El aprendizaje automático con inteligencia artificial requiere mucha potencia y energía informática, por lo que generalmente se completa en la nube con el respaldo de centros de datos. Pero un nuevo tipo de microtransistor es 100 veces más eficiente energéticamente que la tecnología existente, lo que promete un nuevo nivel de inteligencia para dispositivos móviles y portátiles. Investigadores de la Universidad Northwestern publicaron un artículo en la revista Nature Electronics describiendo su nuevo dispositivo nanoelectrónico. Está diseñado para realizar tareas de clasificación, es decir, analizar grandes cantidades de datos e intentar etiquetar bits importantes, que es la columna vertebral de muchos sistemas de aprendizaje automático.
Mark C. Hersam de la Universidad Northwestern, autor principal del estudio, dijo: "Hoy en día, la mayoría de los sensores recopilan datos, luego los envían a la nube, los analizan mediante servidores que consumen mucha energía y finalmente envían los resultados al usuario. Este enfoque es prohibitivamente costoso, consume enormes cantidades de energía y agrega demoras. Nuestro dispositivo es muy eficiente desde el punto de vista energético y se puede implementar directamente en dispositivos electrónicos portátiles para la detección y el procesamiento de datos en tiempo real, lo que permite una intervención más rápida en emergencias de salud".
Mientras que los transistores existentes suelen estar hechos de silicio, estos nuevos transistores están hechos de láminas bidimensionales de disulfuro de molibdeno y nanotubos de carbono unidimensionales. La estructura de este transistor permite ajustarlo y reconfigurarlo rápidamente sobre la marcha, por lo que puede usarse para múltiples pasos en la cadena de procesamiento de datos, mientras que los transistores tradicionales solo pueden realizar un paso de cada paso.
"La integración de dos materiales diferentes en un solo dispositivo nos permite lograr una fuerte modulación del flujo de corriente utilizando un voltaje aplicado, lo que permite una reconfigurabilidad dinámica", explicó Hessam. "La alta capacidad de ajuste de un solo dispositivo nos permite realizar algoritmos de clasificación complejos con un tamaño reducido y un bajo consumo de energía".
En las pruebas, los investigadores entrenaron estos pequeños "transistores de heterounión de núcleo híbrido" para analizar conjuntos de datos de electrocardiogramas disponibles públicamente y etiquetar seis tipos diferentes de latidos cardíacos: normal, complejo auricular prematuro, complejo ventricular prematuro, marcapasos, bloqueo de rama izquierda y bloqueo de rama derecha.
Como resultado, en 10.000 muestras de electrocardiograma, los investigadores utilizaron sólo dos microtransistores para clasificar correctamente los latidos cardíacos anormales con una precisión del 95%, mientras que los métodos actuales de aprendizaje automático requieren más de 100 transistores tradicionales y utilizan sólo el 1% de la energía de los métodos tradicionales.
¿qué significa eso? Una vez que esta tecnología entre en producción (aún no se sabe cuándo), los dispositivos móviles pequeños, livianos y alimentados por baterías obtendrán la inteligencia necesaria para ejecutar inteligencia artificial de aprendizaje automático con los datos de sus propios sensores. Esto significa que encontrarán resultados más rápido que los dispositivos que tienen que enviar grandes cantidades de datos a la nube para su análisis, pero también significa que los datos personales que recopilen permanecerán locales, privados y seguros.
No está claro si el dispositivo sólo es adecuado para dispositivos portátiles o si puede procesar datos de vídeo, o si el trabajo puede llegar a dispositivos más grandes de aprendizaje automático e inteligencia artificial. Por ejemplo, una reducción de 100 veces en el consumo de energía sería una mejora importante en el entrenamiento de modelos grandes.
A medida que las empresas globales se apresuran a entrenar modelos lingüísticos muy grandes e inteligencia artificial multimodal, el consumo de energía y las emisiones relacionadas se están disparando. Incluso en 2021, entre el 10% y el 15% de todo el presupuesto energético de Google se gasta en inteligencia artificial y, sin duda, esta proporción ha aumentado significativamente. Si una empresa fabrica un chip que puede igualar el rendimiento de las mejores tarjetas de inteligencia artificial de NVIDIA mientras utiliza solo el 1% de la energía de NVIDIA, a esa empresa probablemente le irá bien.
Eso parece poco probable; El equipo insiste en hablar de dispositivos móviles en su nota de prensa. Sin embargo, la inteligencia informática ha dado un paso más y puede marcar el comienzo de otra ola de dispositivos más inteligentes. El ritmo del cambio continúa acelerándose.
La investigación fue publicada en la revista Nature Electronics.