取的信号影响输出信号的方式。 "我们所要做的就是直接在光电探测器上调整局部电场。这种调整是在计算机程序的帮助下从外部完成的。例如，可以使用一个传感器来记录不同的字母，并逐渐改变每个像素的灵敏度，直到某个字母总是准确地导致相应的输出信号。这就是芯片中神经网络的配置方式——让网络中的一些连接更强，另一些更弱。

一旦学习过程完成，就不再需要计算机了。神经网络现在可以单独工作了。如果向传感器显示一个字母，它将在50纳秒内生成一个经过训练的输出信号——例如，一个代表刚刚被芯片识别的字母的数字代码。

当事情必须快速完成时的对象检测。

“目前，我们的测试芯片仍然很小，但你可以根据要解决的任务轻松扩展技术，”托马斯穆勒说。“原则上，芯片也可以被训练区分苹果和香蕉，但我们看到它更多地用于科学实验或其他专门的应用。”

这项技术可以有效地应用于需要极高速度的地方：“从断裂力学到粒子探测——在许多研究领域，短期事件都得到了研究，”托马斯穆勒说。“通常没有必要保留关于这一事件的所有数据，而是回答一个非常具体的问题：裂缝是从左向右传播的吗？几个可能的粒子刚刚经过。是我们的技术好。”