Забудьте об облаке. Инженеры Северо-Западного университета разработали новое наноэлектронное устройство, которое может выполнять точные задачи классификации машинного обучения наиболее энергоэффективным способом. Используя 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 в облако для анализа.

Благодаря небольшому размеру, сверхнизкому энергопотреблению и отсутствию задержки при получении анализа устройство идеально подходит для прямого включения в носимую электронику (например, умные часы и фитнес-трекеры) для обработки данных в реальном времени и почти мгновенной диагностики.

Чтобы проверить эту концепцию, инженеры использовали устройство для классификации больших объемов информации из общедоступных наборов данных электрокардиограммы (ЭКГ). Устройство не только могло эффективно и правильно идентифицировать нерегулярное сердцебиение, но и определить подтип аритмии из шести различных категорий с точностью около 95%.

Исследование «Реконфигурируемые гетеропереходные транзисторы со смешанным ядром для персонализированной классификации машин опорных векторов» было опубликовано 12 октября в журнале Nature Electronics.

«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 значительное количество энергии и увеличивает временную задержку. Наше устройство настолько энергоэффективно, что его можно использовать непосредственно в носимой электронике для обнаружения и обработки данных в реальном времени, что обеспечивает более быстрое вмешательство в чрезвычайных ситуациях со здоровьем».

Эксперт по нанотехнологиям, Херсам является профессором материаловедения и инженерии Уолтера П. Мерфи в инженерной школе Маккормика Северо-Западного университета. Он также является заведующим кафедрой материаловедения и инженерии, директором Центра материаловедения и инженерии и членом Международного института нанотехнологий. Херсам руководил исследованием совместно с Ханом Ваном, профессором Университета Южной Калифорнии, и Винодом Сангваном, доцентом Северо-Западного университета.

Прежде чем инструменты машинного обучения смогут анализировать новые данные, эти инструменты должны сначала точно и надежно отсортировать обучающие данные по различным категориям. Например, если инструмент сортирует фотографии по цвету, ему необходимо распознать, какие фотографии красные, желтые или синие, чтобы точно их классифицировать. Да, это легкая работа для человека, но сложная и энергоемкая работа для машины.

Для современных кремниевых технологий для классификации данных из больших наборов данных, таких как ЭКГ, требуется более 100 транзисторов, каждый из которых требует для работы своей собственной энергии. Но наноэлектронное устройство Northwestern может выполнить ту же классификацию машинного обучения всего с двумя устройствами. Уменьшив количество устройств, исследователи радикально снизили энергопотребление и разработали устройство гораздо меньшего размера, которое можно интегрировать в стандартный носимый гаджет.

Секрет нового устройства заключается в его беспрецедентной возможности настройки, которая достигается за счет сочетания материалов. В то время как традиционные технологии используют 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 разных материалов в одно устройство позволяет нам сильно модулировать ток с помощью приложенного напряжения, обеспечивая динамическую реконфигурацию», — сказал Херсам. «Высокая степень настройки в одном устройстве позволяет нам выполнять сложные алгоритмы классификации, занимая мало места и потребляя мало энергии».

Чтобы протестировать устройство, исследователи обратились к общедоступным наборам медицинских данных. Сначала они обучили устройство интерпретировать данные ЭКГ — задача, которая обычно требует значительного времени от обученных медицинских работников. Затем они попросили устройство классифицировать шесть типов сердечных сокращений: нормальные, предсердную экстрасистолию, преждевременное сокращение желудочков, кардиостимулятор, блокаду левой ножки пучка Гиса и блокаду правой ножки пучка Гиса.

Наноэлектронное устройство смогло точно идентифицировать каждый тип аритмии из 10 000 образцов ЭКГ. Обходя необходимость отправки данных в облако, устройство не только экономит критическое время пациента, но и защищает конфиденциальность.

«Каждый раз, когда данные передаются, увеличивается вероятность их кражи», — сказал Херсам. «Если личные медицинские данные обрабатываются локально — например, на вашем запястье в часах — это представляет гораздо меньший риск для безопасности. Таким образом, наше устройство улучшает конфиденциальность и снижает риск взлома».

Херсам предполагает, что в конечном итоге эти наноэлектронные устройства могут быть включены в повседневные носимые устройства, персонализированные с учетом профиля здоровья каждого пользователя для приложений в реальном времени. Они позволят людям максимально эффективно использовать данные, которые они уже собирают, не истощая при этом электроэнергию.

«Инструменты искусственного интеллекта потребляют все большую долю энергосистемы», — сказал Херсам. «Это неустойчивый путь, если мы продолжим полагаться на обычное компьютерное оборудование».