智能手表和可穿戴技术的新时代可能即将到来，随着一种能够运行人工智能算法的新型晶体管的推出。
与硅基晶体管相比，这种可重新配置的晶体管只需要一小部分的电能。如果实施，这可能预示着新一波智能手表和配备强大人工智能技术的可穿戴设备。
目前，许多人工智能算法的能源需求使它们不适合传统的可穿戴设备，因为它们会很快耗尽电池。
为了使用机器学习算法处理数据，智能手表、可穿戴设备和其他便携式传感器必须将数据无线发送到云中的人工智能系统，然后该系统分析数据并将其发送回设备。
设备级的本地处理比此过程快得多，减少了数据处理延迟。低延迟对于制造设备和无人驾驶汽车等对时间敏感的技术至关重要。
这也与物联网（IoT）系统相关，物联网系统使用计算机将复杂数据本地处理到传感器，而不是将数据发送到云端，也称为边缘计算。
作为 伊利诺伊州西北大学的马克·赫萨姆解释说。“每次数据被传递，都会增加数据被盗的可能性。如果个人健康数据是在本地处理的，比如在手表上的手腕上处理的，那么安全风险就会低得多。
这些是西北大学的研究人员试图用他们的新型轻量级晶体管解决的一些问题，这些晶体管将嵌入便携式设备中。
便携设备的机器学习技术
这些新型晶体管的关键区别在于它们由二硫化钼和碳纳米管组成。
这些材料允许晶体管通过电场永久重新配置，几乎在瞬间处理人工智能驱动的过程中的多个步骤。
相比之下，硅基晶体管一次只能管理一个步骤，充当微小的开关。因此，通常需要100个硅基晶体管的人工智能任务可能只需要其中一个可重构晶体管，从而导致能源使用的大幅减少。
伊利诺伊州西北大学的马克·赫萨姆说：“与传统的硅技术相比，我们可以用100倍的晶体管数量来实现[人工智能算法]，这就是低能耗的原因。”
Hersam和他的研究团队将这些晶体管应用于一种基于机器学习的标准人工智能算法，分析了10,000次心电测试的心跳数据，从而展示了这些晶体管的能力。
令人印象深刻的是，人工智能将心跳数据样本分类为一个“正常”组和五个不同的“心律失常”组，包括室性过早收缩。
西北大学的另一名研究团队成员Vinod Sangwan强调了这一进步的潜在影响，特别是对于电池续航时间较低或无法为基于云的人工智能处理保持一致的互联网连接的设备。
然而，将这些晶体管整合到现有工作流程中，同时确保其耐用性对商业可行性至关重要，并且仍然具有挑战性。
这是一系列将机器学习引入低功耗设备的突破中的最新进展。
今年早些时候，IBM的研究人员制造了轻量级的大脑启发芯片，能够以低功耗处理算法工作负载，再次展示了便携式设备的前景。
随着时间的推移，这些技术可以帮助驱动自主的生物启发机器人，这些机器人可以在本地处理数据，类似于有机生物。
