AIの学習には、非常に多くのコンピューティング・パワーとエネルギーが必要となる。そのため、この処理にはNVIDIA のDGX-1のような機械学習用サーバーが用いられる。だが、今回ノースウェスタン大学の研究者らが『Nature Electronics』誌に発表した研究において紹介されているナノ電子デバイスは、現在の技術の100倍少ないエネルギーで、大量のデータを解析し、解析のためにデータをクラウドに転送することなく、リアルタイムで人工知能（AI）タスクを実行することを可能にするという。

ノースウェスタン大学の研究者らが開発したナノ電子デバイスは、多くの機械学習システムのバックボーンである分類（大量のデータを分析し、重要なビットにラベルを付けること）のタスクを実行するように設計されている。

「今日、ほとんどのセンサーはデータを収集し、それをクラウドに送信し、そこでエネルギー消費の激しいサーバー上で分析が行われ、最終的に結果がユーザーに送り返されます。この方法は非常に高価で、エネルギーを大量に消費し、時間的な遅れが生じます。私たちの装置はエネルギー効率が非常に高いので、ウェアラブル電子機器に直接導入して、リアルタイムの検出とデータ処理を行うことができ、健康上の緊急事態に対してより迅速な介入が可能になります」と、この研究の上席著者であるノースウェスタン大学のMark C. Hersam氏は説明する。

既存のトランジスターがシリコンで作られる傾向にあるのに対し、この新しいトランジスターは、二硫化モリブデンと一次元カーボンナノチューブの二次元シートで作られている。その構造により、その場で素早く調整したり再構成したりすることができるため、従来のトランジスタでは1つのステップしか実行できなかったデータ処理チェーンの複数のステップに使用することができる。

「2つの異種材料を1つのデバイスに統合することで、印加電圧によって電流の流れを強く変調することができ、ダイナミックな再構成が可能になります。1つのデバイスに高度な調整機能を持たせることで、小さなフットプリントと低いエネルギー消費で高度な分類アルゴリズムを実行することができるのです」と、Hersam氏は説明する。

テストでは、これらの小さな “混合カーネルヘテロ接合トランジスタ”は、公開されているECGデータセットを分析し、6つの異なるタイプの心拍（正常、心房性早期拍動、心室性早期収縮、ペーシング拍動、左束ブロック拍動、右束ブロック拍動）をラベル付けするように訓練された。

10,000個のECGサンプルにおいて、研究者らは、現在の機械学習アプローチでは100個以上の従来のトランジスタを必要とするところ、わずか2個のマイクロ・トランジスタを用いて、95％の精度で異常心拍を正しく分類することができた。

これはつまり、この技術が製品化されれば、小型軽量でバッテリー駆動のモバイル機器は、自身のセンサーデータに対して機械学習AIを実行するインテリジェンスを獲得することになる。つまり、解析のためにデータの塊をクラウドに送る必要があった場合よりも早く結果を見つけることができるということだ。また、あなたが収集した個人データはローカル、プライベート、セキュアに保たれるということでもある。

この機器については今のところポータブルデバイス以外については触れられていないため、ビデオデータを扱えるのか、あるいはこの研究がより大規模な機械学習やAI機器に応用されるのかは不明だが、消費電力が100倍になったとしてもその分の性能向上が果たせるとすれば、大規模なモデルのトレーニングにおいて大きな前進となるだろう。

世界中の企業が非常に巨大な言語モデルやマルチモーダルAIの学習を急いでいるため、エネルギー使用量とそれに伴う排出量は急増している。2021年当時でさえ、Googleの全エネルギー予算の10～15％がAIに費やされていた。このままいけば、GoogleのAI関連の消費電力だけでアイルランドの年間電力消費量を上回ってしまうとの予測もある。

Hersam氏は、このようなナノエレクトロニック・デバイスが、やがては日常的なウェアラブルに組み込まれ、各ユーザーの健康プロファイルに合わせてパーソナライズされ、リアルタイムで応用されるようになることを想像している。そうなれば、人々は電力を消耗することなく、すでに収集しているデータを最大限に活用できるようになるだろう。

「AIツールが消費する電力網の割合はますます増えています。従来のコンピュータ・ハードウェアに依存し続けることは、持続不可能な道です」。

論文

• Naure Electoronics: Reconfigurable mixed-kernel heterojunction transistors for personalized support vector machine classification

参考文献

• Northwestern Univesity: AI just got 100-fold more energy efficient
• NewScientist: Energy-efficient transistor could allow smartwatches to use AI

研究の要旨

アルゴリズムと低消費電力コンピューティング・ハードウェアの進歩により、機械学習は、心電図判読のようなオフグリッド医療データ分類・診断アプリケーションに使用できる可能性がある。しかし、心電図分類用のサポートベクターマシンアルゴリズムは高い分類精度を示すものの、従来の相補型金属酸化膜半導体回路を使用した場合、カーネルの最適化に複雑さと大幅な電力消費が必要となるため、エッジアプリケーション用のハードウェア実装は実用的ではありません。ここでは、アナログサポートベクターマシンのカーネルアプリケーション向けに、完全に調整可能な個別および混合ガウス関数とシグモイド関数を生成できる、デュアルゲートのファンデルワールスヘテロ接合をベースとした再構成可能な混合カーネルトランジスタについて報告する。我々は、ヘテロ接合によって生成されたカーネルが、標準的な放射基底関数カーネルと比較して高い分類精度で心電図信号からの不整脈検出に使用できることを示す。混合カーネルヘテロ接合トランジスタの再構成可能な性質は、ベイズ最適化を用いたパーソナライズされた検出も可能にする。混合カーネルヘテロ接合デバイス1個で、数十個のトランジスタからなる相補型金属酸化膜半導体回路の等価伝達関数を生成することができるため、サポートベクターマシン分類アプリケーションに低消費電力アプローチを提供することができる。