ИИ стал в 100 раз более энергоэффективным. Отпала нужда в облаке

Инженеры Северо-Западного университета разработали новое наноэлектронное устройство, которое способно выполнять задачи точной классификации с помощью машинного обучения самым энергоэффективным образом. Потребляя в 100 раз меньше энергии, чем современные технологии, устройство может обрабатывать большие объемы данных и выполнять задачи искусственного интеллекта (ИИ) в режиме реального времени, не передавая данные для анализа в облако.

Благодаря малым габаритам, сверхнизкому энергопотреблению и отсутствию времени задержки при получении аналитических данных устройство идеально подходит для непосредственного включения в носимую электронику (например, “умные” часы и фитнес-трекеры) для обработки данных в реальном времени и практически мгновенной диагностики.

Для проверки концепции инженеры использовали устройство для классификации больших объемов информации из общедоступных наборов данных электрокардиограмм (ЭКГ). Устройство не только эффективно и правильно идентифицировало нерегулярное сердцебиение, но и смогло определить подтип аритмии из шести различных категорий с точностью около 95%. Результаты исследования были опубликованы 12 октября 2023 года в журнале Nature Electronics.

“Сегодня большинство датчиков собирают данные, затем отправляют их в облако, где анализ происходит на энергоемких серверах, после чего результаты отсылаются пользователю”, – говорит Марк Херсам (Mark C. Hersam), старший автор исследования, Северо-Западный университет. “Такой подход невероятно дорог, потребляет значительное количество энергии и добавляет временную задержку. Наше устройство настолько энергоэффективно, что его можно внедрить непосредственно в носимую электронику для обнаружения и обработки данных в режиме реального времени, что позволит более оперативно реагировать на чрезвычайные ситуации в области здравоохранения”.

Херсам – эксперт в области нанотехнологий, профессор материаловедения и инженерии Уолтер П. Мерфи в Северо-Западной инженерной школе Маккормик. Он также является заведующим кафедрой материаловедения и инженерии, директором Научно-инженерного центра по исследованию материалов и членом Международного института нанотехнологий. Херсам руководил исследованием совместно с Ханом Вангом, профессором Университета Южной Калифорнии, и Винодом Сангваном, доцентом-исследователем Северо-Западного университета.

Прежде чем инструменты машинного обучения смогут анализировать новые данные, они должны точно и надежно отсортировать обучающие данные по различным категориям. Например, если инструмент сортирует фотографии по цвету, то для точной классификации ему необходимо распознать, какие фотографии являются красными, желтыми или синими. Да, для человека это легкая задача, но для машины – сложная и энергоемкая.

Для того чтобы современные кремниевые технологии могли классифицировать данные из таких больших наборов, как ЭКГ, требуется более 100 транзисторов, каждый из которых требует своей энергии для работы. Но наноэлектронное устройство Северо-Западного университета может выполнять ту же самую машинную классификацию с помощью всего двух устройств. Уменьшив количество устройств, исследователи значительно снизили энергопотребление и разработали гораздо более компактное устройство, которое может быть интегрировано в стандартный носимый гаджет.

Секрет нового устройства заключается в его беспрецедентной настраиваемости, которая обусловлена сочетанием материалов. В то время как в традиционных технологиях используется кремний, исследователи создали миниатюрные транзисторы из двумерного дисульфида молибдена и одномерных углеродных нанотрубок. Таким образом, вместо того чтобы использовать множество кремниевых транзисторов – по одному на каждый этап обработки данных, – реконфигурируемые транзисторы достаточно динамичны, чтобы переключаться между различными этапами.

“Интеграция двух разнородных материалов в одном устройстве позволяет нам сильно модулировать протекание тока приложенным напряжением, обеспечивая динамическую реконфигурацию”, – сказал Херсам. “Высокая степень перестраиваемости в одном устройстве позволяет нам выполнять сложные алгоритмы классификации при малой занимаемой площади и низком энергопотреблении”.

Для тестирования устройства исследователи обратились к общедоступным медицинским базам данных. Сначала они обучили устройство интерпретировать данные ЭКГ – задача, которая обычно требует значительного времени от квалифицированных медицинских работников. Затем они попросили прибор классифицировать шесть типов сердечных сокращений: нормальное, преждевременное сокращение предсердий, преждевременное сокращение желудочков, сокращение в темпе, сокращение с блокадой левого пучка и сокращение с блокадой правого пучка.

Наноэлектронное устройство смогло точно определить каждый тип аритмии из 10 000 образцов ЭКГ. Благодаря отсутствию необходимости передачи данных в “облако” устройство не только экономит время пациента, но и обеспечивает конфиденциальность.

“Каждый раз, когда данные передаются по кругу, повышается вероятность их кражи”, – говорит Херсам. “Если персональные медицинские данные обрабатываются локально – например, на запястье в часах, – это представляет гораздо меньший риск для безопасности. Таким образом, наше устройство повышает уровень конфиденциальности и снижает риск взлома”.

Херсам полагает, что со временем эти наноэлектронные устройства можно будет включать в состав.

Yan, X., Qian, J.H., Ma, J. et al. Reconfigurable mixed-kernel heterojunction transistors for personalized support vector machine classification. Nat Electron (2023). https://doi.org/10.1038/s41928-023-01042-7