Maschinelles Lernen mit künstlicher Intelligenz erfordert viel Rechenleistung und Energie und wird daher normalerweise in der Cloud mit Unterstützung von Rechenzentren durchgeführt. Doch ein neuer Mikrotransistortyp ist 100-mal energieeffizienter als die bestehende Technologie und verspricht ein neues Maß an Intelligenz für mobile und tragbare Geräte. Forscher der Northwestern University veröffentlichten in der Zeitschrift Nature Electronics einen Artikel, in dem sie ihr neues nanoelektronisches Gerät beschreiben. Es dient der Durchführung von Klassifizierungsaufgaben, d. h. der Analyse großer Datenmengen und dem Versuch, wichtige Teile zu kennzeichnen, was das Rückgrat vieler maschineller Lernsysteme darstellt.
Mark C. Hersam von der Northwestern University, leitender Autor der Studie, sagte: „Heutzutage sammeln die meisten Sensoren Daten, senden sie dann an die Cloud, analysieren sie von energiehungrigen Servern und senden die Ergebnisse schließlich an den Benutzer zurück. Dieser Ansatz ist unerschwinglich teuer, verbraucht große Mengen an Energie und führt zu Zeitverzögerungen. Unser Gerät ist sehr energieeffizient und kann direkt in tragbarer Elektronik zur Echtzeiterkennung und Datenverarbeitung eingesetzt werden, was eine schnellere Intervention bei Gesundheitsnotfällen ermöglicht.“
Während bestehende Transistoren typischerweise aus Silizium bestehen, bestehen diese neuen Transistoren aus zweidimensionalen Schichten aus Molybdändisulfid und eindimensionalen Kohlenstoffnanoröhren. Die Struktur dieses Transistors ermöglicht eine schnelle Anpassung und Neukonfiguration im laufenden Betrieb, sodass er für mehrere Schritte in der Datenverarbeitungskette verwendet werden kann, während herkömmliche Transistoren nur einen Schritt jedes Schritts ausführen können.
„Durch die Integration zweier verschiedener Materialien in ein einziges Gerät können wir eine starke Modulation des Stromflusses mithilfe einer angelegten Spannung erreichen und so eine dynamische Rekonfigurierbarkeit ermöglichen“, erklärte Hessam. „Die hohe Abstimmbarkeit eines einzelnen Geräts ermöglicht es uns, komplexe Klassifizierungsalgorithmen mit geringem Platzbedarf und geringem Energieverbrauch durchzuführen.“
In Tests trainierten die Forscher diese winzigen „Hybrid-Core-Heterojunction-Transistoren“, um öffentlich verfügbare Elektrokardiogramm-Datensätze zu analysieren und sechs verschiedene Arten von Herzschlägen zu kennzeichnen: normal, vorzeitiger Vorhofkomplex, vorzeitiger Ventrikelkomplex, Herzschrittmacher, Linksschenkelblock und Rechtsschenkelblock.
Infolgedessen verwendeten die Forscher in 10.000 Elektrokardiogrammproben nur zwei Mikrotransistoren, um abnormale Herzschläge mit einer Genauigkeit von 95 % korrekt zu klassifizieren, während aktuelle Methoden des maschinellen Lernens mehr als 100 herkömmliche Transistoren erfordern und nur 1 % der Energie herkömmlicher Methoden verbrauchen.
was bedeutet das? Sobald diese Technologie in Produktion geht – es ist noch nicht bekannt, wann – werden kleine, leichte, batteriebetriebene mobile Geräte die Intelligenz erhalten, maschinelles Lernen mit künstlicher Intelligenz auf ihren eigenen Sensordaten auszuführen. Das bedeutet, dass sie Ergebnisse schneller finden als Geräte, die Datenblöcke zur Analyse in die Cloud senden müssen, aber es bedeutet auch, dass die von ihnen erfassten persönlichen Daten lokal, privat und sicher bleiben.
Es ist unklar, ob das Gerät nur für tragbare Geräte geeignet ist oder Videodaten verarbeiten kann oder ob die Arbeit auf größere Geräte für maschinelles Lernen und künstliche Intelligenz übertragen werden kann. Beispielsweise wäre eine 100-fache Reduzierung des Stromverbrauchs eine wesentliche Verbesserung beim Training großer Modelle.
Da globale Unternehmen sich beeilen, sehr große Sprachmodelle und multimodale künstliche Intelligenz zu trainieren, steigen der Energieverbrauch und die damit verbundenen Emissionen sprunghaft an. Selbst im Jahr 2021 werden 10–15 % des gesamten Energiebudgets von Google für künstliche Intelligenz ausgegeben, und dieser Anteil ist freilich deutlich gestiegen. Wenn ein Unternehmen einen Chip herstellt, der mit der Leistung der besten KI-Karten von NVIDIA mithalten kann und dabei nur 1 % der Energie von NVIDIA verbraucht, wird es diesem Unternehmen wahrscheinlich gut gehen.
Das scheint unwahrscheinlich; Das Team besteht darauf, in seiner Pressemitteilung über mobile Geräte zu sprechen. Die Computerintelligenz hat jedoch einen weiteren Schritt nach vorne gemacht und könnte eine weitere Welle intelligenterer Geräte einleiten. Das Tempo des Wandels nimmt immer weiter zu.
Die Forschung wurde in der Zeitschrift Nature Electronics veröffentlicht.