Машинное обучение искусственного интеллекта использует так много вычислительной мощности и энергии, что обычно оно выполняется в облаке. Но новый микротранзистор, в 100 раз более эффективный, чем нынешняя технология, обещает вывести мобильные и носимые устройства на новый уровень интеллекта.
Исследователи Северо-Западного университета представили свое новое наноэлектронное устройство в статье, опубликованной в журнале журнал Nature Electronics. Он предназначен для выполнения задачи классификации, то есть анализа больших объемов данных и попытки пометить значимые биты, что является основой многих систем машинного обучения.
«Сегодня большинство датчиков собирают данные, а затем отправляют их в облако, где анализ происходит на энергоемких серверах, прежде чем результаты наконец отправляются обратно пользователю», — сказал Марк К. Херсам из Northwestern, старший автор исследования. «Этот подход невероятно дорог, потребляет значительную энергию и добавляет задержку. Наше устройство настолько энергоэффективно, что его можно использовать непосредственно в носимой электронике для обнаружения и обработки данных в режиме реального времени, что позволяет более быстро реагировать на чрезвычайные ситуации со здоровьем».
Там, где существующие транзисторы, как правило, изготавливаются из кремния. Эти новые построены из двумерных листов дисульфида молибдена и одномерных углеродных нанотрубок. Их конструкция позволяет быстро настраивать и переконфигурировать их на лету, поэтому их можно использовать для нескольких этапов цепочки обработки данных, где традиционные транзисторы могут выполнять только один шаг каждый.
«Интеграция двух разных материалов в одно устройство позволяет нам сильно модулировать ток с помощью приложенного напряжения, обеспечивая динамическую реконфигурацию», — объясняет Херсам. «Высокая степень настройки в одном устройстве позволяет нам выполнять сложные алгоритмы классификации, занимая мало места и потребляя мало энергии».
В ходе испытаний эти крошечные «гетеропереходные транзисторы со смешанным ядром» были обучены анализировать общедоступные наборы данных ЭКГ и маркировать шесть различных типов сердечных сокращений: нормальное, предсердную экстрасистолию, преждевременное сокращение желудочков, стимулированный ритм, блокаду левой ножки пучка Гиса и пульс правой ножки пучка Гиса. блокировать удары.
На основе 10 000 образцов ЭКГ исследователи смогли правильно классифицировать аномальные сердцебиения с точностью 95 %, используя всего два таких микротранзистора, в то время как современный подход машинного обучения потребовал бы более 100 традиционных транзисторов. , и они использовали около 1% энергии.
Что это значит? Что ж, это означает, что как только эта технология будет запущена в производство (а пока неизвестно, когда это произойдет), небольшие, легкие мобильные устройства с батарейным питанием обретут интеллект, позволяющий запускать искусственный интеллект машинного обучения на основе данных своих собственных датчиков. Это будет означать, что они найдут результаты быстрее, чем если бы им пришлось отправлять фрагменты данных в облако для анализа, а также это означает, что личные данные, которые они собирают о вас, останутся локальными, конфиденциальными и безопасными.<р>Неясно, будет ли это оборудование полезно исключительно для портативных устройств, сможет ли оно обрабатывать видеоданные, или же эта работа может проникнуть в более крупное оборудование машинного обучения и искусственного интеллекта. Например, стократное снижение потребления электроэнергии стало бы огромным шагом вперед в обучении крупных моделей.
Потребление энергии и связанные с этим выбросы стремительно растут, поскольку компании по всему миру спешат обучать безумно огромные языковые модели и мультимодальные ИИ. Еще в 2021 году 10–15% всего энергетического бюджета Google было потрачено на ИИ, и можно поспорить, что этот процент значительно вырос. Компания, производящая чипы, которые могут сравниться по производительности с лучшими AI-картами nVidia, используя при этом 1% энергии, может вполне себе подойти.
Это кажется маловероятным; В своем пресс-релизе команда продолжает говорить о мобильных устройствах. Тем не менее, это еще один шаг вперед в области компьютерного интеллекта, который может открыть новую волну более умных устройств. Каскадные темпы перемен продолжают ускоряться.
Исследование доступно в журнале Nature Electronics.
