Сверхэффективный транзистор для машинного обучения сократил потребление энергии ИИ на 99%
Исследователи из Северо-Западного университета представили свое новое наноэлектронное устройство в статье, опубликованной в журнале Nature Electronics. Он предназначен для выполнения задачи классификации, то есть анализа больших объемов данных и выборки значимых для обучения элементов, которая является основой многих систем машинного обучения.
Новый транзистор для ИИ
«Сегодня большинство датчиков собирают данные, а затем отправляют их в облако, где анализ происходит на энергозатратных серверах, прежде чем результаты окончательно отправляются обратно пользователю, — сказал Марк С. Херсам из Northwestern, старший автор исследования. — Этот подход невероятно дорог, потребляет значительное количество энергии и времени. Наше устройство настолько энергоэффективно, что его можно использовать непосредственно в носимой электронике для обнаружения в режиме реального времени и обработки данных, что позволяет, например, более оперативно реагировать на ЧП в области здравоохранения».
Там, где существующие транзисторы, как правило, изготавливаются из кремния, эти новые построены из двумерных листов дисульфида молибдена и одномерных углеродных нанотрубок. Их конструкция позволяет быстро настраивать и перенастраивать их «на лету», поэтому их можно использовать на нескольких этапах цепочки обработки данных, где традиционные транзисторы способны работать лишь в одной цепочке.
«Интеграция двух разнородных материалов в одно устройство позволяет нам сильно модулировать ток с помощью приложенных напряжений, обеспечивая динамическую реконфигурацию, — объясняет Херсам. — Высокая степень настройки в одном устройстве позволяет нам выполнять сложные алгоритмы классификации с небольшими габаритами и низким энергопотреблением».
В ходе тестирования эти крошечные гетеропереходные транзисторы со смешанным ядром были обучены анализировать общедоступные наборы данных ЭКГ и маркировать шесть различных типов сердцебиений: нормальное, преждевременное сердцебиение предсердий, преждевременное сокращение желудочков, учащенное сердцебиение, сердцебиение левой ножки пучка и сердцебиение правой ножки пучка.
На 10 000 образцах ЭКГ исследователи смогли правильно классифицировать аномальные сердцебиения с точностью 95%, используя всего два из этих микротранзисторов, тогда как нынешний подход к машинному обучению потребовал бы более 100 традиционных транзисторов, а они потребляли около 1% энергии.
Что это значит? Что ж, это означает, что, как только эта технология поступит в производство – а о том, когда это может произойти, ничего не говорится, — маленькие, легкие мобильные устройства с питанием от батарей получат интеллект для запуска ИИ с машинным обучением по данным собственных датчиков. Это будет означать, что они будут находить результаты быстрее, чем если бы им приходилось отправлять фрагменты данных в облако для анализа, а также означает, что личные данные, которые они собирают о вас, останутся локальными, приватными и безопасными.
Неясно, будет ли это устройство полезно исключительно для портативных устройств, сможет ли оно обрабатывать видеоданные, или эта работа может быть перенесена на более крупное оборудование для машинного обучения и ИИ. Например, стократное снижение потребления электроэнергии стало бы огромным шагом вперед в обучении больших моделей.