Az energiahatékony tranzisztor lehetővé teszi az egészségügyi adatok mesterséges intelligencia elemzését a hordható eszközökön belül – Physics World

Egy új típusú tranzisztor átalakíthatja a személyes egészségfigyelést azáltal, hogy lehetővé teszi a mesterséges intelligencia (AI) számára a hordható eszközökön belüli adatok elemzését – anélkül, hogy a számítási felhőre támaszkodna.

A „kevert kernel heterojunction” (MKH) tranzisztorokat a kutatók fejlesztették ki Northwestern University, a Dél-Kaliforniai Egyetem munkatársaival együtt (USC). A hagyományos tranzisztorokkal ellentétben ezek nem szilícium alapúak. Ehelyett p-típusú anyaguk félvezető szén nanocsövek, míg az n-típusú anyag egy kémiai gőzleválasztással növesztett molibdén-diszulfid egyrétegű.

A kutatók MKH tranzisztoraikat felhasználva olyan nanoelektronikus mesterséges intelligenciarendszert hoztak létre, amely képes személyre szabott gépi tanulási (ML) algoritmusokat, úgynevezett kerneleket megvalósítani. Megmutatták, hogy a készülék nagy pontossággal képes osztályozni nagy adathalmazokat – például különböző típusú aritmiákat (szabálytalan szívveréseket) azonosítani az elektrokardiogramon (EKG) –.

Az adatok ilyen módon történő, hagyományos elektronikával történő kategorizálásához legalább 100 szilícium alapú tranzisztorra lenne szükség. Ezzel szemben a Northwestern MKH tranzisztorai közül mindössze kettőre van szükség. Ez nemcsak a hardver lábnyomát csökkenti drámaian, hanem sokkal kevesebb energiát is igényel, ami lehetővé teszi a rendszer beépítését a fogyasztói elektronikába, például az okosórákba.

„Eszközeink 100-szor energiahatékonyabbak, mint a hagyományos szilíciumelektronika az ML osztályozáshoz, például az aritmia észleléséhez az elektrokardiogram adataiban. Mivel eszközeink olyan hatékonyak, közvetlenül megvalósíthatók a viselhető elektronikai érzékelőkkel, így lehetővé válik az ML besorolás közvetlenül a hordható eszközökön” – mondja. Mark Hersam, a Northwestern McCormick School of Engineering-től, aki együtt vezette a projektet Han Wang az USC-től és Vinod Sangwan északnyugaton.

Ha ezt az MKH tranzisztor alapú elektronikát okosórákba és fitneszkövetőkbe illesztjük, az ilyen adatok távoli feldolgozását is megszüntetné az energiaéhes felhőadatközpontokban.

„Az AI és az ML algoritmusok energiatakarékosak, ha hagyományos szilíciumelektronikával valósítják meg” – mondja Hersam Fizika Világa. „Ez az energiahatékonyság az adatmennyiség növekedésével egyre rosszabb, ami azt jelenti, hogy az AI/ML fenntarthatatlan úton halad a hálózat energiájának jelentős hányadának elfogyasztása felé. Reméljük, hogy megoldjuk ezt a problémát új elektronikus eszközök kifejlesztésével, amelyek hatékonyabban tudják megvalósítani az AI/ML-t.”

Egy tanulmányban, amelyről beszámoltak Természeti elektronika, a kutatók kimutatták, hogy készülékük 95%-os pontossággal képes azonosítani hat különböző típusú szívverést – normál ritmust és öt aritmiát, beleértve a pitvari korai szívverést és a korai kamrai összehúzódást – egy 10,000 XNUMX EKG-tesztből álló adatkészletből.

Ilyen pontos eredményeket azért értek el, mert az új tranzisztorok „hűen utánozzák a vegyes kernel támogatási vektor gépeket a fokozott ML osztályozási pontosság érdekében” – magyarázza Hersam. A vegyes kernel-támogató vektorgépek a mesterséges intelligencia egyik típusa, amely képes osztályozni a bonyolult, többdimenziós adatkészleteket, például a sok különböző tulajdonsággal rendelkező biológiai adatokat. Ez ideálissá teszi az EKG-k és más személyes egészségügyi adatok elemzéséhez.

Ezen túlmenően, az MKH tranzisztorok újrakonfigurálása a rajtuk áthaladó áram erős modulálásával lehetővé teszi az AI pontosságának optimalizálását minden egyes páciensre. Ez megnyitja az utat a valós idejű, személyre szabott eredményekhez, amelyek javíthatják az egészségügyi eredményeket azáltal, hogy lehetővé teszik a korábbi orvosi beavatkozást, ha problémák merülnek fel. A felhasználók számára is előnyös lenne az érzékeny egészségügyi információik fokozott biztonsága, mivel nincs szükség arra, hogy adataikat elemzés céljából átadják a felhőből és a felhőből.

A szívverés észlelése az okosóra jeleiben nyer Fiziológiai mérés legjobb papír díját

A csapat célja most a tömeggyártási módszerek kifejlesztése és a tranzisztorok lehetséges felhasználási körének bővítése.

„Az MKH tranzisztorainkat laboratóriumi méretekben demonstrálták. A hordható eszközökben történő nagyszabású bevezetéshez skálázható gyártási módszerek kidolgozása szükséges, ami megfelelő befektetéssel néhány éven belül megvalósulhat. A jövőben az MKH tranzisztoraink méretezhető gyártásán fogunk dolgozni. Ezenkívül általánosítani fogjuk MKH tranzisztorjainkat más AI/ML alkalmazásokhoz” – mondja Hersam.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://physicsworld.com/a/energy-efficient-transistor-enables-ai-analysis-of-health-data-within-wearable-devices/