Machine learning voor kunstmatige intelligentie vereist veel rekenkracht en energie en wordt daarom meestal in de cloud uitgevoerd, ondersteund door datacenters. Maar een nieuw type microtransistor is honderd keer energiezuiniger dan de bestaande technologie en belooft een nieuw niveau van intelligentie voor mobiele en draagbare apparaten. Onderzoekers van de Northwestern University publiceerden een artikel in het tijdschrift Nature Electronics waarin ze hun nieuwe nano-elektronische apparaat beschrijven. Het is ontworpen om classificatietaken uit te voeren, dat wil zeggen het analyseren van grote hoeveelheden gegevens en het proberen belangrijke bits te labelen, wat de ruggengraat vormt van veel machine learning-systemen.
Mark C. Hersam van Northwestern University, hoofdauteur van het onderzoek, zegt: “Tegenwoordig verzamelen de meeste sensoren gegevens, sturen deze vervolgens naar de cloud, analyseren deze door energievretende servers en sturen de resultaten uiteindelijk terug naar de gebruiker. Deze aanpak is onbetaalbaar, verbruikt enorme hoeveelheden energie en zorgt voor tijdsvertraging. Ons apparaat is zeer energiezuinig en kan direct in draagbare elektronica worden ingezet voor realtime detectie en gegevensverwerking, waardoor sneller ingrijpen in noodsituaties op gezondheidsgebied mogelijk is.”
Terwijl bestaande transistors doorgaans van silicium zijn gemaakt, zijn deze nieuwe transistors gemaakt van tweedimensionale vellen molybdeendisulfide en eendimensionale koolstofnanobuisjes. Dankzij de structuur van deze transistor kan hij snel worden aangepast en opnieuw geconfigureerd, zodat hij voor meerdere stappen in de gegevensverwerkingsketen kan worden gebruikt, terwijl traditionele transistors slechts één stap van elke stap kunnen uitvoeren.
"Door twee verschillende materialen in één apparaat te integreren, kunnen we een sterke modulatie van de stroomsterkte bereiken met behulp van een aangelegde spanning, waardoor dynamische herconfigureerbaarheid mogelijk is", legt Hessam uit. "De hoge afstembaarheid van een enkel apparaat stelt ons in staat complexe classificatie-algoritmen uit te voeren met een kleine footprint en een laag energieverbruik."
In tests trainden de onderzoekers deze kleine ‘hybride-core heterojunctie-transistors’ om openbaar beschikbare elektrocardiogramgegevenssets te analyseren en zes verschillende soorten hartslagen te labelen: normaal, premature atriale complex, premature ventriculaire complex, pacemaker, linkerbundeltakblok en rechterbundeltakblok.
Als gevolg hiervan gebruikten de onderzoekers in 10.000 elektrocardiogrammonsters slechts twee microtransistors om abnormale hartslagen correct te classificeren met een nauwkeurigheid van 95%, terwijl de huidige machine learning-methoden meer dan 100 traditionele transistors vereisen en slechts 1% van de energie van traditionele methoden gebruiken.
wat betekent dat? Zodra deze technologie in productie gaat – het is nog niet bekend wanneer – zullen kleine, lichtgewicht, op batterijen werkende mobiele apparaten de intelligentie verwerven om machine learning kunstmatige intelligentie op hun eigen sensorgegevens uit te voeren. Dit betekent dat ze sneller resultaten zullen vinden dan apparaten die stukjes gegevens naar de cloud moeten sturen voor analyse, maar het betekent ook dat de persoonlijke gegevens die ze verzamelen lokaal, privé en veilig blijven.
Het is onduidelijk of het apparaat alleen geschikt is voor draagbare apparaten of dat het videogegevens kan verwerken, of dat het werk kan doorsijpelen naar grotere apparaten voor machinaal leren en kunstmatige intelligentie. Een honderdvoudige vermindering van het energieverbruik zou bijvoorbeeld een grote verbetering zijn bij het trainen van grote modellen.
Terwijl mondiale ondernemingen zich haasten om zeer grote taalmodellen en multimodale kunstmatige intelligentie te trainen, stijgen het energieverbruik en de daarmee samenhangende emissies enorm. Zelfs in 2021 wordt 10-15% van het gehele energiebudget van Google besteed aan kunstmatige intelligentie, en de eerlijkheid gebiedt te zeggen dat dit aandeel aanzienlijk is gegroeid. Als een bedrijf een chip maakt die de prestaties van de beste AI-kaarten van NVIDIA kan evenaren terwijl hij slechts 1% van de energie van NVIDIA gebruikt, zal dat bedrijf het waarschijnlijk goed doen.
Dat lijkt onwaarschijnlijk; het team dringt erop aan om in zijn persbericht over mobiele apparaten te praten. Computerintelligentie heeft echter weer een stap voorwaarts gezet en kan een nieuwe golf van slimmere apparaten inluiden. Het tempo van de veranderingen blijft toenemen.
Het onderzoek werd gepubliceerd in het tijdschrift Nature Electronics.