Последние достижения в области нейроморфного инжиниринга вызвали огромный интерес к применению этих биовдохновленных подходов для создания систем искусственного обоняния. Присущие нейроморфной обработке данные для машинного обоняния характеристики, такие как массово-параллельные вычисления с разреженными spike-представлениями (основанными на спайках/импульсах) при минимальных требованиях к мощности, представляют собой перспективное решение для широкого спектра практических задач. В данной работе представлено энергоэффективное нейроморфное решение на аппаратной платформе, которое может быть легко интегрировано в качестве системы распознавания образов для электронного носа. Кроме того, в статье приведены результаты, основанные на реализации предложенного подхода для классификации различных видов бактерий в крови в реальном времени.
Системы искусственного обоняния, или электронные носы (e-noses), находят многочисленные применения — от контроля качества в пищевой промышленности до малоинвазивной медицинской диагностики. Биологические обонятельные системы обнаруживают летучие органические соединения (ЛОС) с помощью обонятельных рецепторных нейронов (ОРН), которые передают разреженный сигнал, закодированный в виде спайков, через нейроны высшего порядка в мозг, где происходит декодирование и распознавание запахов [1]. Электронные носы имитируют эту биологическую сенсорную систему, используя химические сенсоры и механизм распознавания образов [2]. Хотя эти системы показали обнадеживающие результаты в лабораторных и контролируемых условиях, масштабирование их применимости для реальных сценариев в настоящее время ограничено такими факторами, как отсутствие портативности, энергоэффективности, посредственная производительность и значительная задержка для достижения надежной классификации [2]–[4].
Машинное обучение в значительной степени улучшило традиционные системы электронных носов, но это было достигнуто ценой использования вручную созданных признаков и основано на статистических подходах [3] или вычислительно затратных методах глубокого обучения [2]. Хотя реализация этих методов потенциально может обеспечить повышенную точность, возникает дополнительный компромисс между портативностью и энергоэффективностью [5].
В последнее время биоинспирированные нейроморфные событийно-ориентированные подходы показали свою перспективность в области искусственного обоняния. Нейроморфное обоняние стремится перенять свойственные биологической обонятельной системе низкое энергопотребление, событийную управляемость и высокую точность. Недавние исследования в этой области представили результаты использования импульсных нейронных сетей (Spiking Neural Networks, SNN) с низким энергопотреблением. Однако эти исследования в основном были сосредоточены на включении высокой степени биологического реализма, что привело к созданию сложных архитектур, непрактичных для реальных приложений [6].
В настоящее время не хватает биоинспирированного подхода, который бы сочетал в себе преимущества биологической системы с использованием энергоэффективных нейроморфных аппаратных средств. В данной статье предлагается нейроморфный подход для обработки данных электронного носа, который может быть легко развернут на нейроморфной системе на кристалле (Neuromorphic-System-on-Chip, NSoC). Предлагаемая система включает в себя кодер преобразования данных в спайки (data-to-spike encoder) для генерации событий из непрерывных многомерных сенсорных данных и классификатор на основе импульсной нейронной сети (SNN). Основная цель данной работы — использовать свойства событийного нейроморфного подхода для создания мощного механизма вывода (inference engine), способного обеспечить высокоточную классификацию с низким энергопотреблением и минимальной задержкой.*
*Перевод выполнен с помощью нейросетей
Finding Bacteria in Blood: Scaling A Hardware-Driven Neuromorphic Solution for Real-World E-Nose Applications
Recent developments in neuromorphic engineering have sparked tremendous interest in implementing these bio-inspired approaches for artificial olfactory systems. The inherent properties of applying neuromorphic processing for machine olfaction, such as massively parallel computing with sparse spike-based representations at minimal power requirements, present a promising solution for a wide range of practical applications. This work presents a hardware-based lowpower neuromorphic solution that can be seamlessly integrated as a pattern recognition engine for an electronic nose system. Furthermore, results based on the implementation of the proposed approach for real-time classification of different bacteria in the blood are presented in this paper. Keywords—neuromorphic; olfaction; spiking neural networks; event-based applications; electronic noses
Artificial olfactory systems, or electronic noses (enoses), has numerous applications, ranging from quality control in the food industry to minimally-invasive medical diagnosis. Biological olfactory systems detect volatile organic compounds (VOCs) using olfactory receptor neurons (ORNs) that relay a sparse spikeencoded signal through higher-order neurons to the brain, where decoding and recognition of odors takes place [1]. E-noses mimic this biological sensory system using chemical sensors and a pattern recognition engine [2]. While these systems have shown promising results in laboratory and controlled environments, scaling their applicability to real-world scenarios is currently limited by factors such as lack of portability, power efficiency, mediocre performance, and substantial latency to reach a reliable classification [2]–[4]. Machine learning has largely improved upon traditional e-nose systems, but this has been at the cost of using hand-crafted features and being driven by statistical approaches [3] or computationally-expensive deeplearning methods [2]. Whilst implementing these methods can potentially deliver improved accuracy, there is a further trade-off of portability and power efficiency [5]. Recently, bioinspired neuromorphic event-based approaches have shown promise in artificial olfaction. Neuromorphic olfaction aims to adopt the biological olfactory system's low power, event-driven, and highly accurate nature. Recent studies in this domain have presented results using spiking neural networks with low power implementations. However, these studies have primarily focused on incorporating a high degree of biorealism, resulting in complex architectures that are impractical for real-world applications [6]. What is currently lacking is a bio-inspired approach that incorporates the advantage of the biological system using power-efficient neuromorphic hardware. This paper proposes a neuromorphic approach for processing e-nose data that can be seamlessly deployed on a neuromorphic-system-on-chip (NSoC). The proposed system comprises a data-to-spike encoder to generate events from continuous multi-variate sensory data and a spiking neural network (SNN)-based classifier. The primary aim of this work is to leverage the inherent properties of an event-based neuromorphic approach to develop a powerful inference engine capable of delivering highly accurate classification with low-power consumption and minimal latency.