ARM, une entreprise britannique spécialisée dans le développement de processeurs d'architecture 32 bits et d'architecture 64 bits de type RISC, travaille sur une nouvelle génération de puces intelligentes basée sur l'intelligence artificielle pour détecter l'odeur corporelle. L'objectif que poursuit ARM est de rendre ses puces suffisamment petites et bon marché pour qu'elles puissent être intégrés dans les vêtements, ce qui permettra à l'IA de garder un œil sur votre odeur corporelle toute la journée. Ces puces pourraient être aussi ajoutées aux emballages des aliments pour contrôler leur fraîcheur. La construction de cette puce entre dans le cadre d'un projet britannique dénommé PlasticArmPit dont l'objectif est de concevoir la première puce de capteur en plastique flexible compatible avec l'apprentissage automatique. Le prototype de la puce sera fabriqué et testé en 2019. Le projet s'inscrit dans un effort plus vaste auquel ARM a été associé pour réduire le coût des dispositifs en plastique pour l'IdO en deçà de 0,01 USD afin de pouvoir les intégrer à toutes sortes de biens de consommation, y compris les produits jetables. Chaque puce aura huit capteurs différents et un circuit d'apprentissage automatique intégré. PlasticArmPit sera la première application de l'apprentissage automatique en électronique plastique. Les odeurs sont composées de différentes combinaisons et concentrations de gaz.
Les capteurs de la puce détecteront différents produits chimiques dans l'air et l'IA prendra ces données et les identifiera comme un parfum particulier. La puce va alors marquer l'odeur. S'il se trouve sous l'aisselle de votre chemise, il vous indiquera la force de votre odeur corporelle de 1 à 5. « L’apprentissage par la machine consiste à collecter et à interpréter toutes les données, puis à alerter l’utilisateur si une action est nécessaire », dit James Myers, ingénieur principal de recherche chez ARM.
Une batterie et un écran pourraient être intégrés ultérieurement au dispositif. L’équipe chargée du projet est composée d'ARM, qui a conçu le circuit d’apprentissage automatique et mis au point des outils qui faciliteront la production de ces dispositifs ; PragmatIC, qui fabrique des puces électroniques flexibles à base d'oxydes amorphes, NFC et RFID, ainsi que les systèmes permettant de les construire ; l' Université de Manchester, qui a mis au point une technologie de détection des gaz plastiques et un modèle de perception des odeurs humaines et Unilever, qui a apporté son expertise en matière de produits de consommation et son laboratoire britannique de contrôle des odeurs.
Les réseaux de capteurs sont une collection de transistors à effet de champ fabriqués à partir de semi-conducteurs organiques modifiés chimiquement. « Nous adaptons les matériaux contenus dans l’appareil pour qu’ils soient sensibles aux différents gaz », explique Krishna Persaud , qui les a développés à l’Université de Manchester avec son collègue Michael Turner. Lorsque les gaz se lient aux canaux de semi-conducteurs du transistor, ils modifient les caractéristiques de performance de l'appareil.
Chaque appareil dispose de huit types de capteurs différents. Mais ils ne sont pas spécifiques à un produit chimique chacun. Au lieu de cela, chacun répond à un spectre de molécules au sein d'une classe de produits chimiques, dit Persaud. C’est leur réaction collective, interprétée par le système d’apprentissage automatique, qui indique si votre odeur d’aisselle est forte lorsque vous portez votre chemise.
Il a fallu un type différent de système d’apprentissage automatique pour interpréter ces odeurs. « Nous avons dû oublier tout ce que nous savions sur l'apprentissage automatique », explique James Myers. L'apprentissage profond retient actuellement l'attention du monde de l'apprentissage automatique, mais il n'est pas encore bien adapté à un système électronique flexible. Bien que les composants électroniques en plastique soient potentiellement beaucoup moins chers que le silicium, le nombre de transistors qu’ils peuvent contenir est limité, car ils sont beaucoup plus grands.
Avec moins de 1000 portes logiques, ARM devait trouver un autre circuit de classification avec lequel travailler. Les chercheurs d'ARM se sont tournés vers un type d'apprentissage automatique basé sur la classification naïve bayésienne, une classification bayésienne probabiliste simple basée sur le théorème de Bayes avec une forte indépendance (dite naïve) des hypothèses. Elle met en œuvre un classifieur bayésien naïf, ou classifieur naïf de Bayes, appartenant à la famille des classifieurs linéaires. Ce type de classificateur n’est plus à la mode de nos jours, car il n’est pas adapté pour un apprentissage profond, explique Myers. Bien qu’il soit beaucoup plus simple que l’apprentissage profond, le classificateur naïf de Bayes nécessitait « beaucoup de travail » pour s’adapter au nombre limité de portes, ajoute-t-il.
Source : New Scientist
Et vous ?
Qu'en pensez-vous ?Voir aussi
Tesla devrait abandonner les puces d'IA de NVIDIA pour ses véhicules autonomes et basculer sur ses propres puces d'IA dès l'année prochaine NVIDIA lance un système sur puce boosté à l'intelligence artificielle et un kit de développement pour les robots autonomes Tesla développe des puces dédiées à l'IA pour ses véhicules autonomes Jim Keppler et d'autres anciens cadres d'AMD sont impliqués dans ce projet La rubrique intelligence artificielle Le forum intelligence artificielle 
