인공지능 효율성 100배 향상

일리노이주 에반스톤 — 클라우드는 잊어버리세요.

노스웨스턴 대학교(Northwestern University) 엔지니어들은 가장 에너지 효율적인 방식으로 정확한 기계 학습 분류 작업을 수행할 수 있는 새로운 나노 전자 장치를 개발했습니다. 기존 기술보다 100분의 1 적은 전력으로도 대용량 데이터를 처리하고, 분석을 위해 데이터를 클라우드에 전송하지 않고도 실시간으로 인공지능(AI) 작업을 수행할 수 있다.

작은 크기, 극히 낮은 전력 소비 및 분석 수신 지연 시간이 없는 이 장치는 실시간 데이터 처리 및 거의 즉각적인 진단을 위해 웨어러블 전자 장치(예: 스마트 시계 및 피트니스 추적기)에 직접 통합하는 데 이상적입니다.

개념을 테스트하기 위해 엔지니어들은 이 장치를 사용하여 공개적으로 사용 가능한 심전도(ECG) 데이터 세트에서 대량의 정보를 분류했습니다. 이 장치는 부정맥을 효율적이고 정확하게 식별할 수 있었을 뿐만 아니라 약 95%의 정확도로 6가지 범주 중에서 부정맥의 하위 유형도 식별할 수 있었습니다.

이번 연구는 네이처 일렉트로닉스(Nature Electronics) 저널에 10월 12일 게재될 예정이다.

Northwestern은 “오늘날 대부분의 센서는 데이터를 수집한 다음 클라우드로 전송합니다. 클라우드에서는 결과가 최종적으로 사용자에게 전송되기 전에 전력을 많이 소모하는 서버에서 분석이 수행됩니다.”라고 말했습니다. 마크 C. 허셈, 연구의 수석 저자. “이 접근 방식은 엄청나게 비싸고 상당한 전력을 소비하며 시간 지연을 추가합니다. 우리 장치는 에너지 효율적이므로 실시간 감지 및 데이터 처리를 위해 웨어러블 전자 장치에 직접 배포할 수 있어 건강 응급 상황에 보다 신속하게 개입할 수 있습니다.”

나노기술 전문가인 Hersam은 노스웨스턴 대학교 재료 과학 및 공학과의 Walter P. Murphy 교수입니다. 맥코믹 공과대학. 그는 또한 재료공학과의 학과장이자 재료공학과의 학과장이기도 합니다. 재료과학 및 공학연구센터 그리고 회원 국제나노기술연구소. Hirsam은 Southern California 대학의 Han Wang 교수, Northwestern 대학의 조교수 Vinod Sangwan과 함께 연구를 공동 주도했습니다.

기계 학습 도구가 새로운 데이터를 분석하려면 먼저 훈련 데이터를 정확하고 안정적으로 다양한 범주로 정렬해야 합니다. 예를 들어, 도구가 이미지를 색상별로 정렬하는 경우 이를 정확하게 분류하려면 빨간색, 노란색 또는 파란색 이미지를 인식해야 합니다. 그렇습니다. 인간에게는 쉬운 일이지만 기계에게는 복잡하고 에너지 소모가 많은 작업입니다.

현재의 실리콘 기반 기술이 ECG 장치와 같은 대규모 어레이의 데이터를 분류하려면 100개 이상의 트랜지스터가 필요하며 각 트랜지스터는 작동하기 위해 특별한 전력이 필요합니다. 그러나 노스웨스턴의 나노 전자 장치는 단 두 개의 장치만 사용하여 동일한 기계 학습 분류를 수행할 수 있습니다. 연구진은 장치 수를 줄임으로써 전력 소비를 크게 줄이고 표준 웨어러블 장치에 통합할 수 있는 훨씬 작은 장치를 개발했습니다.

이 새로운 장치의 비결은 재료의 조합으로 인해 발생하는 전례 없는 조정 가능성입니다. 전통적인 기술에서는 실리콘을 사용하지만 연구자들은 2차원 이황화 몰리브덴과 1차원 탄소 나노튜브로 소형 트랜지스터를 제작했습니다. 따라서 데이터 처리의 각 단계마다 하나씩 여러 개의 실리콘 트랜지스터가 필요한 대신 재구성 가능한 트랜지스터는 여러 단계 사이를 전환할 수 있을 만큼 충분히 동적입니다.

Hersam은 “두 개의 서로 다른 재료를 단일 장치에 결합하면 적용된 전압으로 전류 흐름을 강력하게 변조하여 동적 재구성이 가능해졌습니다.”라고 말했습니다. “단일 장치에서 높은 수준의 조정 가능성을 가지면 작은 설치 공간과 낮은 전력 소비로 정교한 분류 알고리즘을 구현할 수 있습니다.”

장치를 테스트하기 위해 연구자들은 공개적으로 이용 가능한 의료 데이터 세트를 조사했습니다. 그들은 먼저 EKG의 데이터를 해석하도록 장치를 훈련시켰습니다. 이 작업은 일반적으로 훈련된 의료 종사자에게 많은 시간이 필요합니다. 다음으로, 그들은 장치가 6가지 유형의 심장 박동, 즉 정상 심방 조기 박동, 조기 심실 수축기, 조율 박동, 좌속 박동, 우속 박동을 분류하도록 했습니다.

나노전자 장치는 10,000개의 ECG 샘플에서 모든 유형의 부정맥을 정확하게 식별할 수 있었습니다. 클라우드로 데이터를 전송할 필요성을 우회함으로써 이 장치는 중요한 환자 시간을 절약할 뿐만 아니라 개인 정보도 보호합니다.

Hersam은 “데이터가 전달될 때마다 데이터 도난 가능성이 증가합니다.”라고 말했습니다. “개인 건강 데이터가 시계의 손목처럼 로컬에서 처리되는 경우 보안 위험이 훨씬 낮아집니다. 이러한 방식으로 우리 장치는 개인 정보 보호를 향상하고 해킹 위험을 줄입니다.”

Hersam은 궁극적으로 이러한 나노 전자 장치가 일상적인 웨어러블 장치에 통합되고 실시간 응용을 위해 각 사용자의 건강 프로필에 맞게 맞춤화될 수 있을 것으로 예상합니다. 이를 통해 사람들은 에너지를 소모하지 않고도 이미 수집한 데이터를 최대한 활용할 수 있습니다.

Hersam은 “AI 도구가 전력망의 점점 더 많은 부분을 소비하고 있습니다.”라고 말했습니다. “기존 컴퓨터에 계속 의존한다면 이는 지속 불가능한 길입니다.”

“개인 지원 버스 기계 분류를 위한 재구성 가능한 혼합 코어 이종 접합 트랜지스터”라는 연구는 미국 에너지부, 국립 과학 재단 및 육군 연구실의 지원을 받았습니다.