Een nieuw tijdperk van smartwatches en draagbare technologie zou wel eens voor de deur kunnen staan met de introductie van een nieuw type transistor waarop AI-algoritmes kunnen draaien.
Deze herconfigureerbare transistor werkt op een fractie van de elektriciteit in vergelijking met zijn op silicium gebaseerde tegenhangers. Als deze technologie wordt geïmplementeerd, zou dat een nieuwe golf van smartwatches en wearables met krachtige AI-technologie kunnen inluiden.
Op dit moment maken de energie-eisen van veel AI-algoritmen ze ongeschikt voor traditionele wearables, omdat de batterij snel leeg zou raken.
Om gegevens te verwerken met behulp van machine learning-algoritmen moeten smartwatches, wearables en andere draagbare sensoren de gegevens draadloos naar een AI-systeem in de cloud sturen, dat de gegevens vervolgens analyseert en terugstuurt naar het apparaat.
Lokale verwerking op apparaatniveau is aanzienlijk sneller dan dit proces, waardoor de wachttijd voor gegevensverwerking korter wordt. Een lage latentie is cruciaal voor tijdgevoelige technologieën zoals productieapparatuur en bestuurderloze voertuigen.
Dit is ook relevant voor Internet of Things (IoT)-systemen, die computers gebruiken om complexe gegevens lokaal op sensoren te verwerken in plaats van gegevens naar de cloud te sturen, ook wel edge computing genoemd.
Als Mark Hersam van de Northwestern University in Illinois.legde uitElke keer dat gegevens worden doorgegeven, neemt de kans toe dat ze worden gestolen. Als persoonlijke gezondheidsgegevens lokaal worden verwerkt - zoals op je pols in je horloge - is het beveiligingsrisico veel kleiner."
Dit zijn enkele van de problemen onderzoekers van de Northwestern University proberen op te lossen met hun nieuwe lichtgewicht transistors, die zouden worden ingebouwd in draagbare apparaten.
Technologieën voor machinaal leren op draagbare apparaten
Het belangrijkste verschil tussen deze nieuwe transistors is hun samenstelling van molybdeendisulfide en koolstofnanobuizen.
Met deze materialen kan de transistor voortdurend opnieuw worden geconfigureerd door elektrische velden, waardoor meerdere stappen in AI-gestuurde processen vrijwel onmiddellijk kunnen worden uitgevoerd.
Transistors op siliciumbasis kunnen daarentegen maar één stap tegelijk aan en fungeren als minuscule aan-uitschakelaars. Het resultaat is dat een AI-taak waarvoor normaal gesproken 100 transistors op siliciumbasis nodig zijn, misschien maar één van deze herconfigureerbare transistors nodig heeft, wat leidt tot een drastische verlaging van het energieverbruik.
"De lage energie is het resultaat van het feit dat we het [AI-algoritme] kunnen implementeren met een 100-voudige vermindering van het aantal transistors, vergeleken met conventionele siliciumtechnologie", aldus Mark Hersam van de Northwestern University in Illinois.
Hersam en zijn onderzoeksteam toonden de kracht van deze transistors door ze toe te passen op een standaard AI-algoritme op basis van machinaal leren dat hartslaggegevens analyseerde van 10.000 elektrocardiogramtests.
Indrukwekkend genoeg slaagde de AI erin om met een nauwkeurigheid van 95% de hartslaggegevens te categoriseren in één "normale" groep en vijf verschillende "aritmische" groepen, waaronder voortijdige ventriculaire samentrekking.
Vinod Sangwan, een ander lid van het onderzoeksteam aan de Northwestern University, benadrukte de mogelijke implicaties van deze vooruitgang, vooral voor apparaten met een lage batterijlevensduur of apparaten die geen consistente internetverbinding kunnen onderhouden voor cloudgebaseerde AI-verwerking.
Het opnemen van deze transistors in bestaande processen en tegelijkertijd hun duurzaamheid garanderen is echter essentieel voor commerciële levensvatbaarheid en blijft een uitdaging.
Dit is de nieuwste doorbraak in een reeks van doorbraken die machine learning naar apparaten met een laag energieverbruik brengen.
Eerder dit jaar hebben onderzoekers van IBM bouwt lichtgewicht chips geïnspireerd op hersenen die algoritmische werklasten kunnen verwerken met een laag energieverbruik, wat opnieuw veelbelovend is voor draagbare apparaten.
Op termijn kunnen deze technologieën helpen om autonome bio-geïnspireerde robots die gegevens lokaal verwerken, net als organische organismen.
