La introducción de un nuevo tipo de transistor capaz de ejecutar algoritmos de inteligencia artificial podría estar a la vuelta de la esquina.
Este transistor reconfigurable funciona con una fracción de la electricidad en comparación con sus homólogos basados en silicio. Si se implementa, podría anunciar una nueva ola de smartwatches y wearables equipados con una potente tecnología de IA.
Actualmente, la demanda energética de muchos algoritmos de IA los hace inadecuados para los wearables tradicionales, ya que agotarían rápidamente la batería.
Para procesar los datos mediante algoritmos de aprendizaje automático, los smartwatches, wearables y otros sensores portátiles tienen que enviar los datos de forma inalámbrica a un sistema de IA en la nube, que los analiza y los devuelve al dispositivo.
El procesamiento local a nivel de dispositivo es considerablemente más rápido que este proceso, lo que reduce la latencia del procesamiento de datos. La baja latencia es crucial para tecnologías sensibles al tiempo, como los equipos de fabricación y los vehículos sin conductor.
Esto también es relevante para los sistemas de la Internet de las Cosas (IoT), que utilizan ordenadores para procesar datos complejos localmente a los sensores en lugar de enviar los datos a la nube, lo que también se denomina computación de borde.
En Mark Hersam, de la Universidad Northwestern de Illinois.explicóCada vez que los datos circulan, aumenta la probabilidad de que sean robados. Si los datos sanitarios personales se procesan localmente -por ejemplo, en la muñeca, en el reloj-, el riesgo de seguridad es mucho menor."
Estos son algunos de los problemas investigadores de la Universidad Northwestern intentan resolver con sus nuevos transistores ligeros, que se incrustarían en dispositivos portátiles.
Tecnologías de aprendizaje automático para dispositivos portátiles
La clave diferenciadora de estos nuevos transistores es su composición de disulfuro de molibdeno y nanotubos de carbono.
Estos materiales permiten que el transistor se reconfigure perpetuamente mediante campos eléctricos, manejando múltiples pasos de los procesos impulsados por la IA de forma casi instantánea.
En cambio, los transistores de silicio sólo pueden gestionar un paso cada vez, actuando como minúsculos interruptores electrónicos de encendido y apagado. De este modo, una tarea de inteligencia artificial que normalmente requeriría 100 transistores de silicio sólo necesitaría uno de estos transistores reconfigurables, lo que reduciría drásticamente el consumo de energía.
"El bajo consumo energético se debe a que podemos aplicar el algoritmo de inteligencia artificial con una reducción de 100 veces el número de transistores en comparación con la tecnología de silicio convencional", afirma Mark Hersam, de la Universidad Northwestern de Illinois.
Hersam y su equipo de investigación demostraron las proezas de estos transistores aplicándolos a un algoritmo estándar de inteligencia artificial basado en aprendizaje automático que analizaba los datos de latidos de 10.000 electrocardiogramas.
Sorprendentemente, la IA logró una tasa de precisión de 95% al clasificar las muestras de datos de latidos en un grupo "normal" y cinco grupos "arrítmicos" distintos, incluida la contracción ventricular prematura.
Vinod Sangwan, otro miembro del equipo de investigación de la Universidad Northwestern, hizo hincapié en las posibles implicaciones de este avance, especialmente para los dispositivos con poca batería o que no pueden mantener una conectividad constante a Internet para el procesamiento de IA basado en la nube.
Sin embargo, incorporar estos transistores a los flujos de trabajo existentes, garantizando al mismo tiempo su durabilidad, es esencial para la viabilidad comercial y sigue siendo un reto.
Se trata de la última incorporación a una línea de avances que llevan el aprendizaje automático a los dispositivos de bajo consumo.
A principios de año, investigadores de IBM construye chips ligeros inspirados en el cerebro capaces de procesar cargas de trabajo algorítmicas con bajas demandas de energía, lo que de nuevo resulta prometedor para los dispositivos portátiles.
Con el tiempo, estas tecnologías podrían ayudar a robots bioinspirados que procesan los datos localmente, de forma similar a los organismos orgánicos.
