En ny era av smarta klockor och bärbar teknik kan vara nära förestående, med introduktionen av en ny typ av transistor som kan köra AI-algoritmer.
Den här omkonfigurerbara transistorn drivs med en bråkdel av elförbrukningen jämfört med sina kiselbaserade motsvarigheter. Om den implementeras kan den leda till en ny våg av smartklockor och bärbara enheter utrustade med kraftfull AI-teknik.
För närvarande är många AI-algoritmer så energikrävande att de inte lämpar sig för traditionella wearables, eftersom de snabbt skulle ladda ur batteriet.
För att bearbeta data med hjälp av maskininlärningsalgoritmer måste smartklockor, wearables och andra bärbara sensorer skicka data trådlöst till ett AI-system i molnet, som sedan analyserar data och skickar tillbaka den till enheten.
Lokal bearbetning på enhetsnivå är betydligt snabbare än den här processen, vilket minskar latensen för databehandling. Låg latens är avgörande för tidskänslig teknik som tillverkningsutrustning och förarlösa fordon.
Detta är också relevant för IoT-system (Internet of Things), som använder datorer för att bearbeta komplexa data lokalt hos sensorer i stället för att skicka data till molnet, även kallat edge computing.
Som Mark Hersam vid Northwestern University i Illinois förklarade"Varje gång uppgifter skickas runt ökar sannolikheten för att uppgifterna stjäls. Om personliga hälsodata behandlas lokalt - till exempel på din handled i din klocka - innebär det en mycket lägre säkerhetsrisk."
Här är några av problemen forskare vid Northwestern University försöker lösa med sina nya lättviktstransistorer, som skulle kunna byggas in i bärbara enheter.
Teknik för maskininlärning för bärbara enheter
Den viktigaste skillnaden mellan dessa nya transistorer är deras sammansättning av molybdendisulfid och kolnanorör.
Dessa material gör det möjligt för transistorn att ständigt omkonfigureras av elektriska fält och hantera flera steg i AI-drivna processer nästan omedelbart.
Kiselbaserade transistorer kan däremot bara hantera ett steg i taget och fungerar som små elektroniska strömbrytare. Det innebär att en AI-uppgift som normalt skulle kräva 100 kiselbaserade transistorer kanske bara kräver en av dessa omkonfigurerbara transistorer, vilket leder till en drastisk minskning av energianvändningen.
"Den låga energin beror på att vi kan implementera [AI-algoritmen] med en 100-faldig minskning av antalet transistorer jämfört med konventionell kiselteknik", säger Mark Hersam vid Northwestern University i Illinois.
Hersam och hans forskargrupp visade hur skickliga dessa transistorer är genom att tillämpa dem på en vanlig maskininlärningsbaserad AI-algoritm som analyserade hjärtslagsdata från 10.000 elektrokardiogramtester.
Imponerande nog lyckades AI:n med en noggrannhet på 95% kategorisera hjärtslagsdataproverna i en "normal" grupp och fem olika "arytmiska" grupper, inklusive för tidig ventrikulär kontraktion.
Vinod Sangwan, en annan medlem i forskargruppen vid Northwestern University, betonade de potentiella konsekvenserna av detta framsteg, särskilt för enheter med låg batteritid eller som inte kan upprätthålla en konsekvent internetanslutning för molnbaserad AI-bearbetning.
Att införliva dessa transistorer i befintliga arbetsflöden och samtidigt säkerställa deras hållbarhet är dock avgörande för kommersiell lönsamhet och är fortfarande en utmaning.
Det här är det senaste i raden av genombrott som ger maskininlärning till strömsnåla enheter.
Tidigare under året har forskare vid IBM byggde lättviktiga hjärninspirerade chips som kan bearbeta algoritmiska arbetsbelastningar med låga effektbehov, vilket återigen är lovande för bärbara enheter.
På sikt kan dessa tekniker bidra till att driva autonoma bioinspirerade robotar som bearbetar data lokalt, på samma sätt som organiska organismer.
