آی‌تی‌من- موج هوش مصنوعی در صنعت فناوری فراگیر شده و شرکت‌های کوچک و بزرگ قابلیت‌های مبتنی بر آن را در محصولاتشان به کار می‌برند. همزمان با استفاده از هوش مصنوعی، استفاده از تراشه و زیرساخت‌های آن نیز افزایش می‌یابد.

درهمین راستا مارک هرسام پروفسور مواد در دانشگاه نورث وسترن معتقد است این روش انرژی زیادی مصرف می‌کند زیرا داده‌ها جمع آوری شده و برای تحلیل به ابر رایانشی ارسال می‌شوند. در مرحله بعد نتایج به کاربر ارسال می‌شود. در عوض پردازش محلی داده‌ها انرژی کمتری مصرف می‌کند.

قبل از تحلیل، باید داده‌های جمع آوری شده برای پردازش توسط ماشین یادگیری، دسته بندی شوند. چون هریک از ترانزیستورهای سیلیکونی می‌توانند یک گام از فراوری داده را انجام دهند، تعداد ترانزیستورهای مورد نیاز برای تکمیل این فرایند باید با اندازه داده‌ها متناسب باشد.

تیم هرسام تصمیم گرفت از سیلیکون استفاده نکند و دی سولفید مولبدنیم ۲ بعدی و نانولوله‌های تک بعدی کربن برای ساخت مینی ترانزیستورها به کار گیرد. طراحی ترانزیستورهای جدید به شکلی بود که بتوان آنها را دوباره تنظیم و برای گام‌های مختلف در تحلیل به کار برد.

هرسام در این باره می‌گوید: یکپارچه سازی دو ماده جداگانه در یک دستگاه سبب می‌شود 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 عمومی‌برای نشان دادن قابلیت‌های ابزار استفاده کردند. آنها هوش مصنوعی را آموزش دادند تا داده‌ها را از ECG تفسیر کند. کارمندان بخش خدمات درمانی می‌توانند این کار را پس از آموزش‌های طولانی و سنگین انجام دهند.

به دستگاه دستور داده شد تا داده‌های 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 گجت‌های پوشیدنی به کار برند و بدون فشار به شبکه برق آن را به کار گیرند.
 

ITMen