Une nouvelle ère de smartwatches et de technologies portables pourrait bien s'ouvrir avec l'introduction d'un nouveau type de transistor capable d'exécuter des algorithmes d'intelligence artificielle.
Ce transistor reconfigurable fonctionne avec une fraction de l'électricité par rapport à ses homologues à base de silicium. S'il est mis en œuvre, il pourrait annoncer une nouvelle vague de smartwatches et de wearables dotés d'une puissante technologie d'intelligence artificielle.
Actuellement, les besoins en énergie de nombreux algorithmes d'IA les rendent inadaptés aux vêtements traditionnels, car ils épuiseraient rapidement la batterie.
Pour traiter les données à l'aide d'algorithmes d'apprentissage automatique, les smartwatches, les wearables et autres capteurs portables doivent envoyer les données sans fil à un système d'IA dans le nuage, qui les analyse et les renvoie à l'appareil.
Le traitement local au niveau de l'appareil est considérablement plus rapide que ce processus, ce qui réduit la latence du traitement des données. Une faible latence est cruciale pour les technologies sensibles au temps, telles que les équipements de fabrication et les véhicules sans conducteur.
Cela s'applique également aux systèmes de l'internet des objets (IoT), qui utilisent des ordinateurs pour traiter des données complexes localement au niveau des capteurs plutôt que d'envoyer les données dans le nuage, ce que l'on appelle également l'informatique de périphérie.
En tant que Mark Hersam de l'Université Northwestern dans l'Illinois.Chaque fois que des données circulent, la probabilité qu'elles soient volées augmente. Si les données de santé personnelles sont traitées localement, par exemple sur votre poignet dans votre montre, le risque de sécurité est beaucoup plus faible.
Voici quelques-uns des problèmes des chercheurs de l'Université de Northwestern tentent de résoudre avec leurs nouveaux transistors légers, qui seraient intégrés dans des appareils portables.
Technologies d'apprentissage automatique pour les appareils portables
Ces nouveaux transistors se distinguent principalement par leur composition en disulfure de molybdène et en nanotubes de carbone.
Ces matériaux permettent au transistor d'être perpétuellement reconfiguré par des champs électriques, ce qui permet de gérer presque instantanément plusieurs étapes des processus pilotés par l'IA.
En revanche, les transistors à base de silicium ne peuvent gérer qu'une étape à la fois, agissant comme de minuscules interrupteurs électroniques tout ou rien. Par conséquent, une tâche d'intelligence artificielle qui nécessiterait normalement 100 transistors à base de silicium pourrait ne nécessiter qu'un seul de ces transistors reconfigurables, ce qui entraînerait une réduction considérable de la consommation d'énergie.
"La faible consommation d'énergie s'explique par le fait que nous pouvons mettre en œuvre [l'algorithme d'IA] en divisant par 100 le nombre de transistors par rapport à la technologie silicium classique", a déclaré Mark Hersam, de l'université Northwestern, dans l'Illinois.
Hersam et son équipe de recherche ont démontré les prouesses de ces transistors en les appliquant à un algorithme d'IA standard basé sur l'apprentissage automatique, qui a analysé les données relatives aux battements cardiaques provenant de 10 000 tests d'électrocardiogramme.
De manière impressionnante, l'IA a atteint un taux de précision de 95% en classant les échantillons de données cardiaques en un groupe "normal" et cinq groupes "arythmiques" distincts, y compris les contractions ventriculaires prématurées.
Vinod Sangwan, un autre membre de l'équipe de recherche de la Northwestern University, a souligné les implications potentielles de cette avancée, en particulier pour les appareils à faible autonomie de batterie ou qui ne peuvent pas maintenir une connectivité internet constante pour le traitement de l'IA basé sur le nuage.
Cependant, l'intégration de ces transistors dans les processus de travail existants tout en garantissant leur durabilité est essentielle à la viabilité commerciale et reste un défi.
Il s'agit de la dernière avancée en date d'une série de percées qui mettent l'apprentissage automatique à la portée des appareils à faible consommation d'énergie.
Plus tôt dans l'année, des chercheurs de IBM construit des puces légères inspirées du cerveau capables de traiter des charges de travail algorithmiques à faible consommation d'énergie, ce qui est également prometteur pour les appareils portables.
À terme, ces technologies pourraient contribuer à l'alimentation des véhicules autonomes. robots bio-inspirés qui traitent les données localement, à l'instar des organismes organiques.
