یادگیری ماشین هوش مصنوعی از قدرت و انرژی محاسباتی زیادی استفاده می کند که معمولاً در فضای ابری انجام می شود. اما یک میکرو ترانزیستور جدید، ۱۰۰ برابر کارآمدتر از فناوری فعلی، نوید ارائه سطوح جدیدی از هوشمندی را به دستگاه های تلفن همراه و پوشیدنی می دهد.
محققان دانشگاه نورث وسترن در مقاله ای که در مجله Nature Electronics منتشر شده است، دستگاه نانو الکترونیکی جدید خود را ارائه کرده اند. این برای انجام وظیفه طبقه بندی طراحی شده است – یعنی تجزیه و تحلیل مقادیر زیادی از داده ها و تلاش برای برچسب زدن اطلاعات مهم – که ستون فقرات بسیاری از سیستم های یادگیری ماشین است.
مارک سی. هرسام، نویسنده ارشد این مطالعه می‌گوید: «امروزه، بیشتر حسگرها داده‌ها را جمع‌آوری می‌کنند و سپس آنها را به ابر ارسال می‌کنند، جایی که تجزیه و تحلیل روی سرورهای تشنه انرژی قبل از ارسال نتایج به کاربر انجام می‌شود. «این رویکرد فوق‌العاده گران است، انرژی قابل توجهی مصرف می‌کند و تأخیر زمانی اضافه می‌کند. دستگاه ما آنقدر در مصرف انرژی کارآمد است که می‌توان آن را مستقیماً در وسایل الکترونیکی پوشیدنی برای شناسایی و پردازش داده‌ها در زمان واقعی مستقر کرد و مداخله سریع‌تری را برای موارد اضطراری بهداشتی ممکن می‌سازد.
در جایی که ترانزیستورهای موجود تمایل دارند از سیلیکون ساخته شوند، این ترانزیستورهای جدید از ورقه های دو بعدی دی سولفید مولیبدن و نانولوله های کربنی یک بعدی ساخته شده اند. ساخت آنها به آنها اجازه می دهد تا سریعاً تنظیم و پیکربندی شوند، بنابراین می توان از آنها برای چندین مرحله در زنجیره پردازش داده استفاده کرد، جایی که ترانزیستورهای سنتی فقط می توانند یک مرحله را انجام دهند.
هرسام توضیح می‌دهد: «ادغام دو ماده متفاوت در یک دستگاه به ما این امکان را می‌دهد که به شدت جریان جریان را با ولتاژهای اعمال‌شده تعدیل کنیم و امکان پیکربندی مجدد دینامیکی را فراهم کنیم».
در آزمایش، این «ترانزیستورهای ناهمگون هسته مختلط» برای تجزیه و تحلیل مجموعه داده‌های ECG در دسترس عموم و برچسب‌گذاری شش نوع مختلف ضربان قلب آموزش دیدند: ضربان طبیعی، ضربان زودرس دهلیزی، انقباض زودرس بطنی، ضربان گام دار، ضربان بلوک شاخه چپ و ضربان بلوک شاخه راست.
در بین ۱۰۰۰۰ نمونه ECG، محققان توانستند ضربان قلب غیرطبیعی را با دقت ۹۵ درصد به درستی با استفاده از دو مورد از این میکرو ترانزیستورها طبقه بندی کنند، جایی که رویکرد یادگیری ماشین فعلی به بیش از ۱۰۰ ترانزیستور سنتی نیاز دارد و آنها حدود ۱٪ انرژی را مصرف می کنند. .
خوب، به این معنی است که هنگامی که این فناوری به تولید برسد دستگاه های تلفن همراه کوچک، سبک وزن، هوش لازم برای اجرای یک هوش مصنوعی یادگیری ماشینی را بر روی داده های حسگر خود به دست خواهند آورد. این بدان معناست که آنها نتایج را سریع‌تر از زمانی که مجبور شوند تکه‌هایی از داده‌ها را برای تجزیه و تحلیل به ابر ارسال کنند، پیدا می‌کنند و همچنین به این معنی است که داده‌های شخصی که از شما جمع‌آوری می‌کنند محلی، خصوصی و امن می‌مانند.
مشخص نیست که آیا این ابزار دقیقاً برای دستگاه‌های قابل حمل مفید خواهد بود یا اینکه می‌تواند داده‌های ویدیویی را مدیریت کند یا اینکه این کار می‌تواند به تجهیزات یادگیری ماشینی و هوش مصنوعی بزرگ‌تر وارد شود. به عنوان مثال، کاهش صد برابری در مصرف برق یک گام بزرگ به جلو در آموزش مدل های بزرگ خواهد بود.
با عجله شرکت‌ها در سراسر جهان برای آموزش مدل‌های زبانی بسیار بزرگ و هوش مصنوعی چندوجهی، استفاده از انرژی و انتشار گازهای گلخانه‌ای مرتبط با آن به شدت در حال افزایش است. حتی در سال ۲۰۲۱، ۱۰ تا ۱۵ درصد از کل بودجه انرژی گوگل صرف هوش مصنوعی می شد و می توانید شرط ببندید که این درصد رشد قابل توجهی داشته است. شرکتی که تراشه‌هایی تولید می‌کند که می‌تواند با عملکرد کارت‌های هوش مصنوعی برتر nVidia برابری کند، در حالی که از ۱٪ انرژی استفاده می‌کند، ممکن است برای خودش خوب باشد.
این تیم در بیانیه مطبوعاتی خود در مورد دستگاه های تلفن همراه صحبت می کند. با این حال، یک گام دیگر به جلو در هوش کامپیوتری که می تواند موج دیگری از دستگاه های هوشمندتر را باز کند.
محققان دانشگاه نورث وسترن در مقاله ای که در مجله Nature Electronics منتشر شده است، دستگاه نانو الکترونیکی جدید خود را ارائه کرده اند. این برای انجام وظیفه طبقه بندی طراحی شده است – یعنی تجزیه و تحلیل مقادیر زیادی از داده ها و تلاش برای برچسب زدن اطلاعات مهم – که ستون فقرات بسیاری از سیستم های یادگیری ماشین است.
مارک سی. هرسام، نویسنده ارشد این مطالعه می‌گوید: «امروزه، بیشتر حسگرها داده‌ها را جمع‌آوری می‌کنند و سپس آنها را به ابر ارسال می‌کنند، جایی که تجزیه و تحلیل روی سرورهای تشنه انرژی قبل از ارسال نتایج به کاربر انجام می‌شود. «این رویکرد فوق‌العاده گران است، انرژی قابل توجهی مصرف می‌کند و تأخیر زمانی اضافه می‌کند. دستگاه ما آنقدر در مصرف انرژی کارآمد است که می‌توان آن را مستقیماً در وسایل الکترونیکی پوشیدنی برای شناسایی و پردازش داده‌ها در زمان واقعی مستقر کرد و مداخله سریع‌تری را برای موارد اضطراری بهداشتی ممکن می‌سازد.
در جایی که ترانزیستورهای موجود تمایل دارند از سیلیکون ساخته شوند، این ترانزیستورهای جدید از ورقه های دو بعدی دی سولفید مولیبدن و نانولوله های کربنی یک بعدی ساخته شده اند. ساخت آنها به آنها اجازه می دهد تا سریعاً تنظیم و پیکربندی شوند، بنابراین می توان از آنها برای چندین مرحله در زنجیره پردازش داده استفاده کرد، جایی که ترانزیستورهای سنتی فقط می توانند یک مرحله را انجام دهند.
هرسام توضیح می‌دهد: «ادغام دو ماده متفاوت در یک دستگاه به ما این امکان را می‌دهد که به شدت جریان جریان را با ولتاژهای اعمال‌شده تعدیل کنیم و امکان پیکربندی مجدد دینامیکی را فراهم کنیم».
در آزمایش، این «ترانزیستورهای ناهمگون هسته مختلط» برای تجزیه و تحلیل مجموعه داده‌های ECG در دسترس عموم و برچسب‌گذاری شش نوع مختلف ضربان قلب آموزش دیدند: ضربان طبیعی، ضربان زودرس دهلیزی، انقباض زودرس بطنی، ضربان گام دار، ضربان بلوک شاخه چپ و ضربان بلوک شاخه راست.
در بین ۱۰۰۰۰ نمونه ECG، محققان توانستند ضربان قلب غیرطبیعی را با دقت ۹۵ درصد به درستی با استفاده از دو مورد از این میکرو ترانزیستورها طبقه بندی کنند، جایی که رویکرد یادگیری ماشین فعلی به بیش از ۱۰۰ ترانزیستور سنتی نیاز دارد و آنها حدود ۱٪ انرژی را مصرف می کنند. .
خوب، به این معنی است که هنگامی که این فناوری به تولید برسد دستگاه های تلفن همراه کوچک، سبک وزن، هوش لازم برای اجرای یک هوش مصنوعی یادگیری ماشینی را بر روی داده های حسگر خود به دست خواهند آورد. این بدان معناست که آنها نتایج را سریع‌تر از زمانی که مجبور شوند تکه‌هایی از داده‌ها را برای تجزیه و تحلیل به ابر ارسال کنند، پیدا می‌کنند و همچنین به این معنی است که داده‌های شخصی که از شما جمع‌آوری می‌کنند محلی، خصوصی و امن می‌مانند.
مشخص نیست که آیا این ابزار دقیقاً برای دستگاه‌های قابل حمل مفید خواهد بود یا اینکه می‌تواند داده‌های ویدیویی را مدیریت کند یا اینکه این کار می‌تواند به تجهیزات یادگیری ماشینی و هوش مصنوعی بزرگ‌تر وارد شود. به عنوان مثال، کاهش صد برابری در مصرف برق یک گام بزرگ به جلو در آموزش مدل های بزرگ خواهد بود.
با عجله شرکت‌ها در سراسر جهان برای آموزش مدل‌های زبانی بسیار بزرگ و هوش مصنوعی چندوجهی، استفاده از انرژی و انتشار گازهای گلخانه‌ای مرتبط با آن به شدت در حال افزایش است. حتی در سال ۲۰۲۱، ۱۰ تا ۱۵ درصد از کل بودجه انرژی گوگل صرف هوش مصنوعی می شد و می توانید شرط ببندید که این درصد رشد قابل توجهی داشته است. شرکتی که تراشه‌هایی تولید می‌کند که می‌تواند با عملکرد کارت‌های هوش مصنوعی برتر nVidia برابری کند، در حالی که از ۱٪ انرژی استفاده می‌کند، ممکن است برای خودش خوب باشد.
این تیم در بیانیه مطبوعاتی خود در مورد دستگاه های تلفن همراه صحبت می کند. با این حال، یک گام دیگر به جلو در هوش کامپیوتری که می تواند موج دیگری از دستگاه های هوشمندتر را باز کند.
این تحقیق در مجله Nature Electronics موجود است.
