인공지능 머신러닝은 많은 컴퓨팅 파워와 에너지를 필요로 하기 때문에 대개 데이터센터가 지원하는 클라우드에서 완성된다. 그러나 새로운 유형의 마이크로트랜지스터는 기존 기술보다 에너지 효율이 100배 더 높아 모바일 및 웨어러블 장치에 새로운 수준의 지능을 약속합니다. Northwestern University의 연구원들은 Nature Electronics 저널에 새로운 나노전자 장치를 설명하는 논문을 발표했습니다. 이는 분류 작업(예: 많은 양의 데이터를 분석하고 많은 기계 학습 시스템의 중추인 중요한 비트에 레이블을 지정하는 작업)을 수행하도록 설계되었습니다.
이번 연구의 수석 저자인 노스웨스턴 대학의 Mark C. Hersam은 "오늘날 대부분의 센서는 데이터를 수집한 다음 클라우드로 보내고, 에너지를 많이 소비하는 서버에서 이를 분석한 다음 최종적으로 결과를 사용자에게 다시 보냅니다. 이 접근 방식은 엄청나게 비싸고 엄청난 양의 에너지를 소비하며 시간 지연을 추가합니다. 우리 장치는 에너지 효율적이며 실시간 감지 및 데이터 처리를 위해 웨어러블 전자 장치에 직접 배포할 수 있어 건강 응급 상황에 보다 신속하게 개입할 수 있습니다."라고 말했습니다.
기존 트랜지스터는 일반적으로 실리콘으로 만들어지는 반면, 이러한 새로운 트랜지스터는 이황화 몰리브덴의 2차원 시트와 1차원 탄소 나노튜브로 만들어집니다. 이 트랜지스터의 구조 덕분에 즉석에서 빠르게 조정하고 재구성할 수 있으므로 데이터 처리 체인의 여러 단계에 사용할 수 있는 반면, 기존 트랜지스터는 각 단계에서 한 단계만 수행할 수 있습니다.
Hessam은 “두 가지 서로 다른 재료를 단일 장치에 통합하면 인가 전압을 사용하여 전류 흐름을 강력하게 변조할 수 있어 동적 재구성이 가능해집니다.”라고 설명했습니다. "단일 장치의 높은 조정 가능성을 통해 작은 설치 공간과 낮은 에너지 소비로 복잡한 분류 알고리즘을 수행할 수 있습니다."
테스트에서 연구원들은 공개적으로 사용 가능한 심전도 데이터 세트를 분석하고 정상, 조기 심방 복합체, 조기 심실 복합체, 맥박 조정기, 좌각 분지 블록 및 우각 분지 블록 등 6가지 다른 유형의 심장 박동을 표시하기 위해 이러한 작은 "하이브리드 코어 이종접합 트랜지스터"를 훈련했습니다.
그 결과, 10,000개의 심전도 샘플에서 연구원들은 2개의 마이크로 트랜지스터만 사용하여 비정상적인 심장 박동을 95% 정확도로 정확하게 분류했지만, 현재 기계 학습 방법에는 100개 이상의 기존 트랜지스터가 필요하며 기존 방법에 비해 에너지를 1%만 사용합니다.
그게 무슨 뜻이야? 이 기술이 생산에 들어가면(아직 언제인지 알 수 없음) 작고 가벼운 배터리 구동 모바일 장치는 자체 센서 데이터에 대해 기계 학습 인공 지능을 실행할 수 있는 지능을 얻게 됩니다. 이는 분석을 위해 대량의 데이터를 클라우드로 전송해야 하는 장치보다 더 빨리 결과를 찾을 수 있다는 의미일 뿐만 아니라 수집한 개인 데이터가 로컬, 비공개 및 보안으로 유지된다는 의미이기도 합니다.
이 장치가 휴대용 장치에만 적합한지, 비디오 데이터를 처리할 수 있는지, 아니면 작업이 더 큰 기계 학습 및 인공 지능 장치로 흘러갈 수 있는지는 확실하지 않습니다. 예를 들어, 전력 소비가 100배 감소하면 대규모 모델 훈련이 크게 향상됩니다.
글로벌 기업이 대규모 언어 모델과 다중 모드 인공 지능을 훈련하기 위해 서두르면서 에너지 소비 및 관련 배출량이 급증하고 있습니다. 2021년에도 Google 전체 에너지 예산의 10~15%가 인공지능에 지출되고 있으며, 확실히 이 비율은 크게 늘어났습니다. 만약 어떤 회사가 NVIDIA 에너지의 1%만 사용하면서 NVIDIA의 상위 AI 카드 성능에 맞설 수 있는 칩을 만든다면 그 회사는 아마 잘 될 것입니다.
그럴 것 같지 않습니다. 팀은 보도 자료에서 모바일 장치에 대해 이야기할 것을 고집했습니다. 그러나 컴퓨터 지능은 한 단계 더 발전하여 더 스마트한 장치의 또 다른 물결을 가져올 수 있습니다. 변화의 속도는 계속해서 가속화되고 있습니다.
이번 연구는 네이처 일렉트로닉스(Nature Electronics) 저널에 게재됐다.