کاهش ۹۹ درصدی مصرف انرژی هوش مصنوعی با نسل جدید ترانزیستور‌ها

به گزارش خبرگزاری علم و فناوری آنا به نقل از نیواطلس، یادگیری ماشین هوش مصنوعی از قدرت محاسباتی و انرژی زیادی استفاده می‌کند که معمولا در فضای ابری انجام می‌شود؛ اما یک میکروترانزیستور جدید، ۱۰۰ برابر کارآمدتر از فناوری فعلی، نوید ارائه سطوح جدیدی از هوشمندی را به دستگاه‌های تلفن همراه و ابزار‌های پوشیدنی می‌دهد.

محققان دانشگاه نورث وسترن در مقاله‌ای که در مجله «نیچر الکترونیک» (Nature Electronics) منتشر شده است، دستگاه نانوالکترونیک جدید خود را ارائه کرده اند. این روش برای انجام وظیفه طبقه بندی - یعنی تجزیه و تحلیل مقادیر زیادی از داده‌ها و تلاش برای برچسب گذاری اطلاعات مهم - که ستون فقرات بسیاری از سیستم‌های یادگیری ماشین است، طراحی شده است.

مارک سی. هرسام نویسنده ارشد این مطالعه  از دانشگاه نورث وسترن می‌گوید: امروزه اکثر حسگر‌ها داده‌ها را جمع آوری می‌کنند و سپس آن‌ها را به فضای ابری می‌فرستند؛ جایی که تجزیه وتحلیل روی سرور‌های تشنه انرژی انجام می‌شود تا درنهایت نتایج به کاربر بازگردانده شود.

او می‌گوید: این روش فوق العاده گران است، انرژی قابل توجهی مصرف می‌کند و تاخیر زمانی دارد.  دستگاه ما آنقدر در مصرف انرژی کارآمد است که می‌توان آن را مستقیماً در وسایل الکترونیکی پوشیدنی برای شناسایی و پردازش داده‌ها در زمان واقعی مستقر کرد و مداخله سریع‌تری را برای موارد اضطراری بهداشتی ممکن می‌سازد.

در حالی که ترانزیستور‌های موجود از سیلیکون ساخته می‌شوند، این ترانزیستور‌های جدید از ورقه‌های دو بعدی دی سولفید مولیبدن و نانولوله‌های کربنی یک بعدی ساخته شده اند که به آن‌ها اجازه می‌دهد تا سریعاً تنظیم و پیکربندی شوند؛ بنابراین می‌توان از آن‌ها برای چندین مرحله در زنجیره پردازش داده استفاده کرد، جایی که ترانزیستور‌های سنتی فقط می‌توانند یک مرحله را انجام دهند.

هرسام توضیح می‌دهد: ادغام دو ماده متفاوت در یک دستگاه به ما اجازه می‌دهد تا شدت جریان را با ولتاژ‌های اعمال‌شده تعدیل کنیم و امکان پیکربندی مجدد دینامیکی را فراهم کنیم.

تشخیص ضربان‌های غیرطبیعی با ۹۹ درصد انرژی کمتر

در این آزمایش، «ترانزیستور‌های ناهمگون هسته مختلط» برای تجزیه و تحلیل مجموعه داده‌های نوار قلب در دسترس عموم و برچسب‌گذاری شش نوع مختلف ضربان قلب آموزش دیدند: ضربان طبیعی، ضربان زودرس دهلیزی، انقباض زودرس بطنی، ضربان گام دار، ضربان بلوک شاخه چپ و ضربان بلوک شاخه راست.

در میان ۱۰ هزار نمونه نوار قلب، محققان توانستند با استفاده از تنها دو عدد از این میکرو ترانزیستورها، ضربان‌های غیرطبیعی قلب را با دقت ۹۵ درصد به درستی طبقه بندی کنند؛ جایی که روش یادگیری ماشین فعلی به بیش از ۱۰۰ ترانزیستور سنتی نیاز داشت، این میکروترانزیستور‌ها حدود ۱ درصد انرژی مصرف می‌کردند.

وقتی این فناوری به تولید برسد دستگاه‌های موبایل کوچک، سبک و مجهز به باتری هوش لازم برای اجرای یک هوش مصنوعی یادگیری ماشینی را بر روی داده‌های حسگر خود به دست خواهند آورد. این بدان معنا خواهد بود که اگر آن‌ها مجبور شوند حجم زیادی از داده‌ها را برای تحلیل به فضای ابری بفرستند، نتایج را سریع‌تر از قبل پیدا خواهند کرد  و همچنین به این معنی است که داده‌های شخصی که آن‌ها روی شما جمع آوری می‌کنند، محلی، خصوصی و امن باقی خواهند ماند.

کاهش صدبرابری مصرف برق با میکروترانزیستور‌های جدید

هنوز مشخص نیست که آیا این تجهیزات صرفا برای دستگاه‌های قابل حمل کاربرد خواهند داشت یا می‌توانند داده‌های ویدئویی را مدیریت کنند یا به تجهیزات بزرگ‌تر یادگیری ماشین و هوش مصنوعی نفوذ کنند. برای مثال کاهش صد برابری مصرف برق یک گام بزرگ رو به جلو در آموزش مدل‌های بزرگ خواهد بود.

مصرف انرژی و انتشار گاز‌های گلخانه‌ای مرتبط، با هجوم شرکت‌ها در سراسر جهان برای آموزش مدل‌های زبانی و هوش مصنوعی چندوجهی، به شدت در حال افزایش است. حتی در سال ۲۰۲۱، ۱۰ تا ۱۵ درصد از کل بودجه انرژی گوگل صرف هوش مصنوعی شد و می‌توانید شرط ببندید که این درصد رشد قابل توجهی داشته است. شرکتی که تراشه‌هایی تولید می‌کند که می‌تواند با عملکرد کارت‌های هوش مصنوعی برتر انویدیا برابری کند، در حالی که از ۱ درصد انرژی استفاده می‌کند، ممکن است برای خودش خوب باشد.  

این تیم در بیانیه مطبوعاتی خود به صحبت درباره دستگاه‌های موبایل ادامه می‌دهد. با این حال، یک گام رو به جلو دیگر در هوش کامپیوتری که می‌تواند موج دیگری از دستگاه‌های هوشمندتر را باز کند.

این پژوهش در مجله نیچر الکترونیک در دسترس است.