[ad_1]
Los ingenieros de la Universidad Northwestern han desarrollado un nuevo dispositivo nanoelectrónico que puede realizar tareas precisas de clasificación de aprendizaje automático de la manera más eficiente desde el punto de vista energético hasta el momento. El dispositivo utiliza 100 veces menos energía que las tecnologías actuales y puede procesar grandes cantidades de datos y realizar tareas de inteligencia artificial (IA) en tiempo real sin transferir datos a la nube para su análisis.
Debido a su pequeño tamaño, su consumo de energía ultrabajo y su ausencia de demoras en la recepción de análisis, el dispositivo es ideal para la integración directa en dispositivos electrónicos portátiles (por ejemplo, relojes inteligentes y rastreadores de actividad física) para el procesamiento de datos en tiempo real y diagnósticos casi instantáneos. .
Para probar el concepto, los ingenieros utilizaron el dispositivo para clasificar grandes cantidades de información de conjuntos de datos de electrocardiogramas (ECG) disponibles públicamente. El dispositivo no sólo pudo identificar de manera eficiente y correcta un latido cardíaco irregular, sino también determinar el subtipo de arritmia entre seis categorías diferentes con una precisión de casi el 95%.
La investigación fue publicada hoy (12 de octubre) en la revista Nature Electronics.
«Hoy en día, la mayoría de los sensores recopilan datos y luego los envían a la nube, donde el análisis se realiza en servidores que consumen mucha energía antes de que los resultados finalmente se envíen al usuario». dijo Mark C. Hersam de Northwestern, autor principal del estudio. “Este enfoque es increíblemente costoso, consume mucha energía e introduce un desfase temporal. Nuestro dispositivo es tan eficiente energéticamente que se puede implementar directamente en dispositivos electrónicos portátiles para la detección y el procesamiento de datos en tiempo real, lo que permite una respuesta más rápida a las emergencias sanitarias”.
Hersam, experto en nanotecnología, es profesor Walter P. Murphy de ciencia e ingeniería de materiales en la Escuela de Ingeniería McCormick de Northwestern. También es presidente del Departamento de Ciencia e Ingeniería de Materiales, director del Centro de Investigación de Ciencia e Ingeniería de Materiales y miembro del Instituto Internacional de Nanotecnología. Hersam dirigió la investigación con Han Wang, profesor de la Universidad del Sur de California, y Vinod Sangwan, profesor asistente de investigación en Northwestern.
Antes de que las herramientas de aprendizaje automático puedan analizar nuevos datos, estas herramientas primero deben clasificar de manera precisa y confiable los datos de entrenamiento en diferentes categorías. Por ejemplo, si una herramienta clasifica fotografías por color, necesita reconocer qué fotografías son rojas, amarillas o azules para poder clasificarlas con precisión. Una tarea fácil para un humano, sí, pero complicada (y que requiere mucha energía) para una máquina.
Las tecnologías actuales basadas en silicio para categorizar datos de grandes volúmenes, como los ECG, requieren más de 100 transistores, cada uno de los cuales requiere su propia energía para funcionar. Pero el dispositivo nanoelectrónico de Northwestern puede realizar la misma clasificación de aprendizaje automático con sólo dos dispositivos. Al reducir la cantidad de dispositivos, los investigadores pudieron reducir drásticamente el consumo de energía y crear un dispositivo mucho más pequeño que se puede integrar en un dispositivo portátil estándar.
El secreto del nuevo dispositivo es su capacidad de ajuste sin precedentes, resultado de una mezcla de materiales. Mientras que las tecnologías convencionales utilizan silicio, los investigadores construyeron transistores miniaturizados a partir de disulfuro de molibdeno bidimensional y nanotubos de carbono unidimensionales. Entonces, en lugar de requerir muchos transistores de silicio (uno para cada paso del procesamiento de datos), los transistores reconfigurables son lo suficientemente dinámicos como para cambiar entre diferentes pasos.
«La integración de dos materiales diferentes en un dispositivo nos permite modular fuertemente el flujo de corriente con voltajes aplicados, lo que permite la reconfigurabilidad dinámica». Dijo Hersam. «Un alto nivel de capacidad de ajuste en un solo dispositivo nos permite realizar algoritmos de clasificación sofisticados con un tamaño reducido y un bajo consumo de energía».
Para probar el dispositivo, los investigadores utilizaron conjuntos de datos médicos disponibles públicamente. Primero entrenaron el dispositivo para interpretar datos de ECG, una tarea que normalmente lleva mucho tiempo a los profesionales sanitarios capacitados. Luego pidieron al dispositivo que clasificara seis tipos de latidos cardíacos: normal, latido auricular prematuro, contracción ventricular prematura, latido estimulado, latido de bloqueo de rama izquierda y latido de bloqueo de rama derecha.
El dispositivo nanoelectrónico pudo identificar con precisión cada tipo de arritmia a partir de 10.000 muestras de ECG. Al evitar la necesidad de enviar datos a la nube, el dispositivo no solo ahorra un tiempo importante al paciente sino que también protege la privacidad.
«Cada vez que se comparten datos, aumenta la probabilidad de que sean robados». Dijo Hersam. «Cuando los datos personales de salud se procesan localmente, como en la muñeca del reloj, supone un riesgo de seguridad mucho menor. De esta manera, nuestro dispositivo mejora la privacidad y reduce el riesgo de una infracción».
Hersam prevé que estos dispositivos nanoelectrónicos podrían eventualmente integrarse en dispositivos portátiles cotidianos, personalizados para aplicaciones en tiempo real según el perfil de salud de cada usuario. Permitirían a las personas aprovechar al máximo los datos que ya han recopilado sin consumir electricidad.
«Las herramientas de inteligencia artificial están consumiendo una porción cada vez mayor de la red eléctrica». Dijo Hersam. «Es un camino insostenible si seguimos dependiendo del hardware informático tradicional».
El estudio, «Transistores de heterounión de núcleo mixto reconfigurables para la clasificación personalizada de máquinas de vectores de soporte». contó con el apoyo del Departamento de Energía de EE. UU., la Fundación Nacional de Ciencias y la Oficina de Investigación del Ejército.
Fuente: https://www.northwestern.edu/
[ad_2]