En ny æra med smartklokker og bærbar teknologi kan være rett rundt hjørnet, med introduksjonen av en ny type transistor som er i stand til å kjøre AI-algoritmer.
Denne rekonfigurerbare transistoren bruker en brøkdel av strømmen sammenlignet med sine silisiumbaserte motstykker. Hvis den blir implementert, kan den innvarsle en ny bølge av smartklokker og wearables utstyrt med potent AI-teknologi.
Mange AI-algoritmer krever mye energi, noe som gjør dem uegnet for tradisjonelle wearables, siden de raskt vil tappe batteriet.
For å behandle data ved hjelp av maskinlæringsalgoritmer må smartklokker, wearables og andre bærbare sensorer sende dataene trådløst til et AI-system i skyen, som deretter analyserer dataene og sender dem tilbake til enheten.
Lokal behandling på enhetsnivå er betydelig raskere enn denne prosessen, noe som reduserer ventetiden for databehandling. Lav latenstid er avgjørende for tidssensitiv teknologi som produksjonsutstyr og førerløse kjøretøy.
Dette er også relevant for tingenes internett (IoT), som bruker datamaskiner til å behandle komplekse data lokalt på sensorer i stedet for å sende data til skyen, også kalt edge computing.
Som Mark Hersam ved Northwestern University i Illinois forklarte"Hver gang data sendes rundt, øker sannsynligheten for at dataene blir stjålet. Hvis personlige helsedata behandles lokalt - for eksempel på håndleddet i klokken din - er sikkerhetsrisikoen mye lavere."
Dette er noen av problemene forskere ved Northwestern University forsøker å løse med sine nye lettvektstransistorer, som skal bygges inn i bærbare enheter.
Maskinlæringsteknologi for bærbare enheter
Det som skiller disse nye transistorene fra andre transistorer, er sammensetningen av molybdendisulfid og karbonnanorør.
Disse materialene gjør at transistoren kan rekonfigureres kontinuerlig ved hjelp av elektriske felt, slik at flere trinn i AI-drevne prosesser kan håndteres nesten umiddelbart.
Silisiumbaserte transistorer kan derimot bare håndtere ett trinn om gangen, og fungerer som bittesmå elektroniske brytere. Resultatet er at en AI-oppgave som vanligvis krever 100 silisiumbaserte transistorer, kanskje bare krever én av disse rekonfigurerbare transistorene, noe som fører til et drastisk kutt i energibruken.
"Den lave energien skyldes at vi kan implementere [AI-algoritmen] med en 100 ganger reduksjon i antall transistorer sammenlignet med konvensjonell silisiumteknologi", sier Mark Hersam ved Northwestern University i Illinois.
Hersam og forskerteamet hans viste hvor dyktige disse transistorene er ved å bruke dem på en standard maskinlæringsbasert AI-algoritme som analyserte hjerteslagsdata fra 10 000 elektrokardiogramtester.
Den kunstige intelligensen klarte imponerende nok å kategorisere hjerteslagsdataene i én "normal" gruppe og fem forskjellige "arytmiske" grupper, inkludert premature ventrikulære sammentrekninger, med en treffsikkerhet på 95%.
Vinod Sangwan, et annet medlem av forskerteamet ved Northwestern University, understreket de potensielle implikasjonene av dette fremskrittet, spesielt for enheter med lav batterilevetid eller som ikke kan opprettholde konsekvent internettforbindelse for skybasert AI-prosessering.
Det er imidlertid fortsatt en utfordring å innlemme disse transistorene i eksisterende arbeidsflyter og samtidig sikre at de er holdbare, noe som er avgjørende for kommersiell levedyktighet.
Dette er det siste i rekken av gjennombrudd som bringer maskinlæring til enheter med lavt strømforbruk.
Tidligere i år har forskere ved IBM bygget lette hjerneinspirerte brikker som kan behandle algoritmiske arbeidsoppgaver med lavt strømforbruk, noe som igjen er lovende for bærbare enheter.
På sikt kan disse teknologiene bidra til å drive autonome bioinspirerte roboter som behandler data lokalt, på samme måte som organiske organismer.
