Новая эра смарт-часов и носимых технологий, возможно, уже не за горами, ведь появился новый тип транзисторов, способных выполнять алгоритмы искусственного интеллекта.
Этот реконфигурируемый транзистор потребляет в разы меньше электроэнергии, чем его кремниевые аналоги. Его применение может стать предвестником новой волны смарт-часов и носимых устройств, оснащенных мощной технологией искусственного интеллекта.
В настоящее время энергопотребление многих алгоритмов ИИ делает их непригодными для использования в традиционных носимых устройствах, поскольку они быстро разряжают аккумулятор.
Для обработки данных с помощью алгоритмов машинного обучения смарт-часы, носимые устройства и другие носимые датчики должны отправлять данные по беспроводной связи в облачную систему искусственного интеллекта, которая затем анализирует их и отправляет обратно на устройство.
Локальная обработка на уровне устройства происходит значительно быстрее, чем этот процесс, что позволяет сократить время задержки обработки данных. Низкая задержка крайне важна для технологий, чувствительных ко времени, таких как производственное оборудование и автомобили без водителя.
Это актуально и для систем Интернета вещей (IoT), которые используют компьютеры для обработки сложных данных, локально передаваемых датчиками, а не отправляемых в облако, что также называется граничными вычислениями.
Как Марк Херсам из Северо-Западного университета в Иллинойсе.объяснил"Каждый раз, когда данные передаются по кругу, повышается вероятность их кражи. Если личные медицинские данные обрабатываются локально - например, на вашем запястье в часах, - это представляет гораздо меньший риск для безопасности".
Вот некоторые из проблем исследователи из Северо-Западного университета пытаются решить с помощью своих новых легких транзисторов, которые будут встраиваться в портативные устройства.
Технологии машинного обучения для портативных устройств
Ключевым отличием новых транзисторов является наличие в их составе дисульфида молибдена и углеродных нанотрубок.
Эти материалы позволяют вечно изменять конфигурацию транзистора под воздействием электрических полей, что позволяет практически мгновенно выполнять множество этапов процессов, управляемых искусственным интеллектом.
В отличие от них, кремниевые транзисторы могут выполнять только один шаг за раз, действуя как миниатюрные электронные переключатели "включил-выключил". В результате для решения задачи искусственного интеллекта, для которой обычно требуется 100 кремниевых транзисторов, может потребоваться всего один такой реконфигурируемый транзистор, что приведет к значительному сокращению потребления энергии.
"Низкое энергопотребление обусловлено тем, что мы можем реализовать [алгоритм ИИ] при 100-кратном уменьшении количества транзисторов по сравнению с обычной кремниевой технологией", - заявил Марк Херсам из Северо-Западного университета в Иллинойсе.
Херсам и его исследовательская группа продемонстрировали возможности этих транзисторов, применив их к стандартному алгоритму искусственного интеллекта на основе машинного обучения, который анализировал данные о сердцебиении, полученные в ходе 10 000 тестов электрокардиограммы.
Впечатляет, что ИИ с точностью 95% классифицировал образцы данных о сердцебиении на одну "нормальную" группу и пять отдельных "аритмических" групп, включая преждевременное сокращение желудочков.
Винод Сангван (Vinod Sangwan), другой член исследовательской группы из Северо-Западного университета, подчеркнул потенциальные последствия этого достижения, особенно для устройств с низким временем автономной работы или неспособных поддерживать постоянное интернет-соединение для облачной обработки данных ИИ.
Однако включение этих транзисторов в существующие технологические процессы при обеспечении их долговечности имеет важное значение для коммерческой жизнеспособности и остается сложной задачей.
Это последнее достижение в ряду прорывов, которые приносят машинное обучение в маломощные устройства.
Ранее в этом году исследователи из IBM создала легкие чипы, вдохновленные мозгом Они способны обрабатывать алгоритмические рабочие нагрузки при низких требованиях к энергопотреблению, что снова открывает перспективы для портативных устройств.
Со временем эти технологии могут стать источником энергии для автономных биоинспирированные роботы которые обрабатывают данные локально, подобно органическим организмам.
