И от облака ушёл, и от кремния ушёл.

Новое устройство может быть напрямую встроено в умные часы и фитнес-трекеры для обработки данных в реальном времени и почти мгновенной диагностики. Источник.

ИИ-технологии резко и с размахом ворвались практически во все сферы нашей жизни, и, как видно из успешности их демарша, они пришли всерьёз и надолго. Да и мы, если честно, давным-давно не только ждём их, но и готовы сперва манипулировать ими, а затем ‒ возможно ‒ с ними сотрудничать. Да что там сотрудничать, мы уже готовимся дать им отпор, в случае чего, ‒ благо, фантазия у нашего вида «ого-го!», и господа-фантасты уж век как изобрели этого искусного джина (книга Карела Чапека «Р.У.Р», со страниц которой свет впервые увидели не только умные машины-андроиды, но и их название ‒ «роботы», ‒ вышла в 1920).

Однако при всей масштабности ИИ-волны, мы видим пока даже не цветочки, а едва-едва набухающие почки. И пусть перспективы роста этих ИТ-инструментов кажутся безграничными (в том числе и скептикам), но в действительности до по-настоящему «фантастических» возможностей им пока далеко.

И одна из причин в том, что так называемый искусственный интеллект ‒ штука довольно сложная и прожорливая. С одной стороны, наши достижения в области алгоритмов и маломощного вычислительного оборудования, конечно, предполагают перспективы использования машинного обучения в автономных приложениях. Так, они вполне пригодились бы для классификации медицинских данных и диагностики ‒ для этой задачи высокой точности современных алгоритмов вполне достаточно. Однако аппаратные реализации для периферийных приложений непрактичны вследствие сложности и значительного энергопотребления.

Другими словами, ИИ настолько энергоёмок, что подавляющая часть его работы ‒ анализа данных ‒ выполняется в облаке. Для чего бы вы его ни использовали ‒ он исполнит ваше задание только при подключении к мощному оборудованию с большими вычислительными и энергетическими ресурсами. Именно там происходит вся магия.

«Сегодня большинство датчиков собирают данные, а затем отправляют их в облако, где анализ происходит на энергоёмких серверах, прежде чем результаты наконец отправляются обратно пользователю, ‒ говорит Марк К. Херсам, эксперт в области нанотехнологий, профессор и завкафедрой материаловедения и инженерии Уолтера П. Мерфи в инженерной школе Маккормика в Северо-Западном университете. ‒ Этот подход невероятно дорог, потребляет значительное количество энергии и увеличивает временную задержку».

Но сегодня у нас есть перспективы поменьше грузить «небо» своими проблемами, а то и вовсе оставить его в покое и забыть об ИТ-облаках хотя бы касаемо тривиальных задач для алгоритмов машинного обучения. Инженеры Северо-Западного университета разработали новое наноэлектронное устройство, которое, как пишут авторы, «может выполнять точные задачи классификации машинного обучения наиболее энергоэффективным способом». 

Используя в 100 раз меньше энергии, чем современные технологии на обычных схемах металл-оксид-полупроводник, новинка может обрабатывать большие объёмы данных и выполнять ИИ-вычисления в режиме реального времени, не передавая сведения в облако для анализа. Миниатюрный размер, сверхнизкое энергопотребление и отсутствие задержки при получении анализа делают получившийся чип идеальным для внедрения в носимую электронику (умные часы, медицинские датчики и прочие фитнес-трекеры) для обработки показателей по месту и в реальном времени. Для медицинских датчиков это означает почти мгновенную диагностику.

Чтобы проверить эту концепцию, инженеры использовали устройство для классификации больших объёмов информации из общедоступных наборов данных электрокардиограммы (ЭКГ). Оно не только могло эффективно и правильно идентифицировать нерегулярное сердцебиение, но и определить подтип аритмии из шести различных категорий с точностью около 95%.

«Наше устройство ‒ говорит старший автор исследования профессор Херсам, директор Центра материаловедения и инженерии и член Международного института нанотехнологий, ‒ настолько энергоэффективно, что его можно использовать непосредственно в носимой электронике для обнаружения и обработки данных в реальном времени, что обеспечивает более быстрое вмешательство в чрезвычайных ситуациях со здоровьем».

Суть прорывного решения сводится к следующему: обычно, прежде чем анализировать новые сведения, инструменты машинного обучения должны сначала точно и надёжно отсортировать обучающие данные по различным категориям. Например, если инструмент сортирует фотографии по цвету, ему необходимо распознать, какие фотографии красные, жёлтые или синие, чтобы точно их классифицировать. Да, это лёгкая работа для человека, но сложная и энергоёмкая работа для машины.

Современным кремниевым технологиям для классификации информации в больших наборах данных вроде ЭКГ, требуется более 100 транзисторов, каждый из которых требует для работы своей собственной энергии. Новое же наноэлектронное устройство может обойтись всего двумя, что радикально снижает энергозатраты и делает возможной его интеграцию в носимый гаджет.

Секрет новинки заключается в его беспрецедентной возможности настройки, которая достигается за счёт сочетания материалов. В то время как традиционные технологии используют кремний, исследователи создали миниатюрные транзисторы из двумерного дисульфида молибдена и одномерных углеродных нанотрубок. Таким образом, вместо того чтобы использовать множество кремниевых транзисторов ‒ по одному на каждый этап обработки, ‒ удалось ту же работу провести силами двух реконфигурируемых транзисторов, которые достаточно динамичны, чтобы переключаться между различными этапами сортировки данных.

«Интеграция двух разных материалов в одно устройство позволяет нам сильно модулировать ток с помощью приложенного напряжения, обеспечивая динамическую реконфигурацию, ‒ поясняет Херсам. ‒ Высокая степень настройки в одном устройстве позволяет нам выполнять сложные алгоритмы классификации, занимая мало места и потребляя мало энергии».

Для проведения испытаний было проведено обучение нейромодели по распознаванию ЭКГ на основе общедоступных наборов медицинских данных. Их интерпретация ‒ задача, которая обычно требует значительного времени от обученных медработников. Затем чип должен был классифицировать шесть типов сердечных сокращений: нормальные, предсердную экстрасистолию, преждевременное сокращение желудочков, кардиостимулятор, блокаду левой ножки пучка Гиса и блокаду правой ножки пучка Гиса.

Наноэлектронный удалец смог точно идентифицировать каждый тип аритмии из 10 000 образцов ЭКГ. Авторы поясняют это техническим языком: реконфигурируемая природа новых транзисторов в одной конструкции на гетеропереходе со смешанным ядром выдала «передаточную функцию, эквивалентную комплементарной схеме металл-оксид-полупроводник, состоящей из десятков транзисторов». Иными словами, подход обеспечивает более, чем десятикратное снижение (на самом деле – примерно в 100 раз) энергопотребления для алгоритмов классификации без потери их продуктивности.

Но у этой аппаратной новинки есть ещё одно важное преимущество: работая самостоятельно ‒ в обход облака ‒ она не только критически экономит время пациента, но и защищает конфиденциальность его личных сведений о состоянии здоровья.

«Каждый раз, когда данные передаются, увеличивается вероятность их кражи, ‒ акцентирует внимание профессор. ‒ Если личные медицинские данные обрабатываются локально (например, в часах на вашем запястье) это представляет гораздо меньший риск для безопасности. Таким образом, наше устройство улучшает конфиденциальность и снижает риск взлома».

Он предполагает, что его детище может быть включено в повседневные носимые датчики и гаджеты, персонализированные с учётом профиля здоровья каждого пользователя для применения, что называется, здесь и сейчас. Эти средства максимально повысят эффективность как использования данных, так и источников питания самих устройств.

«Инструменты искусственного интеллекта потребляют все большую долю энергосистемы, ‒ подытоживает Херсам. ‒ Это скользкая дорожка ‒ продолжать полагаться на обычное компьютерное оборудование».

Исследование «Реконфигурируемые гетеропереходные транзисторы со смешанным ядром для персонализированной классификации машин опорных векторов» было опубликовано 12 октября в журнале Nature Electronics.

АРМК, по материалам Северо-Западного университета.