Свръхефективен транзистор с 99 процента ще намали консумацията на енергия при обучението на ИИ

Обучението на различните модели на изкуствен интелект изисква толкова много изчислителна мощ и енергия, че обикновено се извършва в облака. Новият микротранзистор обаче е много по-ефективен от съвременните си аналози. Той е разработен от специалисти от САЩ, за да изпълнява алгоритмите за класифициране, които съставляват лъвския пай от операциите в системите за машинно обучение.

„Днес повечето сензори събират данни и ги изпращат в облака, където енергоемки сървъри ги анализират и след това изпращат резултатите на потребителя“, казва Марк Хершам от Северозападния университет, който ръководи проучването. „Този подход е изключително скъп, поглъща значително количество енергия и увеличава латентността. Нашето устройство е толкова енергийно ефективно, че може да бъде инсталирано директно в носимата електроника, за да разпознава сигналите в реално време и да обработва данните, което позволява по-бърза помощ в случай на медицински усложнения“.

Докато днешните транзистори са изработени от силиций, създадените от учените от екипа на Хершам транзистори се състоят от двуизмерни листове молибденов дисулфид и едноизмерен слой въглеродни нанотръбички. Конструкцията им позволява бързото им персонализиране и преконфигуриране, така че да могат да се използват на различни етапи от веригата за обработка на данни, докато традиционните транзистори правят само по една стъпка, пише New Atlas.

Интегрирането на тези два материала в едно устройство е позволило на учените да въздействат по-силно върху електрическия ток с управляващо напрежение, като по този начин са постигнали преконфигуриране в динамика. Това дава възможност за настройване на устройството по различни начини за изпълнението на сложните алгоритми за класификация при съвсем ниска консумация на енергия.

При тестовете тези миниатюрни транзистори са обучени върху публични бази данни от електрокардиограми да разпознават шест вида сърдечен ритъм. В 10 000 проби учените са успели правилно да идентифицират необичаен сърдечен ритъм в 95% от случаите, използвайки само два микротранзистора. Докато методът на машинно обучение би изисквал над 100 конвенционални транзистора и сто пъти повече енергия.

Все още не е ясно дали тези транзистори биха могли да се използват в портативните устройства, за обработка на видео или за класификация на големи обеми от данни. Във всеки случай те обещават стократно намаляване на консумацията на енергия и са съществена стъпка напред в обучението на големите модели на изкуствения интелект.

Потреблението на енергия и свързаните с него емисии нарастват главоломно, тъй като компаниите по света се надпреварват да обучават безумно големи езикови модели и мултимодални изкуствени интелекти. Дори още през 2021 г. 10-15% от целия енергиен бюджет на Google е бил изразходван за ИИ към днешен ден този процент е нараснал значително. Компания, произвеждаща чипове, които могат да се равняват на производителността на най-добрите карти за ИИ на nVidia, като същевременно използват 1% от енергията, може да окаже огромно влияние в тази сфера.