4 мин. чтения
10/13/2023 12:00:01 PM

Наноэлектронное устройство выполняет классификацию AI в реальном времени, не полагаясь на облако

Article Preview Image Кредит: CC0 Общественный домен

Благодаря своему крошечному следам, ультра-низкому энергопотреблению и отсутствию времени задержки для получения анализа, устройство идеально подходит для прямого включения в носимую электронику (например, интеллектуальные часы и фитнес-трекеры) для обработки данных в реальном времени и почти установленной диагностики.

Чтобы проверить концепцию, инженеры использовали устройство для классификации больших объемов информации из общедоступных наборов данных электрокардиограммы (ECG).Мало того, что устройство может эффективно и правильно идентифицировать нерегулярное сердцебиение, оно также смогло определить подтип аритмии из шести различных категорий с почти 95% точностью.

Исследование «Персонал-реконфигурируемый гетеропрофильный транзисторы смешанного ккнеля для персонализированной классификации машин вектора поддержки» было опубликовано 12 октября в журнале Nature Electronics.

«Сегодня большинство датчиков собирают данные, а затем отправляют их в облако, где анализ проводится на серверах, жаждущих энергии до того, как результаты наконец отправится обратно пользователю»,-сказал Марк С. Херсам из Северо-Запада, старший автор исследования.«Этот подход невероятно дорогой, потребляет значительную энергию и добавляет задержку во времени. Наше устройство настолько энергоэффективно, что его можно развернуть непосредственно в носимой электронике для обнаружения и обработки данных в реальном времени, что позволяет более быстрому вмешательства в чрезвычайные ситуации в области здравоохранения».

Эксперт по нанотехнологиям Херсэм - Уолтер П. Мерфи профессор материаловедения и инженерии в северо -западной школе инженерии Маккормика.Он также является председателем Департамента материаловедения и инженерии, директором Центра по науке и инженерии материалов и членом Международного института нанотехнологий.Херсам руководил исследованием с Хан-Вангом, профессором Университета Южной Калифорнии, и Винодом Сангван, ассистентом по исследованию на северо-западе.

Прежде чем инструменты машинного обучения смогут анализировать новые данные, эти инструменты должны сначала точно и надежно сортировать данные обучения в различных категориях.Например, если инструмент сортирует фотографии по цвету, он должен распознать, какие фотографии являются красными, желтыми или синими, чтобы точно их классифицировать.Легкая рутина для человека, да, но сложная и жажда энергии-подходит для машины.

Для текущих технологий на основе кремния для классификации данных из крупных наборов, таких как ЭКГ, требуется более 100 транзисторов-какая-то требующая собственной энергии для работы.Но наноэлектронное устройство Northwestern может выполнять одну и ту же классификацию машинного обучения только с двумя устройствами.Сокращая количество устройств, исследователи резко сократили энергопотребление и разработали гораздо меньшее устройство, которое можно интегрировать в стандартный носимый гаджет.

Секретом нового устройства является его беспрецедентная настроения, которая возникает в результате сочетания материалов.В то время как традиционные технологии используют кремний, исследователи построили миниатюрные транзисторы из двумерного дисульфида молибдена и одномерных углеродных нанотрубок.Таким образом, вместо того, чтобы нуждаться в многих кремниевых транзисторах - по одному для каждого этапа обработки данных - реконфигурируемые транзисторы достаточно динамичны, чтобы переключаться между различными этапами.

«Интеграция двух разрозненных материалов в одно устройство позволяет нам сильно модулировать ток поток с приложенными напряжениями, обеспечивая динамическую реконфигурируемость», - сказал Херсам.«Наличие высокой степени настроительности в одном устройстве позволяет нам выполнять сложные алгоритмы классификации с небольшим количеством следа и низким энергопотреблением».

Чтобы проверить устройство, исследователи рассмотрели общедоступные медицинские наборы данных.Сначала они обучали устройство интерпретировать данные из ЭКГ, задачу, которая обычно требует значительного времени от обученных работников здравоохранения.Затем они попросили устройство классифицировать шесть типов сердечных ритмов: нормальный, предсердный преждевременный ритм, преждевременное сокращение желудочков, растущий ритм, битва блока левого пакета и битва правой пачки.

Наноэлектронное устройство было в состоянии точно идентифицировать каждый тип аритмии из 10000 образцов ЭКГ.Обшивая необходимость отправки данных в облако, устройство не только экономит критическое время для пациента, но и защищает конфиденциальность.

«Каждый раз, когда данные передаются, это увеличивает вероятность украденных данных», - сказал Херсам.«Если личные данные о здоровье обрабатываются локально - например, на ваших запястье в ваших часах - которые представляют гораздо более низкий риск безопасности. Таким образом, наше устройство улучшает конфиденциальность и снижает риск нарушения».

Hersam представляет, что, в конечном итоге, эти наноэлектронные устройства могут быть включены в повседневные носимые устройства, персонализированные в профиле здоровья каждого пользователя для приложений в реальном времени.Они позволили бы людям максимально использовать данные, которые они уже собирают, не разбирая власть.

«Инструменты искусственного интеллекта потребляют растущую часть энергетической сетки», - сказал Херсам.«Это неустойчивый путь, если мы продолжим полагаться на обычное компьютерное оборудование».

Больше информации: Реконфигурируемая гетеропереходная транзисторы смешанного ккнеля для индивидуальной классификации машины-векторной поддержки, природы электроники (2023).Doi: 10.1038/s41928-023-01042-7

Получи бесплатную еженедельную рассылку со ссылками на репозитории и лонгриды самых интересных историй о стартапах 🚀, AI технологиях 👩‍💻 и программировании 💻!
Присоединяйся к тысячам читателей для получения одного еженедельного письма

Подписывайся на нас:

Нашли ошибку в тексте? Напишите нам.

Добавляй ЛРНЧ в свою ленту Google Новостей.
Читайте далее 📖

Гибкий и эффективный преобразователь мощности постоянного тока для устойчивых микрогридов

4/20/2024 · 4 мин. чтения

Гибкий и эффективный преобразователь мощности постоянного тока для устойчивых микрогридов

Advance in Light Computing показывает возможности для будущих интеллектуальных камер

4/16/2024 · 4 мин. чтения

Advance in Light Computing показывает возможности для будущих интеллектуальных камер