Experimentul isi propune sa ofere un prim exemplu de proiect destinat universului TinyML
urmarind sa realizeze o implementare pe platforma Rpi Pico 2 a unui fotoperceptron conform
prezentarii in raportul de cercetare a lui Rosenblat realizat in cadrul Aeronautical Laboratory in anul 1957.Se urmareste exemplificarea notiunilor precum stimul, pondere, functie de
activare/membrana , antrenare, axon, dendrita, inference ec.
La sfarsitul experimentulu sint detinute notiuni de baza necesare abordarii aplicatiilor de tip prin realizarea programelor nivel inference cu TensorFlow/Imagimob si rularea acestora pe Rpi Pico/Arduino nano BLE/PSoC 6 AI.
Program test realizare corecta schema perceptron Program test achizitie nivel lumina 10 stimuli Program perceptron cu 10 intrari si 1 iesire(axon)
Conform propunerii din raporul de cercetare a lui Rosenblat: 
Perceptronul este o unitate elemenara de procesare care primeite un set de semnale de intare/stimuli sile combină intr-un mod ponderat, adunind fiecare input inmul?it cu o pondere specifică. Apoi, suma ponderată este comparată cu un prag (numit ?i func?ie de activare) care decide dacă perceptronul activeaza/fire sau nu. 
Perceptronul permite ajustind ponderile wi pe baza erorilor dintre predictiile sale si rezultatele urmarite De fiecare data cind perceptronul face o predictie gresita, ponderile sunt ajustate astfel încit predictia viitoare să fie mai apropiată de rezultatul corect. Conform descrierilor initiale, stimulii frecventi pot fi luminosi sau acustici. Astfel un fotoperceptron poate fi realizat prin realizarea a 10 stimuli luminosi conectati la un microcontroler care ruleaza un program capabil sa se asemene cu potentialul de mebrana a celuei neuronale. Schema de realizare a unui fotoperceptron este urmatoarea: 
Deoarece este necesara achizitia a 10 semnale analogice furnizate de cele 10 fotorezistente se utilizeaza un multiplexor analogic de tip 74HC4067. Selectia canalului se realizeaza cu semnalele S0-S3 iar iesirea Sig ese conectata la intrarea ADC1 a convertorului AD din structura Rpi Pico 2. Achizitia celor 10 tensiuni calibrate in intervalul 0-3,3V se realizaea printr-un task de tip demon care va livra tot timpul valorile stimulilor x0 - x9. Programul principal va executa o functie asemantoare cu cea pentru calculul potentialului de menbrana prin sumarea ponderata a intrarilor. La depasirea unei valori are lo procesul de fire/activare . Pentru aplicatii reale utilizarea structurilor de tip retele neuronale simulate este accesibila prin medii de programare open source, uzual fiind folosit TensorFlow. Aceasta este o bibliotecă open-source livrata de Google, utilizată pentru dezvoltarea ?i rularea modelelor de ML si de inteligenta artificiala, cu un accent deosebit pe structuri neuronale si invatare profunda (deep learning). Google Colab este o platformă gratuita care permite rularea TensorFlow direct in browser, fara a necesita instalari locale. Colab include deja TensorFlow - Keras si suport pentru GPU. 
1. Realizati o functie de activare cu prag programabil; 2. Realizati o functie fire cu sunetr;  
3. Realizati o secventa de antrenare cu 10 etape; 4. Puneti in evidenta diferenta dintre duaratele de executia a operatiilor de inmultire numere float pe Pico 1 si Pico 2; 5. Examinati modul de executie a programului prototip 3 si introduceti ponderi reglabile.
- Realizarea obiecelor de tip IoT antrenabile; - Realizarea sistemelor mobile pentru preventii; - Realizarea laboratoarelor virtuale pentru educatie; - Realizarea elementelor active din automobile/cladiri; - Dezvoltarea sistemelor pentru decarbonizare; 
|
