Главная проблема, с которой сталкиваются разработчики ИИ, заключается в необходимости использовать огромные вычислительные ресурсы, доступные в облаке. Однако новый микротранзистор, созданный исследователями, обещает изменить эту ситуацию. Он на 100X более эффективен по сравнению с существующими технологиями, что открывает новые возможности для применения искусственного интеллекта на мобильных и носимых устройствах.
Основное предназначение нового устройства — выполнение задач классификации. Эта задача является основой для многих систем машинного обучения и заключается в анализе больших объемов данных и выделении значимых битов. Если раньше для ее решения требовались огромные вычислительные мощности, то теперь благодаря новому микротранзистору она станет доступной и эффективной даже на мобильных и носимых устройствах.
Сегодня большинство датчиков собирают данные, а затем отправляют их в облако, где анализ происходит на энергоемких серверах, прежде чем результаты наконец будут отправлены обратно пользователю. Этот подход невероятно дорог, потребляет значительную энергию и добавляет задержку во времени. Наше устройство настолько энергоэффективно, что его можно развернуть непосредственно в носимой электронике для обнаружения и обработки данных в режиме реального времени, что позволяет более быстро реагировать на чрезвычайные ситуации в области здравоохранения
— Марк Герсам, старший автор исследования.
В отличие от традиционных кремниевых транзисторов, новые транзисторы строятся из двумерных листов дисульфида молибдена и одномерных углеродных нанотрубок. Это позволяет им обладать уникальными свойствами.
Одно из главных преимуществ новых транзисторов заключается в их способности быстро настраиваться и перенастраиваться на лету. Это означает, что они могут использоваться для выполнения нескольких шагов в цепочке обработки данных, в то время как традиционные транзисторы могут выполнять только один шаг за раз.
Такая гибкость очень важна для систем машинного обучения, которые часто требуют множества итераций и перенастройки параметров для достижения оптимальных результатов. Новые транзисторы предоставляют возможность более эффективной обработки данных и адаптации к изменяющимся условиям.
Кроме того, использование двумерных листов и одномерных нанотрубок при построении транзисторов позволяет сократить их размер до нанометровых масштабов. Это открывает новые возможности для создания компактных и энергоэффективных устройств, включая мобильные и носимые устройства.
Таким образом, новые транзисторы из дисульфида молибдена и углеродных нанотрубок представляют собой перспективное направление развития в области электроники. Они обладают уникальными свойствами, которые могут существенно улучшить производительность и эффективность систем машинного обучения и искусственного интеллекта.
Интеграция двух различных материалов в одно устройство предоставляет возможность модулировать текущий поток с использованием приложенных напряжений. Это обеспечивает динамическую реконфигуруемость и высокую степень перестраиваемости в одном устройстве. Благодаря этим свойствам мы можем выполнять сложные алгоритмы классификации с небольшим затратами и низким энергопотреблением
— Марк Герсам.
В процессе тестирования этих микроскопических ядер гетеропереходных транзисторов исследователи обучили их анализировать общедоступные наборы данных ЭКГ и классифицировать шесть различных типов сердцебиений: нормальные, предсердные преждевременные сокращения, преждевременные сокращения желудочков, пасмообразные удары, удары ветки левой связки и удары ветки правой связки. Это важные факторы для диагностики сердечных заболеваний и мониторинга сердечной активности.
Использование новых транзисторов позволяет достичь высокой точности и эффективности в классификации сердечных аритмий. Такой подход обещает улучшить возможности диагностики и лечения сердечных заболеваний, а также снизить затраты и энергопотребление систем мониторинга сердца.
В ходе исследования исследователи протестировали новые микротранзисторы на наборе из 10 000 образцов ЭКГ и достигли точности классификации аномальных сердцебиений на уровне 95%. При этом использовалось всего два из этих микротранзисторов вместо более 100 традиционных транзисторов, которые обычно требуются для такой задачи. Более того, эти новые микротранзисторы использовали только около 1% энергии, что делает их очень энергоэффективными.
Эти результаты имеют большое значение для будущего ИИ в машинном обучении. Когда эта технология будет готова к производству, мобильные устройства с батарейным питанием смогут использовать свои собственные датчики данных для запуска ИИ-моделей машинного обучения. Это означает, что классификация и анализ данных будет происходить на самом устройстве, что сократит время получения результатов и значительно повысит приватность и безопасность персональных данных.
Однако, пока неясно, какую роль эта технология сможет играть не только в портативных устройствах, но и в обработке видеоданных или применении в более крупных системах машинного обучения и ИИ. Если бы энергопотребление могло быть снижено в сто раз, это было бы огромным прорывом для обучения больших моделей и значительно расширило бы применимость машинного обучения.
Несмотря на то, что перспективы этой новой технологии остаются некоторым образом неопределенными, она уже демонстрирует потенциал для эффективного использования ИИ в различных областях, от медицины до информационной безопасности. Это открывает новые горизонты для применения интеллектуальных систем в повседневной жизни людей.
