人工智能效率提升100倍

伊利诺伊州埃文斯顿——忘掉云吧。

西北大学的工程师开发了一种新型纳米电子设备，可以以迄今为止最节能的方式执行精确的机器学习分类任务。 该设备的功耗比当前技术低 100 倍，可以处理大量数据并实时执行人工智能 (AI) 任务，而无需将数据发送到云端进行分析。

该设备体积小、功耗极低且接收分析无延迟，非常适合直接集成到可穿戴电子设备（例如智能手表和健身追踪器）中，以进行实时数据处理和近乎即时的诊断。

为了测试这个概念，工程师使用该设备对公开的心电图 (ECG) 数据集中的大量信息进行分类。 该设备不仅能够高效、正确地识别心律失常，而且还能够识别六种不同类别的心律失常亚型，准确率约为 95%。

该研究将于 10 月 12 日发表在《自然电子》杂志上。

西北大学表示：“如今，大多数传感器都会收集数据，然后将其发送到云端，在高耗电的服务器上进行分析，然后将结果最终发送给用户。” 马克·C·赫瑟姆，该研究的资深作者。 “这种方法非常昂贵，消耗大量电力并增加了时间延迟。我们的设备非常节能，可以直接部署到可穿戴电子设备中进行实时检测和数据处理，从而能够更快速地干预卫生紧急情况。”

Hersam 是纳米技术专家，西北大学材料科学与工程沃尔特·P·墨菲教授 麦考密克工程学院。 兼任材料科学与工程系主任、材料科学与工程系主任 材料科学与工程研究中心 和一个成员 国际纳米技术研究所。 Hirsam 与南加州大学教授 Han Wang 和西北大学助理教授 Vinod Sangwan 共同领导了这项研究。

在机器学习工具可以分析新数据之前，这些工具必须首先准确可靠地将训练数据分类为不同的类别。 例如，如果工具按颜色对图像进行排序，则它需要识别红色、黄色或蓝色图像，以便准确地对它们进行分类。 是的，这对人类来说是一件容易的苦差事，但对机器来说却是复杂且耗能的工作。

为了使当前的硅基技术对来自大型阵列（例如 ECG 设备）的数据进行分类，需要 100 多个晶体管，每个晶体管都需要特殊的电源才能运行。 但西北大学的纳米电子设备只需使用两个设备即可执行相同的机器学习分类。 通过减少设备数量，研究人员显着降低了功耗，并开发了一种更小的设备，可以集成到标准可穿戴设备中。

这种新设备背后的秘密是其前所未有的可调节性，这是由材料组合产生的。 虽然传统技术使用硅，但研究人员已经用二维二硫化钼和一维碳纳米管制造了微型晶体管。 因此，可重构晶体管不需要多个硅晶体管（数据处理的每个步骤一个），而是足够动态，可以在不同步骤之间切换。

Hersam 说：“将两种不同的材料组合成一个器件，使我们能够通过施加的电压稳健地调节电流，从而实现动态重新配置。” “在单个设备中具有高度的可调性使我们能够以较小的占用空间和较低的功耗实现复杂的分类算法。”

为了测试该设备，研究人员查看了公开的医疗数据集。 他们首先训练设备来解释心电图数据，这项任务通常需要训练有素的医护人员花费大量时间。 接下来，他们让设备对六种类型的心跳进行分类：正常房性早搏、室性早搏、起搏、左束搏动和右束搏动。

该纳米电子设备能够从 10,000 个心电图样本中准确识别出每种类型的心律失常。 通过绕过将数据发送到云端的需要，该设备不仅节省了关键的患者时间，而且还保护了隐私。

“每次数据传递，数据被盗的可能性就会增加，”赫萨姆说。 “如果个人健康数据在本地处理——就像在手表上的手腕上一样——那么安全风险就会低得多。通过这种方式，我们的设备可以改善隐私并降低黑客攻击的风险。”

Hersam 设想，这些纳米电子设备最终可以集成到日常可穿戴设备中，并根据每个用户的健康状况进行定制，以实现实时应用。 它将使人们能够充分利用他们已经收集的数据，而不会消耗能源。

“人工智能工具正在消耗越来越多的电网，”赫萨姆说。 “如果我们继续依赖传统计算机，这是一条不可持续的道路。”

这项名为“用于个人支持总线机器分类的可重构混合核异质结晶体管”的研究得到了美国能源部、国家科学基金会和陆军研究办公室的支持。