درهمین راستا مارک هرسام پروفسر مواد در دانشگاه نورث وسترن معتقد است این روش انرژی زیادی مصرف می کند زیرا داده ها جمع آوری شده و برای تحلیل به ابر رایانشی ارسال می شوند. در مرحله بعد نتایج به کاربر ارسال می شود. در عوض پردازش محلی داده ها انرژی کمتری مصرف می کند.
قبل از تحلیل، باید داده های جمع آوری شده برای پردازش توسط ماشین یادگیری، دسته بندی شوند. چون هریک از ترانزیستورهای سیلیکونی می توانند یک گام از فراوری داده را انجام دهند، تعداد ترانزیستورهای مورد نیاز برای تکمیل این فرایند باید با اندازه داده ها متناسب باشد.
تیم هرسام تصمیم گرفت از سیلیکون استفاده نکند و دی سولفید مولبدنیم ۲ بعدی و نانولوله های تک بعدی کربن برای ساخت مینی ترانزیستورها به کار گیرد. طراحی ترانزیستورهای جدید به شکلی بود که بتوان آنها را دوباره تنظیم و برای گام های مختلف در تحلیل به کار برد.
هرسام در این باره می گوید: یکپارچه سازی دو ماده جداگانه در یک دستگاه سبب می شود جریان برق را با ولتاژ به کار رفته ماژول بندی کرد.
این امر نه تنها تعداد ترانزیستورها و انرژی مصرفی را کاهش داد، بلکه به فرایند مینیاتورسازی تحلیل و یکپارچه سازی دستگاه کمک کرد.
محققان از مخازن داده پزشکی عمومی برای نشان دادن قابلیت های ابزار استفاده کردند. آنها هوش مصنوعی را آموزش دادند تا داده ها را از ECG تفسیر کند. کارمندان بخش خدمات درمانی می توانند این کار را پس از آموزش های طولانی و سنگین انجام دهند.
به دستگاه دستور داده شد تا داده های ۱۰ هزار نمونه ECG را به ۶ نوع تپش قلب دسته بندی کند. دستگاه با دقت ۹۵ درصد این کار را انجام داد. چنین فعالیتی با این میزان پیچیدگی نیازمند حداقل ۱۰۰ ترانزیستور سیلیکونی برای انجام رایانش است اما محققان دانشگاه نورث وسترن با ۲تراشه با طراحی نوین توانستند رایانش اطلاعات را انجام دهند.
محققان امیدوارند در آینده این دستگاه را در گجت های پوشیدنی به کار برند و بدون فشار به شبکه برق آن را به کار گیرند.
هوش مصنوعی در مصرف انرژی صرفه جویی می کند
موج هوش مصنوعی در صنعت فناوری فراگیر شده و شرکت های کوچک و بزرگ قابلیت های مبتنی بر آن را در محصولاتشان به کار می برند. همزمان با استفاده از هوش مصنوعی، استفاده از تراشه و زیرساخت های آن نیز افزایش می یابد.
لینک کوتاه : https://ainews.ir/?p=17214
- منبع : جمهور نیوز
- بدون دیدگاه