En ny æra med smartwatches og bærbar teknologi er måske lige om hjørnet med introduktionen af en ny type transistor, der er i stand til at køre AI-algoritmer.
Denne rekonfigurerbare transistor bruger en brøkdel af elektriciteten i forhold til dens siliciumbaserede modstykker. Den kan indvarsle en ny bølge af smartwatches og wearables udstyret med potent AI-teknologi, hvis den bliver implementeret.
I øjeblikket gør energibehovet i mange AI-algoritmer dem uegnede til traditionelle wearables, da de hurtigt vil dræne batteriet.
For at behandle data ved hjælp af maskinlæringsalgoritmer skal smartwatches, wearables og andre bærbare sensorer sende dataene trådløst til et AI-system i skyen, som derefter analyserer dataene og sender dem tilbage til enheden.
Lokal behandling på enhedsniveau er betydeligt hurtigere end denne proces, hvilket reducerer ventetiden for databehandling. Lav latenstid er afgørende for tidsfølsomme teknologier som f.eks. produktionsudstyr og førerløse køretøjer.
Dette er også relevant for Internet of Things (IoT)-systemer, som bruger computere til at behandle komplekse data lokalt på sensorer i stedet for at sende data til skyen, også kaldet edge computing.
Som Mark Hersam fra Northwestern University i Illinois forklarede"Hver gang data sendes rundt, øger det sandsynligheden for, at de bliver stjålet. Hvis personlige sundhedsdata behandles lokalt - f.eks. på dit håndled i dit ur - udgør det en meget lavere sikkerhedsrisiko."
Her er nogle af problemerne forskere på Northwestern University forsøger at løse med deres nye letvægtstransistorer, som skal indbygges i bærbare enheder.
Maskinlæringsteknologier til bærbare enheder
Den vigtigste forskel på disse nye transistorer er deres sammensætning af molybdændisulfid og kulstofnanorør.
Disse materialer gør det muligt for transistoren at blive evigt rekonfigureret af elektriske felter og håndtere flere trin i AI-drevne processer næsten øjeblikkeligt.
I modsætning hertil kan siliciumbaserede transistorer kun klare ét trin ad gangen, idet de fungerer som små elektroniske tænd/sluk-kontakter. Det betyder, at en AI-opgave, der typisk ville kræve 100 siliciumbaserede transistorer, måske kun kræver én af disse rekonfigurerbare transistorer, hvilket fører til en drastisk reduktion af energiforbruget.
"Den lave energi skyldes, at vi kan implementere [AI-algoritmen] med en 100 gange reduktion i antallet af transistorer sammenlignet med konventionel siliciumteknologi", siger Mark Hersam fra Northwestern University i Illinois.
Hersam og hans forskerteam fremviste disse transistorers evner ved at anvende dem på en standard maskinlæringsbaseret AI-algoritme, der analyserede hjerteslagsdata fra 10.000 elektrokardiogram-tests.
Imponerende nok lykkedes det AI'en at opnå en nøjagtighed på 95% i kategoriseringen af hjerteslagsdataene i en "normal" gruppe og fem forskellige "arytmiske" grupper, herunder for tidlig ventrikulær sammentrækning.
Vinod Sangwan, et andet medlem af forskerteamet ved Northwestern University, understregede de potentielle konsekvenser af dette fremskridt, især for enheder med lav batterilevetid eller som ikke kan opretholde en konstant internetforbindelse til cloudbaseret AI-behandling.
Men det er stadig en udfordring at indarbejde disse transistorer i eksisterende arbejdsgange og samtidig sikre deres holdbarhed, hvilket er afgørende for kommerciel levedygtighed.
Dette er det seneste bidrag i en række gennembrud, der bringer maskinlæring til enheder med lavt strømforbrug.
Tidligere på året undersøgte forskere ved IBM byggede lette hjerneinspirerede chips i stand til at behandle algoritmiske arbejdsbyrder med lave strømkrav, hvilket igen er lovende for bærbare enheder.
Med tiden kan disse teknologier hjælpe med at drive autonome bio-inspirerede robotter der behandler data lokalt på samme måde som organiske organismer.
