一种高效能新型微晶体管：有望提升移动和可穿戴设备高智能水平 ...

该研究的资深作者、西北大学的马克-C-赫萨姆（Mark C. Hersam）说："如今，大多数传感器都是先收集数据，然后发送到云端，由耗能的服务器进行分析，最后再将结果发回给用户。这种方法成本高得惊人，耗能巨大，还增加了时间延迟。我们的设备非常节能，可以直接部署在可穿戴电子设备中，进行实时检测和数据处理，从而更迅速地干预健康紧急情况。"

现有的晶体管通常由硅制成，而这些新型晶体管则由二维二硫化钼片和一维碳纳米管制成。这种晶体管的结构使其能够快速调整和即时重新配置，因此可用于数据处理链中的多个步骤，而传统晶体管只能执行每个步骤中的一个步骤。

赫萨姆解释说："将两种不同的材料集成到一个器件中，使我们能够利用外加电压对电流进行强调制，从而实现动态可重构性。单个器件具有高度可调性，使我们能够以较小的占地面积和较低的能耗执行复杂的分类算法。"

在测试中，研究人员对这些微小的"混合内核异质结晶体管"进行了训练，以分析公开的心电图数据集，并标记六种不同类型的心跳：正常、房性早搏、室性早搏、起搏、左束支传导阻滞和右束支传导阻滞。

结果在 10000 个心电图样本中，研究人员只用了两个微型晶体管就能以 95% 的准确率对异常心跳进行正确分类，而目前的机器学习方法需要 100 多个传统晶体管，它们使用的能量仅为传统方法的 1%。

这意味着什么？一旦这项技术投入生产--目前还不知道是什么时候--小型、轻便、电池供电的移动设备将获得在其自身传感器数据上运行机器学习人工智能的智能。这意味着它们将比不得不将大块数据发送到云端进行分析的设备更快地找到结果，同时也意味着它们收集的个人数据将保持本地、私密和安全。

目前还不清楚这种设备是否只适用于便携式设备，或者是否能处理视频数据，也不清楚这项工作是否能渗透到大型机器学习和人工智能设备中。例如，耗电量降低 100 倍将是大型模型训练的一大进步。

随着全球企业急于训练超大型语言模型和多模态人工智能，能源消耗和相关排放都在激增。即使是在 2021 年，Google全部能源预算的 10-15% 都花在了人工智能上，可以肯定的是，这一比例已经大幅增长。如果一家公司生产的芯片能与英伟达（NVIDIA）的顶级人工智能卡性能相当，而能耗仅为英伟达的 1%，那么这家公司可能会做得很好。

这似乎不太可能；该团队在其新闻稿中坚持谈论移动设备。不过，计算机智能化又向前迈进了一步，可能会开启另一波更智能设备的浪潮。变革的步伐仍在不断加快。

这项研究发表在《自然-电子学》（Nature Electronics）杂志上。

特别声明：以上内容(如有图片或视频亦包括在内)来自网络，已备注来源；本平台仅提供信息和存储服务。Notice: The content above (including the pictures and videos if any) is uploaded and posted by user of ASKAI, which is a social media platform focused on technology of CHATGPT and only provides information storage services.