Mit der Einführung eines neuen Transistortyps, der in der Lage ist, KI-Algorithmen auszuführen, könnte eine neue Ära von Smartwatches und Wearable Technology bevorstehen.
Dieser rekonfigurierbare Transistor arbeitet mit einem Bruchteil des Stroms im Vergleich zu seinen siliziumbasierten Gegenstücken. Wenn er eingesetzt wird, könnte er eine neue Welle von Smartwatches und Wearables einläuten, die mit leistungsstarker KI-Technologie ausgestattet sind.
Derzeit sind viele KI-Algorithmen aufgrund ihres Energiebedarfs nicht für herkömmliche Wearables geeignet, da sie die Batterie schnell entladen würden.
Um Daten mithilfe von Algorithmen des maschinellen Lernens zu verarbeiten, müssen Smartwatches, Wearables und andere tragbare Sensoren die Daten drahtlos an ein KI-System in der Cloud senden, das die Daten dann analysiert und an das Gerät zurückschickt.
Die lokale Verarbeitung auf Geräteebene ist wesentlich schneller als dieser Prozess und verkürzt die Latenzzeit bei der Datenverarbeitung. Geringe Latenzzeiten sind entscheidend für zeitkritische Technologien wie Fertigungsanlagen und fahrerlose Fahrzeuge.
Dies gilt auch für Systeme des Internet der Dinge (IoT), bei denen Computer komplexe Daten lokal an Sensoren verarbeiten, anstatt sie in die Cloud zu senden, was auch als Edge Computing bezeichnet wird.
Als Mark Hersam von der Northwestern University in Illinois.erklärteJedes Mal, wenn Daten weitergegeben werden, erhöht sich die Wahrscheinlichkeit, dass sie gestohlen werden. Wenn persönliche Gesundheitsdaten lokal verarbeitet werden - zum Beispiel auf dem Handgelenk in der Uhr - ist das Sicherheitsrisiko viel geringer.
Dies sind einige der Probleme Forscher der Northwestern University versuchen, mit ihren neuen leichtgewichtigen Transistoren, die in tragbare Geräte eingebaut werden sollen, zu lösen.
Technologien des maschinellen Lernens für tragbare Geräte
Das Hauptunterscheidungsmerkmal dieser neuen Transistoren ist ihre Zusammensetzung aus Molybdändisulfid und Kohlenstoffnanoröhren.
Diese Materialien ermöglichen es, den Transistor durch elektrische Felder ständig neu zu konfigurieren und so mehrere Schritte in KI-gesteuerten Prozessen fast augenblicklich durchzuführen.
Im Gegensatz dazu können Transistoren auf Siliziumbasis nur einen Schritt auf einmal ausführen und fungieren als winzige elektronische Ein- und Ausschalter. Daher ist für eine KI-Aufgabe, für die normalerweise 100 siliziumbasierte Transistoren erforderlich wären, möglicherweise nur einer dieser rekonfigurierbaren Transistoren erforderlich, was zu einer drastischen Senkung des Energieverbrauchs führt.
"Die niedrige Energie resultiert aus der Tatsache, dass wir den [KI-Algorithmus] mit einer 100-fachen Verringerung der Anzahl der Transistoren im Vergleich zur herkömmlichen Siliziumtechnologie implementieren können", erklärte Mark Hersam von der Northwestern University in Illinois.
Hersam und sein Forschungsteam stellten die Leistungsfähigkeit dieser Transistoren unter Beweis, indem sie sie auf einen auf maschinellem Lernen basierenden Standard-KI-Algorithmus anwandten, der die Herzschlagdaten von 10.000 Elektrokardiogramm-Tests analysierte.
Beeindruckend ist, dass die KI die Herzschlagdaten mit einer Genauigkeit von 95% in eine "normale" Gruppe und fünf verschiedene "arrhythmische" Gruppen, einschließlich vorzeitiger ventrikulärer Kontraktionen, einteilen konnte.
Vinod Sangwan, ein weiteres Mitglied des Forschungsteams an der Northwestern University, betonte die potenziellen Auswirkungen dieses Fortschritts, insbesondere für Geräte mit geringer Akkulaufzeit oder die keine konstante Internetverbindung für die cloudbasierte KI-Verarbeitung aufrechterhalten können.
Die Einbindung dieser Transistoren in bestehende Arbeitsabläufe bei gleichzeitiger Gewährleistung ihrer Haltbarkeit ist jedoch eine wesentliche Voraussetzung für die Marktfähigkeit und bleibt eine Herausforderung.
Dies ist der jüngste Eintrag in einer Reihe von Durchbrüchen, die maschinelles Lernen für Geräte mit geringem Stromverbrauch ermöglichen.
Zu Beginn des Jahres haben Forscher der IBM baut leichte, vom Gehirn inspirierte Chips die in der Lage sind, algorithmische Arbeitslasten mit geringem Energiebedarf zu verarbeiten, was wiederum vielversprechend für tragbare Geräte ist.
Mit der Zeit könnten diese Technologien dazu beitragen, autonome bioinspirierte Roboter die Daten lokal verarbeiten, ähnlich wie organische Organismen.
