Le dispositif nanoélectronique effectue une classification de l’IA en temps réel sans recourir au cloud

Oubliez le nuage. Les ingénieurs de l’Université Northwestern ont développé un nouveau dispositif nanoélectronique succesful d’effectuer des tâches précises de classification d’apprentissage automatique de l. a. manière l. a. plus économe en énergie à ce jour. Utilisant 100 fois moins d’énergie que les applied sciences actuelles, l’appareil peut traiter de grandes quantités de données et effectuer des tâches d’intelligence artificielle (IA) en temps réel sans envoyer les données vers le cloud pour analyse.

Avec sa petite taille, sa consommation d’énergie extrêmement faible et l’absence de délai de réception des analyses, l’appareil est idéal pour une intégration directe dans des appareils électroniques portables (tels que des montres intelligentes et des trackers de health) pour un traitement des données en temps réel et un diagnostic quasi instantané.

Pour tester le idea, les ingénieurs ont utilisé l’appareil pour classer de grandes quantités d’informations à partir d’ensembles de données d’électrocardiogramme (ECG) accessibles au public. Non seulement l’appareil était succesful d’identifier efficacement et correctement l’arythmie, mais il était également succesful d’identifier le sous-type d’arythmie parmi six catégories différentes avec une précision d’environ 95 %.

L’étude, intitulée « Transistors à hétérojonction à noyau mixte reconfigurables pour classifier les machines vectorielles de improve staff », a été publiée le 12 octobre dans l. a. revue. Electronique naturelle.

“Aujourd’hui, l. a. plupart des capteurs collectent des données puis les envoient vers le cloud, où l’analyse a lieu sur des serveurs gourmands en énergie avant que les résultats ne soient finalement envoyés à l’utilisateur”, a déclaré l’auteur fundamental de l’étude, Mark C. Hersem, de l’Université Northwestern. “Cette approche est incroyablement coûteuse, consomme beaucoup d’énergie et ajoute un délai. Notre appareil est si économe en énergie qu’il peut être déployé directement dans des appareils électroniques portables pour une détection et un traitement des données en temps réel, permettant ainsi une intervention plus rapide en cas d’urgence sanitaire.”

Skilled en nanotechnologie, Hersam est professeur Walter P. Murphy de science et d’ingénierie des matériaux à l. a. McCormick Faculty of Engineering de l’Université Northwestern. Il est également directeur du Département de science et d’ingénierie des matériaux, directeur du Centre de recherche, science et ingénierie des matériaux et membre de l’Institut global de nanotechnologie. Hirsam a codirigé l. a. recherche avec Han Wang, professeur à l’Université de Californie du Sud, et Vinod Sangwan, professeur adjoint à l’Université Northwestern.

Avant que les outils d’apprentissage automatique puissent analyser de nouvelles données, ces outils doivent d’abord trier les données d’entraînement avec précision et fiabilité en différentes catégories. Par exemple, si un outil trie les photographs par couleur, il doit reconnaître les photographs rouges, jaunes ou bleues afin de les classer avec précision. Oui, c’est une tâche facile pour un humain, mais c’est un travail complexe et gourmet en énergie pour une gadget.

Pour que les applied sciences actuelles basées sur le silicium puissent étiqueter les données provenant de grands réseaux tels que les appareils ECG, plus de 100 transistors sont nécessaires, chacun nécessitant une puissance spéciale pour fonctionner. Mais le dispositif nanoélectronique de Northwestern peut effectuer l. a. même classification d’apprentissage automatique en utilisant seulement deux appareils. En réduisant le nombre d’appareils, les chercheurs ont considérablement réduit l. a. consommation d’énergie et développé un appareil beaucoup plus petit qui peut être intégré dans un system moveable same old.

Le secret de ce nouvel appareil réside dans sa possibilité de réglage sans précédent, factor d’une combinaison de matériaux. Alors que les ways traditionnelles utilisent du silicium, les chercheurs ont construit des transistors miniatures à partir de bisulfure de molybdène bidimensionnel et de nanotubes de carbone unidimensionnels. Ainsi, au lieu de nécessiter plusieurs transistors au silicium (un pour chaque étape du traitement des données), les transistors reconfigurables sont suffisamment dynamiques pour basculer entre les différentes étapes.

“Los angeles combinaison de deux matériaux différents dans un seul dispositif nous permet de moduler de manière robuste le flux de courant avec les tensions appliquées, permettant ainsi une reconfiguration dynamique”, a déclaré Hersam. « Le fait de disposer d’un haut degré de réglage dans un seul appareil nous permet de mettre en œuvre des algorithmes de classification sophistiqués avec un faible encombrement et une faible consommation d’énergie. »

Pour tester l’appareil, les chercheurs ont examiné des ensembles de données médicales accessibles au public. Ils ont d’abord formé l’appareil à interpréter les données d’un ECG, une tâche qui nécessite généralement beaucoup de temps de l. a. section d’brokers de santé qualifiés. Ensuite, ils ont demandé à l’appareil de classer six sorts de battements cardiaques : battement prématuré auriculaire commonplace, systole ventriculaire prématurée, battement stimulé, battement faisceau gauche et battement faisceau droit.

Le dispositif nanoélectronique a pu identifier avec précision chaque variety d’arythmie à partir de 10 000 échantillons ECG. En évitant l. a. nécessité d’envoyer des données vers le cloud, l’appareil permet non seulement aux sufferers de gagner un temps a very powerful, mais protège également l. a. confidentialité.

“Chaque fois que des données circulent, le risque de vol de données augmente”, a déclaré Hersam. “Si les données personnelles de santé sont traitées localement – ​​comme sur votre bracelet de montre – cela présente un risque de sécurité bien moindre. De cette façon, notre appareil améliore l. a. confidentialité et réduit le risque de piratage.”

Hersam envisage qu’à terme, ces dispositifs nanoélectroniques pourraient être intégrés dans des appareils portables quotidiens et personnalisés en fonction du profil de santé de chaque utilisateur pour des programs en temps réel. Cela permettrait aux gens de tirer le meilleur parti des données qu’ils collectent déjà sans dépenser d’énergie.

« Les outils d’IA consomment une section croissante du réseau électrique », a déclaré Hersam. “C’est une voie non viable si nous continuons à compter sur les ordinateurs traditionnels.”