AI tranzistor smanjuje potrošnju energije za 99 posto

AI strojno učenje koristi toliko računalne snage i energije da se obično izvodi u oblaku. Ali novi mikrotranzistor, 100 puta učinkovitiji od trenutne tehnologije, obećava da će donijeti nove razine inteligencije mobilnim i nosivim uređajima.

Istraživači sa Sveučilišta Northwestern predstavili su svoj novi nano-elektronički uređaj koje je dizajniran za analiziranje velikih količina podataka i pokušaj označavanja značajnih bitova, što je okosnica mnogih sustava strojnog učenja.

"Danas većina senzora prikuplja podatke i zatim ih šalje u oblak, gdje se analiza odvija na energetski gladnim poslužiteljima prije nego što se rezultati konačno pošalju natrag korisniku", rekao je Mark C. Hersam, viši autor studije. "Ovaj pristup je nevjerojatno skup, troši značajnu količinu energije i dodaje vremensko kašnjenje. Naš je uređaj toliko energetski učinkovit da se može postaviti izravno u nosivu elektroniku za otkrivanje i obradu podataka u stvarnom vremenu, omogućujući bržu intervenciju u hitnim zdravstvenim slučajevima."

Novi tranzistor nije izrađen od silicija, već od dvodimenzionalnih listova molibden disulfida i jednodimenzionalnih ugljikovih nanocijevi. Njihova konstrukcija omogućuje im brzo podešavanje i rekonfiguraciju u hodu, tako da se mogu koristiti za više koraka u lancu obrade podataka, gdje tradicionalni tranzistori mogu izvesti samo po jedan korak.

"Integracija dva različita materijala u jedan uređaj omogućuje nam snažnu modulaciju protoka struje s primijenjenim naponima, omogućujući dinamičku rekonfigurabilnost", objašnjava Hersam. "Visoki stupanj prilagodljivosti u jednom uređaju omogućuje nam izvođenje sofisticiranih algoritama s niskom potrošnjom energije."

Tijekom testiranja, tranzistori su uvježbani za analizu javno dostupnih EKG skupova podataka i označavanje šest različitih tipova otkucaja srca.

Kroz 10.000 uzoraka EKG-a, istraživači su uspjeli ispravno klasificirati abnormalne otkucaje srca s 95% točnosti koristeći samo dva od ovih mikro-tranzistora, gdje bi trenutni pristup strojnog učenja zahtijevao više od 100 tradicionalnih tranzistora, a koristili su oko 1% energije.

To znači da će jednom kada ova tehnologija stigne na tržište, omogućiti da mali, lagani mobilni i nosivi uređaji na baterije sadrže inteligenciju za pokretanje AI strojnog učenja nad podacima vlastitih senzora. Na taj način će brže dobiti rezultate nego što bi to učinili da moraju slati skupove podataka u oblak na analizu, a to ujedno garantira da će osobni podaci koje prikupljaju o vama ostati lokalni, privatni i sigurni.

Potrošnja energije i povezane emisije vrtoglavo rastu jer tvrtke diljem svijeta žure trenirati nevjerojatno ogromne jezične modele i multimodalne umjetne inteligencije.

Istraživanje objavljeno u časopisu Nature Electronics možete pronaći na ovoj poveznici.