Сверхэффективный транзистор сокращает потребление энергии ИИ на 99 %
Машинное обучение искусственного интеллекта использует так много вычислительной мощности и энергии, что обычно выполняется в облаке. Но новый микротранзистор, в 100 раз более эффективный, чем нынешняя технология, обещает вывести мобильные и носимые устройства на новый уровень.
Исследователи Northwestern University представили новое наноэлектронное устройство в статье, опубликованной в журнале Nature Electronics. Оно предназначено 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 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 в области здравоохранения».
Если существующие транзисторы обычно изготавливаются из кремния, то новые из двумерных листов дисульфида молибдена и одномерных углеродных нанотрубок. Конструкция позволяет быстро настраивать и переконфигурировать их на лету, поэтому устройства можно использовать для нескольких этапов цепочки обработки данных, где традиционные транзисторы могут выполнять только по одному шагу.
«Интеграция двух разных материалов в одно устройство позволяет нам сильно модулировать ток с помощью приложенного напряжения, обеспечивая динамическую реконфигурацию», — объясняет Марк Херсам. «Высокая степень настройки в одном устройстве позволяет выполнять сложные алгоритмы классификации с небольшими размерами и низким энергопотреблением».
В ходе тестирования эти крошечные «гетеропереходные транзисторы со смешанным ядром» были обучены анализировать общедоступные наборы данных ЭКГ и маркировать шесть различных типов сердцебиений: нормальное, преждевременное сердцебиение предсердий, преждевременное сокращение желудочков, ритмичное сердцебиение, блокада левой ветви пучка гиса и блокада правой ветви пучка гиса.
На основе 10 000 образцов ЭКГ исследователи смогли правильно классифицировать аномальные сердцебиения с точностью 95 %, используя всего два таких микротранзистора, в то время как текущий подход машинного обучения потребовал бы более 100 традиционных транзисторов. Кроме того, затраты энергии сократились на невероятные 99%.
Что это значит? Это означает, что как только такая 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.
То есть, они найдут результаты быстрее, чем если бы им пришлось отправлять фрагменты данных в облако для анализа, а это также означает, что личные данные, которые они собирают, останутся локальными, конфиденциальными и безопасными.
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.
Исследование доступно в журнале Nature Electronics.