L'apprentissage automatique de l'intelligence artificielle nécessite beaucoup de puissance de calcul et d'énergie, il est donc généralement réalisé dans le cloud pris en charge par des centres de données. Mais un nouveau type de microtransistor est 100 fois plus économe en énergie que la technologie existante, promettant un nouveau niveau d'intelligence pour les appareils mobiles et portables. Des chercheurs de l'Université Northwestern ont publié un article dans la revue Nature Electronics décrivant leur nouveau dispositif nanoélectronique. Il est conçu pour effectuer des tâches de classification, c'est-à-dire analyser de grandes quantités de données et essayer d'étiqueter les bits importants, ce qui constitue l'épine dorsale de nombreux systèmes d'apprentissage automatique.
Mark C. Hersam de l'Université Northwestern, auteur principal de l'étude, a déclaré : « Aujourd'hui, la plupart des capteurs collectent des données, puis les envoient vers le cloud, les analysent par des serveurs énergivores et renvoient finalement les résultats à l'utilisateur.
Alors que les transistors existants sont généralement fabriqués à partir de silicium, ces nouveaux transistors sont constitués de feuilles bidimensionnelles de bisulfure de molybdène et de nanotubes de carbone unidimensionnels. La structure de ce transistor lui permet d'être rapidement ajusté et reconfiguré à la volée, de sorte qu'il peut être utilisé pour plusieurs étapes de la chaîne de traitement des données, alors que les transistors traditionnels ne peuvent effectuer qu'une seule étape de chaque étape.
"L'intégration de deux matériaux différents dans un seul dispositif nous permet d'obtenir une forte modulation du flux de courant à l'aide d'une tension appliquée, permettant ainsi une reconfigurabilité dynamique", a expliqué Hessam. "La grande adaptabilité d'un seul appareil nous permet d'exécuter des algorithmes de classification complexes avec un faible encombrement et une faible consommation d'énergie."
Lors de tests, les chercheurs ont formé ces minuscules « transistors à hétérojonction à noyau hybride » pour analyser des ensembles de données d'électrocardiogramme accessibles au public et étiqueter six types différents de battements cardiaques : normal, complexe auriculaire prématuré, complexe ventriculaire prématuré, stimulateur cardiaque, bloc de branche gauche et bloc de branche droit.
En conséquence, sur 10 000 échantillons d’électrocardiogramme, les chercheurs ont utilisé seulement deux microtransistors pour classer correctement les battements cardiaques anormaux avec une précision de 95 %, alors que les méthodes actuelles d’apprentissage automatique nécessitent plus de 100 transistors traditionnels et n’utilisent que 1 % de l’énergie des méthodes traditionnelles.
qu'est-ce que cela signifie? Une fois que cette technologie entrera en production - on ne sait pas encore quand - les appareils mobiles petits, légers et alimentés par batterie acquerront l'intelligence nécessaire pour exécuter l'intelligence artificielle d'apprentissage automatique sur leurs propres données de capteur. Cela signifie qu'ils trouveront des résultats plus rapidement que les appareils qui doivent envoyer des morceaux de données vers le cloud pour analyse, mais cela signifie également que les données personnelles qu'ils collectent resteront locales, privées et sécurisées.
Il n'est pas clair si l'appareil est uniquement adapté aux appareils portables ou s'il peut traiter des données vidéo, ou si le travail peut se répercuter sur des appareils d'apprentissage automatique et d'intelligence artificielle plus grands. Par exemple, une réduction de 100 fois de la consommation d’énergie constituerait une amélioration majeure dans la formation de grands modèles.
Alors que les entreprises mondiales se précipitent pour former de très grands modèles linguistiques et l’intelligence artificielle multimodale, la consommation d’énergie et les émissions associées montent en flèche. Même en 2021, 10 à 15 % du budget énergétique total de Google est consacré à l'intelligence artificielle, et bien sûr, cette proportion a considérablement augmenté. Si une entreprise fabrique une puce capable d'égaler les performances des meilleures cartes IA de NVIDIA tout en utilisant seulement 1 % de l'énergie de NVIDIA, cette entreprise s'en sortira probablement bien.
Cela semble peu probable ; l'équipe insiste pour parler des appareils mobiles dans son communiqué. Cependant, l’intelligence informatique a fait un nouveau pas en avant et pourrait ouvrir la voie à une nouvelle vague d’appareils plus intelligents. Le rythme du changement continue de s’accélérer.
La recherche a été publiée dans la revue Nature Electronics.