Un appareil nanoélectronique effectue une classification de l’IA en temps réel sans recourir au cloud
Oubliez le nuage. Les ingénieurs de l’Université Northwestern ont développé un nouveau dispositif nanoélectronique capable d’effectuer des tâches précises de classification par apprentissage automatique de la manière la plus économe en énergie à ce jour. Utilisant 100 fois moins d’énergie que les technologies actuelles, l’appareil peut traiter de grandes quantités de données et effectuer des tâches d’intelligence artificielle (IA) en temps réel sans transmettre les données au cloud pour analyse.
Avec son encombrement réduit, sa consommation d’énergie ultra faible et l’absence de temps de latence pour recevoir les analyses, l’appareil est idéal pour une intégration directe dans les appareils électroniques portables (comme les montres intelligentes et les trackers de fitness) pour le traitement des données en temps réel et des diagnostics quasi instantanés.
Pour tester le concept, les ingénieurs ont utilisé l’appareil pour classer de grandes quantités d’informations à partir d’ensembles de données d’électrocardiogrammes (ECG) accessibles au public. Non seulement l’appareil pouvait identifier efficacement et correctement un rythme cardiaque irrégulier, mais il était également capable de déterminer le sous-type d’arythmie parmi six catégories différentes avec une précision proche de 95 %.
L’étude intitulée « Transistors à hétérojonction à noyau mixte reconfigurables pour une classification personnalisée des machines à vecteurs de support » a été publiée le 12 octobre dans la revue Electronique naturelle.
« Aujourd’hui, la plupart des capteurs collectent des données puis les envoient vers le cloud, où l’analyse est effectuée sur des serveurs gourmands en énergie avant que les résultats ne soient finalement renvoyés à l’utilisateur », a déclaré Mark C. Hersam de Northwestern, auteur principal de l’étude. « Cette approche est incroyablement coûteuse, consomme beaucoup d’énergie et ajoute un délai. Notre appareil est si économe en énergie qu’il peut être déployé directement dans des appareils électroniques portables pour une détection et un traitement des données en temps réel, permettant ainsi une intervention plus rapide en cas d’urgence sanitaire. »
Expert en nanotechnologie, Hersam est professeur Walter P. Murphy de science et d’ingénierie des matériaux à la McCormick School of Engineering de Northwestern. Il est également président du Département de science et d’ingénierie des matériaux, directeur du Centre de recherche en science et ingénierie des matériaux et membre de l’Institut international de nanotechnologie. Hersam a codirigé la recherche avec Han Wang, professeur à l’Université de Californie du Sud, et Vinod Sangwan, professeur assistant de recherche à Northwestern.
Avant que les outils d’apprentissage automatique puissent analyser de nouvelles données, ces outils doivent d’abord trier les données de formation avec précision et fiabilité en différentes catégories. Par exemple, si un outil trie les photos par couleur, il doit alors reconnaître quelles photos sont rouges, jaunes ou bleues afin de les classer avec précision. Une tâche facile pour un humain, certes, mais un travail compliqué et gourmand en énergie pour une machine.
Pour que les technologies actuelles basées sur le silicium catégorisent les données provenant de grands ensembles comme les ECG, il faut plus de 100 transistors, chacun nécessitant sa propre énergie pour fonctionner. Mais le dispositif nanoélectronique de Northwestern peut effectuer la même classification d’apprentissage automatique avec seulement deux appareils. En réduisant le nombre d’appareils, les chercheurs ont considérablement réduit la consommation d’énergie et développé un appareil beaucoup plus petit qui peut être intégré dans un gadget portable standard.
Le secret de ce nouvel appareil réside dans sa capacité d’accordage sans précédent, issue d’un mélange de matériaux. Alors que les technologies traditionnelles utilisent du silicium, les chercheurs ont construit des transistors miniaturisés à partir de bisulfure de molybdène bidimensionnel et de nanotubes de carbone unidimensionnels. Ainsi, au lieu de nécessiter de nombreux transistors en silicium (un pour chaque étape du traitement des données), les transistors reconfigurables sont suffisamment dynamiques pour passer d’une étape à l’autre.
« L’intégration de deux matériaux disparates dans un seul dispositif nous permet de moduler fortement le flux de courant avec les tensions appliquées, permettant ainsi une reconfigurabilité dynamique », a déclaré Hersam. « Le fait de disposer d’un haut degré de réglage dans un seul appareil nous permet d’exécuter des algorithmes de classification sophistiqués avec un faible encombrement et une faible consommation d’énergie. »
Pour tester l’appareil, les chercheurs ont consulté des ensembles de données médicales accessibles au public. Ils ont d’abord formé l’appareil à interpréter les données des ECG, une tâche qui nécessite généralement beaucoup de temps de la part des agents de santé qualifiés. Ensuite, ils ont demandé à l’appareil de classer six types de battements cardiaques : normal, battement auriculaire prématuré, contraction ventriculaire prématurée, battement stimulé, battement de bloc de branche gauche et battement de bloc de branche droit.
Le dispositif nanoélectronique a pu identifier avec précision chaque type d’arythmie sur 10 000 échantillons ECG. En évitant la nécessité d’envoyer des données vers le cloud, l’appareil permet non seulement au patient de gagner un temps crucial, mais protège également sa vie privée.
« Chaque fois que des données circulent, cela augmente le risque de vol », a déclaré Hersam. « Si les données personnelles de santé sont traitées localement, par exemple sur votre poignet avec votre montre, cela présente un risque de sécurité bien moindre. De cette manière, notre appareil améliore la confidentialité et réduit le risque de violation. »
Hersam imagine qu’à terme, ces dispositifs nanoélectroniques pourraient être intégrés aux appareils portables du quotidien, personnalisés en fonction du profil de santé de chaque utilisateur pour des applications en temps réel. Ils permettraient aux utilisateurs de tirer le meilleur parti des données qu’ils collectent déjà sans perdre en énergie.
« Les outils d’intelligence artificielle consomment une fraction croissante du réseau électrique », a déclaré Hersam. « C’est une voie non viable si nous continuons à compter sur du matériel informatique conventionnel. »
