आर्टिफिशियल इंटेलिजेंस मशीन लर्निंग के लिए बहुत अधिक कंप्यूटिंग शक्ति और ऊर्जा की आवश्यकता होती है, इसलिए यह आमतौर पर डेटा केंद्रों द्वारा समर्थित क्लाउड में पूरा किया जाता है। लेकिन एक नए प्रकार का माइक्रोट्रांसिस्टर मौजूदा तकनीक की तुलना में 100 गुना अधिक ऊर्जा कुशल है, जो मोबाइल और पहनने योग्य उपकरणों के लिए एक नए स्तर की बुद्धिमत्ता का वादा करता है। नॉर्थवेस्टर्न यूनिवर्सिटी के शोधकर्ताओं ने नेचर इलेक्ट्रॉनिक्स जर्नल में एक पेपर प्रकाशित किया जिसमें उनके नए नैनोइलेक्ट्रॉनिक डिवाइस का वर्णन किया गया है। इसे वर्गीकरण कार्यों को करने के लिए डिज़ाइन किया गया है, यानी बड़ी मात्रा में डेटा का विश्लेषण करना और महत्वपूर्ण बिट्स को लेबल करने का प्रयास करना, जो कई मशीन लर्निंग सिस्टम की रीढ़ है।
अध्ययन के वरिष्ठ लेखक, नॉर्थवेस्टर्न यूनिवर्सिटी के मार्क सी. हर्सम ने कहा: "आज, अधिकांश सेंसर डेटा एकत्र करते हैं, फिर इसे क्लाउड पर भेजते हैं, ऊर्जा-भूखे सर्वर द्वारा इसका विश्लेषण करते हैं, और अंत में परिणाम उपयोगकर्ता को वापस भेजते हैं। यह दृष्टिकोण अत्यधिक महंगा है, भारी मात्रा में ऊर्जा की खपत करता है, और समय में देरी जोड़ता है। हमारा उपकरण बहुत ऊर्जा-कुशल है और इसे वास्तविक समय में पता लगाने और डेटा प्रोसेसिंग के लिए सीधे पहनने योग्य इलेक्ट्रॉनिक्स में तैनात किया जा सकता है, जिससे स्वास्थ्य आपात स्थितियों में अधिक तेजी से हस्तक्षेप की अनुमति मिलती है।"
जबकि मौजूदा ट्रांजिस्टर आमतौर पर सिलिकॉन से बने होते हैं, ये नए ट्रांजिस्टर मोलिब्डेनम डाइसल्फ़ाइड की दो-आयामी शीट और एक-आयामी कार्बन नैनोट्यूब से बने होते हैं। इस ट्रांजिस्टर की संरचना इसे तुरंत समायोजित और पुन: कॉन्फ़िगर करने की अनुमति देती है, इसलिए इसका उपयोग डेटा प्रोसेसिंग श्रृंखला में कई चरणों के लिए किया जा सकता है, जबकि पारंपरिक ट्रांजिस्टर प्रत्येक चरण का केवल एक चरण ही कर सकते हैं।
हेसाम ने बताया, "एक ही डिवाइस में दो अलग-अलग सामग्रियों को एकीकृत करने से हमें एक लागू वोल्टेज का उपयोग करके वर्तमान प्रवाह के मजबूत मॉड्यूलेशन को प्राप्त करने की अनुमति मिलती है, जिससे गतिशील पुनर्संरचना की अनुमति मिलती है।" "एकल डिवाइस की उच्च ट्यूनेबिलिटी हमें छोटे पदचिह्न और कम ऊर्जा खपत के साथ जटिल वर्गीकरण एल्गोरिदम निष्पादित करने की अनुमति देती है।"
परीक्षणों में, शोधकर्ताओं ने सार्वजनिक रूप से उपलब्ध इलेक्ट्रोकार्डियोग्राम डेटा सेट का विश्लेषण करने और छह अलग-अलग प्रकार की दिल की धड़कनों को लेबल करने के लिए इन छोटे "हाइब्रिड-कोर हेटेरोजंक्शन ट्रांजिस्टर" को प्रशिक्षित किया: सामान्य, समयपूर्व एट्रियल कॉम्प्लेक्स, समयपूर्व वेंट्रिकुलर कॉम्प्लेक्स, पेसमेकर, बाएं बंडल शाखा ब्लॉक, और दाएं बंडल शाखा ब्लॉक।
परिणामस्वरूप, 10,000 इलेक्ट्रोकार्डियोग्राम नमूनों में, शोधकर्ताओं ने 95% सटीकता के साथ असामान्य दिल की धड़कन को सही ढंग से वर्गीकृत करने के लिए केवल दो माइक्रो-ट्रांजिस्टर का उपयोग किया, जबकि वर्तमान मशीन सीखने के तरीकों के लिए 100 से अधिक पारंपरिक ट्रांजिस्टर की आवश्यकता होती है, और वे पारंपरिक तरीकों की केवल 1% ऊर्जा का उपयोग करते हैं।
इसका क्या मतलब है? एक बार जब यह तकनीक उत्पादन में प्रवेश कर जाती है - यह अभी तक ज्ञात नहीं है - छोटे, हल्के, बैटरी से चलने वाले मोबाइल डिवाइस अपने स्वयं के सेंसर डेटा पर मशीन लर्निंग आर्टिफिशियल इंटेलिजेंस चलाने की बुद्धिमत्ता हासिल कर लेंगे। इसका मतलब यह है कि वे उन उपकरणों की तुलना में तेजी से परिणाम पाएंगे जिन्हें विश्लेषण के लिए डेटा का बड़ा हिस्सा क्लाउड पर भेजना पड़ता है, लेकिन इसका मतलब यह भी है कि उनके द्वारा एकत्र किया गया व्यक्तिगत डेटा स्थानीय, निजी और सुरक्षित रहेगा।
यह स्पष्ट नहीं है कि क्या यह उपकरण केवल पोर्टेबल उपकरणों के लिए उपयुक्त है या क्या यह वीडियो डेटा संसाधित कर सकता है, या क्या यह काम बड़े मशीन लर्निंग और कृत्रिम बुद्धिमत्ता उपकरणों तक सीमित हो सकता है। उदाहरण के लिए, बिजली की खपत में 100 गुना की कमी बड़े मॉडल प्रशिक्षण में एक बड़ा सुधार होगा।
जैसे-जैसे वैश्विक उद्यम बहुत बड़े भाषा मॉडल और मल्टीमॉडल कृत्रिम बुद्धिमत्ता को प्रशिक्षित करने के लिए दौड़ रहे हैं, ऊर्जा की खपत और संबंधित उत्सर्जन बढ़ रहे हैं। 2021 में भी, Google के संपूर्ण ऊर्जा बजट का 10-15% कृत्रिम बुद्धिमत्ता पर खर्च किया जाता है, और निश्चित रूप से, यह अनुपात काफी बढ़ गया है। यदि कोई कंपनी ऐसी चिप बनाती है जो NVIDIA की केवल 1% ऊर्जा का उपयोग करते हुए NVIDIA के शीर्ष AI कार्ड के प्रदर्शन से मेल खा सकती है, तो वह कंपनी संभवतः अच्छा प्रदर्शन करेगी।
यह असंभावित लगता है; टीम अपनी प्रेस विज्ञप्ति में मोबाइल उपकरणों के बारे में बात करने पर जोर देती है। हालाँकि, कंप्यूटर इंटेलिजेंस ने एक और कदम आगे बढ़ाया है और स्मार्ट उपकरणों की एक और लहर की शुरुआत हो सकती है। परिवर्तन की गति लगातार तेज हो रही है।
यह शोध नेचर इलेक्ट्रॉनिक्स जर्नल में प्रकाशित हुआ था।