O aprendizado de máquina de inteligência artificial requer muito poder e energia computacional, por isso geralmente é concluído na nuvem com suporte de data centers. Mas um novo tipo de microtransistor é 100 vezes mais eficiente em termos energéticos do que a tecnologia existente, prometendo um novo nível de inteligência para dispositivos móveis e vestíveis. Pesquisadores da Northwestern University publicaram um artigo na revista Nature Electronics descrevendo seu novo dispositivo nanoeletrônico. Ele foi projetado para realizar tarefas de classificação, ou seja, analisar grandes quantidades de dados e tentar rotular bits importantes, que é a espinha dorsal de muitos sistemas de aprendizado de máquina.
Mark C. Hersam, da Northwestern University, autor sênior do estudo, disse: "Hoje, a maioria dos sensores coleta dados, depois os envia para a nuvem, analisa-os por servidores que consomem muita energia e, finalmente, envia os resultados de volta ao usuário. Essa abordagem é proibitivamente cara, consome grandes quantidades de energia e adiciona atraso. Nosso dispositivo é muito eficiente em termos de energia e pode ser implantado diretamente em eletrônicos vestíveis para detecção em tempo real e processamento de dados, permitindo uma intervenção mais rápida em emergências de saúde. "
Embora os transistores existentes sejam normalmente feitos de silício, esses novos transistores são feitos de folhas bidimensionais de dissulfeto de molibdênio e nanotubos de carbono unidimensionais. A estrutura deste transistor permite que ele seja rapidamente ajustado e reconfigurado em tempo real, para que possa ser usado em várias etapas da cadeia de processamento de dados, enquanto os transistores tradicionais podem executar apenas uma etapa de cada etapa.
“A integração de dois materiais diferentes em um único dispositivo nos permite obter uma forte modulação do fluxo de corrente usando uma tensão aplicada, permitindo reconfigurabilidade dinâmica”, explicou Hessam. "A alta capacidade de ajuste de um único dispositivo nos permite executar algoritmos de classificação complexos com pouco espaço e baixo consumo de energia."
Em testes, os pesquisadores treinaram esses minúsculos “transistores de heterojunção de núcleo híbrido” para analisar conjuntos de dados de eletrocardiograma disponíveis publicamente e rotular seis tipos diferentes de batimentos cardíacos: normal, complexo atrial prematuro, complexo ventricular prematuro, marca-passo, bloqueio de ramo esquerdo e bloqueio de ramo direito.
Como resultado, em 10.000 amostras de eletrocardiograma, os pesquisadores usaram apenas dois microtransistores para classificar corretamente os batimentos cardíacos anormais com 95% de precisão, enquanto os métodos atuais de aprendizado de máquina exigem mais de 100 transistores tradicionais e usam apenas 1% da energia dos métodos tradicionais.
o que isso significa? Assim que esta tecnologia entrar em produção – ainda não se sabe quando – dispositivos móveis pequenos, leves e alimentados por bateria ganharão a inteligência para executar inteligência artificial de aprendizagem de máquina nos seus próprios dados de sensores. Isto significa que encontrarão resultados mais rapidamente do que os dispositivos que têm de enviar blocos de dados para a nuvem para análise, mas também significa que os dados pessoais que recolhem permanecerão locais, privados e seguros.
Não está claro se o dispositivo é adequado apenas para dispositivos portáteis ou se pode processar dados de vídeo, ou se o trabalho pode ser transferido para dispositivos maiores de aprendizado de máquina e inteligência artificial. Por exemplo, uma redução de 100 vezes no consumo de energia seria uma grande melhoria no treinamento de modelos grandes.
À medida que as empresas globais se apressam em treinar modelos linguísticos muito grandes e inteligência artificial multimodal, o consumo de energia e as emissões relacionadas estão a aumentar. Mesmo em 2021, 10-15% de todo o orçamento energético do Google é gasto em inteligência artificial e, com certeza, esta proporção cresceu significativamente. Se uma empresa fabricar um chip que possa igualar o desempenho das principais placas de IA da NVIDIA, usando apenas 1% da energia da NVIDIA, essa empresa provavelmente terá um bom desempenho.
Isso parece improvável; a equipe insiste em falar sobre dispositivos móveis em seu comunicado à imprensa. No entanto, a inteligência computacional deu mais um passo em frente e pode inaugurar outra onda de dispositivos mais inteligentes. O ritmo da mudança continua a acelerar.
A pesquisa foi publicada na revista Nature Electronics.