Le nouveau dispositif nanoélectronique de l’Université Northwestern propose des tâches d’IA en temps réel et économes en énergie sans recourir au cloud. Idéal pour les appareils portables, il traite les données instantanément et diagnostique les maladies cardiaques avec une précision de 95 % lors des tests. Cette innovation promet une surveillance de la santé plus rapide, efficace et privée.
- L’IA est tellement gourmande en énergie que la plupart des analyses de données doivent être effectuées dans le cloud
- Un nouveau dispositif économe en énergie permet d’effectuer des tâches d’IA au sein des appareils portables
- Cela permet une analyse et un diagnostic en temps réel pour des interventions médicales plus rapides
- Les chercheurs ont testé l’appareil en classant 10 000 échantillons d’électrocardiogramme
- L’appareil a réussi à identifier six types de battements cardiaques avec 95 % précision
Dispositif nanoélectronique innovant pour un apprentissage automatique efficace
Oubliez le nuage.
Université du nord-ouest Les ingénieurs ont développé un nouveau dispositif nanoélectronique capable d’effectuer des tâches précises de classification d’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 vers le 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.
Test et application
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 a pu identifier efficacement et correctement un rythme cardiaque irrégulier, mais il a également pu déterminer le sous-type d’arythmie parmi six catégories différentes avec une précision de près de 95 %.
La recherche sera publiée aujourd’hui (12 octobre) dans la revue Electronique naturelle.
Approche conventionnelle ou nouvelle
« 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.
Défis et avancées technologiques
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 corvée 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. Cependant, 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 basculer entre différentes étapes.
« 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. »
Tests pratiques et perspectives d’avenir
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 du personnel de santé qualifié. 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 sont transmises, cela augmente la probabilité qu’elles soient volées », 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 durable si nous continuons à nous fier au matériel informatique conventionnel. »
L’étude a été soutenue par le Département américain de l’Énergie, la National Science Foundation et l’Army Research Office.
