.
Esqueça a nuvem.
Os engenheiros da Northwestern University desenvolveram um novo dispositivo nanoeletrônico que pode realizar tarefas precisas de classificação de aprendizado de máquina da maneira mais eficiente em termos energéticos até agora. Usando 100 vezes menos energia do que as tecnologias atuais, o dispositivo pode processar grandes quantidades de dados e executar tarefas de inteligência artificial (IA) em tempo real, sem enviar dados para a nuvem para análise.
Com seu tamanho reduzido, consumo de energia ultrabaixo e falta de tempo de espera para receber análises, o dispositivo é ideal para incorporação direta em eletrônicos vestíveis (como relógios inteligentes e rastreadores de fitness) para processamento de dados em tempo real e diagnósticos quase instantâneos.
Para testar o conceito, os engenheiros usaram o dispositivo para classificar grandes quantidades de informações de conjuntos de dados de eletrocardiograma (ECG) disponíveis publicamente. O dispositivo não só conseguiu identificar de forma eficiente e correta um batimento cardíaco irregular, como também foi capaz de determinar o subtipo de arritmia entre seis categorias diferentes com quase 95% de precisão.
A pesquisa será publicada no dia 12 de outubro na revista Eletrônica da Natureza.
“Hoje, a maioria dos sensores coleta dados e os envia para a nuvem, onde a análise ocorre em servidores que consomem muita energia antes que os resultados sejam finalmente enviados de volta ao usuário”, disse Mark C. Hersam, da Northwestern, autor sênior do estudo. “Essa abordagem é incrivelmente cara, consome energia significativa e adiciona um atraso. Nosso dispositivo é tão eficiente em termos energéticos que pode ser implantado diretamente em dispositivos eletrônicos vestíveis para detecção e processamento de dados em tempo real, permitindo uma intervenção mais rápida em emergências de saúde.”
Especialista em nanotecnologia, Hersam é professor Walter P. Murphy de Ciência e Engenharia de Materiais na Escola de Engenharia McCormick da Northwestern. Ele também é presidente do Departamento de Ciência e Engenharia de Materiais, diretor do Centro de Ciência e Engenharia de Pesquisa de Materiais e membro do Instituto Internacional de Nanotecnologia. Hersam co-liderou a pesquisa com Han Wang, professor da Universidade do Sul da Califórnia, e Vinod Sangwan, professor assistente de pesquisa na Northwestern.
Antes que as ferramentas de aprendizado de máquina possam analisar novos dados, essas ferramentas devem primeiro classificar os dados de treinamento em várias categorias de maneira precisa e confiável. Por exemplo, se uma ferramenta classifica fotos por cor, ela precisa reconhecer quais fotos são vermelhas, amarelas ou azuis para classificá-las com precisão. Uma tarefa fácil para um ser humano, sim, mas um trabalho complicado – e que consome muita energia – para uma máquina.
Para as atuais tecnologias baseadas em silício categorizarem dados de grandes conjuntos como ECGs, são necessários mais de 100 transistores – cada um exigindo sua própria energia para funcionar. Mas o dispositivo nanoeletrônico da Northwestern pode realizar a mesma classificação de aprendizado de máquina com apenas dois dispositivos. Ao reduzir o número de dispositivos, os pesquisadores reduziram drasticamente o consumo de energia e desenvolveram um dispositivo muito menor que pode ser integrado a um dispositivo vestível padrão.
O segredo por trás do novo dispositivo é a sua capacidade de ajuste sem precedentes, que surge a partir de uma mistura de materiais. Embora as tecnologias tradicionais usem silício, os pesquisadores construíram os transistores miniaturizados a partir de dissulfeto de molibdênio bidimensional e nanotubos de carbono unidimensionais. Então, em vez de precisar de muitos transistores de silício – um para cada etapa do processamento de dados – os transistores reconfiguráveis são dinâmicos o suficiente para alternar entre várias etapas.
“A integração de dois materiais diferentes em um dispositivo nos permite modular fortemente o fluxo de corrente com tensões aplicadas, permitindo reconfigurabilidade dinâmica”, disse Hersam. “Ter um alto grau de sintonia em um único dispositivo nos permite executar algoritmos de classificação sofisticados com pouco espaço e baixo consumo de energia.”
Para testar o dispositivo, os pesquisadores analisaram conjuntos de dados médicos disponíveis publicamente. Primeiro treinaram o dispositivo para interpretar dados de ECGs, uma tarefa que normalmente requer um tempo significativo de profissionais de saúde treinados. Em seguida, pediram ao aparelho que classificasse seis tipos de batimentos cardíacos: normal, batimento atrial prematuro, contração ventricular prematura, batimento estimulado, batimento de bloqueio de ramo esquerdo e batimento de bloqueio de ramo direito.
O dispositivo nanoeletrônico foi capaz de identificar com precisão cada tipo de arritmia em 10.000 amostras de ECG. Ao contornar a necessidade de enviar dados para a nuvem, o dispositivo não apenas economiza tempo crítico para o paciente, mas também protege a privacidade.
“Cada vez que os dados são repassados, aumenta a probabilidade de roubo dos dados”, disse Hersam. “Se os dados pessoais de saúde forem processados localmente – como no pulso do relógio – isso representa um risco de segurança muito menor. Dessa forma, nosso dispositivo melhora a privacidade e reduz o risco de violação.”
Hersam imagina que, eventualmente, esses dispositivos nanoeletrônicos poderão ser incorporados aos wearables do dia a dia, personalizados de acordo com o perfil de saúde de cada usuário para aplicações em tempo real. Eles permitiriam que as pessoas aproveitassem ao máximo os dados que já coletam sem minar o poder.
“As ferramentas de inteligência artificial estão consumindo uma fração cada vez maior da rede elétrica”, disse Hersam. “É um caminho insustentável se continuarmos a depender de hardware de computador convencional”.
.
