Các kỹ sư tại Đại học Northwestern ở Mỹ đã phát minh ra một thiết kế transistor sáng tạo không chỉ cho phép thu nhỏ mà còn tăng đáng kể hiệu quả năng lượng của các tác vụ trí tuệ nhân tạo, giúp chúng tiết kiệm năng lượng hơn 100 lần. Bước đột phá này có thể khiến điện toán đám mây trở nên không cần thiết cho một số ứng dụng.
Tính phổ biến của công nghệ AI đã dẫn đến việc các công ty, cả lớn và nhỏ, tích hợp rộng rãi các tính năng hỗ trợ AI. Chip silicon đã trở thành động lực thúc đẩy cuộc cách mạng AI, với các công ty như Microsoft đầu tư mạnh mẽ vào cơ sở hạ tầng dựa trên đám mây để đáp ứng nhu cầu ngày càng tăng cao.
Tuy nhiên, Mark Hersam, giáo sư Khoa học Vật liệu tại Đại học Northwestern, nhấn mạnh đến bản chất tiêu tốn năng lượng của phương pháp tiếp cận dựa trên đám mây, nơi dữ liệu được thu thập, truyền đến đám mây để phân tích và sau đó kết quả được gửi lại cho người dùng. Ngược lại, việc xử lý dữ liệu cục bộ được chứng minh là tiết kiệm năng lượng hơn nhiều.
Sự chuyển đổi từ silicon
Để bắt đầu quá trình học máy, dữ liệu thu thập được phải được phân loại. Vì mỗi bóng bán dẫn silicon chỉ có thể xử lý một tác vụ xử lý dữ liệu nên các tập dữ liệu lớn hơn cần nhiều bóng bán dẫn hơn.
Để đáp ứng thách thức này, nhóm của Hersam đã chọn chuyển đổi khỏi silicon và sử dụng molybdenum disulfide hai chiều và ống nano carbon một chiều để tạo ra các bóng bán dẫn thu nhỏ. Các bóng bán dẫn mới này được thiết kế để có thể cấu hình lại, có khả năng thích ứng với các giai đoạn phân tích khác nhau.
Hersam giải thích: “Việc tích hợp hai vật liệu khác biệt vào một thiết bị cho phép chúng tôi điều tiết một cách mạnh mẽ dòng điện chảy qua với điện áp được áp dụng, cho phép tái cấu hình động.” Thiết kế mới giúp tăng hiệu quả sử dụng năng lượng của AI lên 100 lần.
Phương pháp này đã giảm đáng kể cả số lượng bóng bán dẫn cần thiết và mức tiêu thụ năng lượng, tạo điều kiện thuận lợi cho việc thu nhỏ phân tích xuống mức mà nó có thể được tích hợp trực tiếp vào các thiết bị có thể mang theo hàng ngày.
Phân tích nâng cao mà không cần đám mây
Để giới thiệu khả năng của thiết bị của mình, các nhà nghiên cứu đã sử dụng các tập dữ liệu y tế có sẵn công khai. Họ đã huấn luyện AI để giải thích dữ liệu điện tâm đồ (ECG), một nhiệm vụ thường đòi hỏi đào tạo chuyên sâu ngay cả đối với các chuyên gia y tế.
Thiết bị được giao nhiệm vụ phân loại dữ liệu thành sáu loại nhịp tim phổ biến bao gồm: nhịp bình thường, nhịp ngoại tâm thu thất, Ngoại tâm thu thất, nhịp tim điều khiển bằng xung điện, block nhánh trái và block nhánh phải. Nó đã hoàn thành thành công nhiệm vụ này với độ chính xác ấn tượng 95%.
Để hoàn thành một nhiệm vụ phức tạp như vậy bằng cách sử dụng bóng bán dẫn silicon thông thường sẽ cần ít nhất 100 bóng bán dẫn, nhưng các nhà nghiên cứu Northwestern đã đạt được điều này với chỉ hai thiết kế mới của họ.
Hersam cũng nhấn mạnh tầm quan trọng của việc xử lý dữ liệu cục bộ trong việc bảo vệ quyền riêng tư của bệnh nhân, nói rằng: “Mỗi lần dữ liệu được truyền xung quanh, khả năng dữ liệu bị đánh cắp sẽ tăng lên. Nếu dữ liệu sức khỏe cá nhân được xử lý cục bộ, chẳng hạn như trên cổ tay của bạn trong đồng hồ, thì điều đó cho thấy rủi ro bảo mật thấp hơn nhiều.”
Nhìn về tương lai, nhóm nghiên cứu dự đoán thiết bị của họ sẽ trở thành thành phần không thể thiếu của các thiết bị đeo hàng ngày, cung cấp năng lượng cho các ứng dụng thời gian thực mà không làm quá tải lưới điện.
(Theo Joseph Harris)
