AI giúp thiết bị điện tử nano tiết kiệm năng lượng 100 lần

Hãy quên đám mây đi. Các nhà kỹ thuật trường đại học Northwestern mới đây đã phát triển một thiết bị điện tử nano, hay nói đúng hơn là một linh kiện điện tử nano, có thể thực hiện các nhiệm vụ phân loại học máy chính xác mà vẫn đảm bảo tiết kiệm năng lượng nhất.

Bằng việc sử dụng mức năng lượng bằng 1/100 mức năng lượng của các công nghệ hiện hành, thiết bị này có thể xử lý một lượng lớn dữ liệu và thực hiện các nhiệm vụ AI theo thời gian thực mà không cần đến dòng chảy dữ liệu đến đám mây cho phân tích.

Với vết carbon ở mức thấp, việc tiêu thụ năng lượng siêu thấp và không có độ trễ thời gian khi phân tích, thiết bị này được đánh giá là rất lý tưởng cho việc tích hợp trực tiếp vào các thiết bị điện tử mang theo người (ví dụ như đồng hồ thông minh, máy theo dõi tập luyện thể thao…) cho quá trình xử lý dữ liệu theo thời gian thực và các chẩn đoán ở mức gần như tức thì.

Để kiểm tra xem ý tưởng này có đúng trên thực tế không, các nhà nghiên cứu đã sử dụng thiết bị để phân loại một lượng lớn thông tin từ các tạp dữ liệu điện tâm đồ (EGC) có sẵn và đã được công khai. Trên thực thế thì thiết bị này không chỉ nhận diện được một nhịp tim bất thường một cách chính xác, hiệu quả mà còn có thể xác định được kiểu phụ loạn nhịp tim giữa sáu hạng mục khác nhau với độ chính xác đạt gần 95%.

Nghiên cứu này, “Reconfigurable mixed-kernel heterojunction transistors for personalized support vector machine classification”, mới được xuất bản trên tạp chí Nature Electronics¹.

“Ngày nay, phần lớn các cảm biến thu thập dữ liệu rồi chuyển nó lên đám mây, nơi việc phân tích sẽ được thực hiện với mức tiêu hao năng lượng cực lớn rồi mới gửi kết quả trở lại cho người sử dụng”, Mark C. Hersam, tác giả chính của nghiên cứu ở trường Northwestern, cho biết. “Cách tiếp cận này vô cùng tốn kém, tiêu thụ nhiều năng lượng và đòi hỏi độ trễ thời gian. Trong khi đó, thiết bị của chúng tôi lại vô cùng hiệu quả về mặt năng lượng và có thể dùng để gắn trực tiếp lên những thiết bị điện tử mang theo người, dùng để dò theo thời gian thực và quá trình xử lý dữ liệu, do đó cho phép thực hiện các can thiệp nhanh đến sức khỏe trong điều kiện khẩn cấp“.

Hersam là một chuyên gia về công nghệ nano, giáo sư khoa học vật liệu và kỹ thuật ghế Walter P. Murphy tại trường Kỹ thuật McCormick, Northwestern. Ông cũng là trưởng khoa Khoa học vật liệu và kỹ thuật, giám đốc Trung tâm nghiên cứu khoa học và kỹ thuật, một thành viên của Viện Công nghệ nano quốc tế. Hersam cùng tham gia nghiên cứu với Han Wang, một giáo sư của trường đại học Southern California, và Vinod Sangwan, một trợ lý giáo sư nghiên cứu tại Northwestern.

Trước khi các công cụ học máy có thể phân tích dữ liệu mới, các công cụ này phải thực hiện nhiệm vụ đầu tiên là sắp xếp một cách chính xác các dữ liệu này vào nhiều hạng mục khác nhau. Ví dụ, nếu một công cụ xếp các bức ảnh theo màu sắc, sau đó nó cần phân loại các bức ảnh theo trật tự đỏ, vàng và xanh để phân loại chúng một cách chính xác. Với một người thông thường thì đây là nhiệm vụ dễ dàng nhưng với một cỗ máy thì đây là một việc phức tạp và tiêu tốn năng lượng.

Với các công nghệ dựa trên silicon hiện hành, việc xếp hạng dữ liệu từ những bộ dữ liệu lớn như điện tâm đồ sẽ phải mất đến hơn 100 transistor – mỗi transistor lại đòi hỏi một lượng điện nhất định để vận hành. Nhưng các thiết bị điện nano của Northwestern có thể thực hiện cùng nhiệm vụ phân loại bằng học máy chỉ với hai lin kiện. Bằng việc giảm thiểu số lượng linh kiện, các nhà nghiên cứu đã giảm bớt đáng kể lượng điện tiêu thụ và phát triển được một thiết bị có kích cỡ nhỏ hơn và có thể tích hợp vào một thiết bị điện tiêu chuẩn, mang được trên người.

Bí mật đằng sau thiết bị mới chính là tính dễ điều chỉnh chưa từng có của nó, xuất phát từ việc pha trộn nhiều loại vật liệu. Nếu các linh kiện điện tử truyền thống đều sử dụng silicon, thì các nhà nghiên cứu đã xây dựng những transistor có kết cấu tối giản với molybdenum disulfide hai chiều và nano ống carbon một chiều. Vì vậy thay vì cần nhiều transistor silicon – mỗi transistor đảm trách một bước xử lý dữ liệu – các transistor có cấu hình đủ linh động để chuyển sang vô số bước tiếp theo.

“Sự tích hợp hai vật liệu khác biệt vào một linh kiện cho phép chúng tôi điều chỉnh một cách hiệu quả dòng điện với điện áp đặt vào, cho phép khả năng tái cấu hình động lực”, Hersam nói. “Độ cơ động cao trong một linh kiện đơn lẻ cho phép chúng tôi thực hiện các thuật toán phân loại phức tạp với một vết carbon nhỏ và mức tiêu thụ năng lượng cực thấp”.

Để kiểm tra thiết bị này, các nhà nghiên cứu sử dụng các bộ dữ liệu y tế công khai. Đầu tiên họ huấn luyện nó tách dữ liệu điện tâm đồ, một nhiệm vụ đòi hỏi trên thực tế một lượng thời gian đáng kể với các nhân viên kỹ thuật y tế đã được tập huấn. Sau đó họ bắt thiết bị phân loại sáu dạng nhịp tim: nhịp tim thường, nhịp nhĩ sớm, nhịp thấp sớm, nhịp tim được điều khiển bằng xung điện từ máy tạo nhịp tim, block nhịp tim nhánh trái và phải.

Thiết bị điện tử nano có thể nhận diện được chính xác mỗi dạng loạn nhịp tim từ 10.000 mẫu điện tim đồ. Bằng việc bỏ qua nhu cầu gửi dữ liệu lên đám mây nó không chỉ giúp tiết kiệm thời gian quý báu cho bệnh nhân mà còn bảo vệ được quyền riêng tư.

“Mỗi lần dữ liệu dữ liệu được truyền lên thì nó lại càng làm tăng khả năng dữ liệu bị đánh cắp”, Hersam nói. “Nếu dữ liệu sức khỏe cá nhân được xử lý tại chỗ – như trong đồng hồ đeo ở cổ tay bạn – thì nguy cơ rủi ro thấp hơn nhiều. Theo cách đó, thiết bị của chúng tôi cải thiện tính riêng tư và fiamr thiểu nguy cơ bị xâm phạm”.

Hersam mường tượng ra là cuối cùng thì các linh kiện điện tử có thể được tích hợp vào các thiết bị cá nhân đeo trên người để sử dụng làm hồ sơ sức khỏe của mỗi người, phục vụ các ứng dụng theo thời gian thực. Chúng cũng cho phép mỗi người thu thập dữ liệu lập tức mà không cần mất nhiều năng lượng.

“Các công cụ AI cũng tiêu thụ rất nhiều điện”, Hersam nói. “Đó sẽ là một con đường không bền vững, nếu chúng ta vẫn còn tiếp tục phụ thộc vào những phần cứng tính toán thông thường”.

Anh Hiền tổng hợp

Nguồn: https://www.mccormick.northwestern.edu/news/articles/2023/10/ai-just-got-100-fold-more-energy-efficient/

https://techxplore.com/news/2023-10-nanoelectronic-device-real-time-ai-classification.html

———————————-

1. https://www.nature.com/articles/s41928-023-01042-7