Исследователи из Северо-Западного университета предложили революционную систему машинного обучения для классификации медицинских данных в условиях отсутствия электросети, сокращая энергопотребление искусственного интеллекта на 99%.

Революционная система машинного обучения ученые Северо-Западного университета создали классификатор медицинских данных без электросети, сократив энергопотребление искусственного интеллекта на 99%

В недавнем исследовании ученые из Северо-Западного университета предложили революционную нейронную сеть для классификации и диагностики медицинских данных вне сети, особенно в контексте интерпретации электрокардиограммы (ЭКГ). Статья рассматривает проблемы реализации алгоритмов машинного обучения методом опорных векторов (SVM) для классификации ЭКГ на вычислительном оборудовании с низким энергопотреблением. В ней представлено новаторское решение с использованием смешанных ядерных транзисторов на основе двухворотных гетероструктур ван-дер-Ваальса.

В статье решается существующая проблема классификации и диагностики медицинских данных вне сети. Основную сложность составляют сложность и значительное энергопотребление реализации алгоритмов SVM для классификации ЭКГ с помощью традиционных кремниевых (CMOS) схем.

Она подчеркивает существующие методы и фреймворки для интерпретации ЭКГ, указывая, что хотя SVM эффективны и требуют меньше вычислительных ресурсов, чем нейронные сети, их аппаратная реализация с использованием CMOS-схем ограничивается энергопотреблением и сложностью.

• Революционизация обработки данных с помощью «Smart Fill» ИИ-система Google Sheets
• Познакомьтесь с FourCastNet глобальной моделью прогнозирования погоды на основе данных, которая революционизирует прогнозирование погоды с помощью быстрого и точного метода глубокого обучения.
• 5 Шагов для создания красивых линейных графиков с помощью Python

Ученые представляют свое решение – переконфигурируемые смешанные ядерные транзисторы на основе двухворотных гетероструктур ван-дер-Ваальса. Эти транзисторы могут генерировать полностью настраиваемые гауссовые и сигмоидальные функции для аналоговых ядерных приложений SVM, обеспечивая более энергоэффективный и практичный подход к классификации медицинских данных вне сети, таких как интерпретация ЭКГ.

В статье подробно рассказывается о смешанных ядерных транзисторах. Эти транзисторы используют монослои дисульфида молибдена (MoS2) в качестве материала типа n и полупроводящие углеродные нанотрубки (CNT) с обработкой растворами в качестве материала типа p. Точное управление электрическим экранированием позволяет генерировать полный набор смешанных гауссовых, сигмоидных и ядерных функций с нанесением на одно устройство. Эта перенастраиваемость позволяет выполнять персонализированный анализ с использованием байесовской оптимизации, настраивая систему под индивидуальные профили пациентов.

Ученые демонстрируют эффективность своих смешанных ядерных транзисторов в обнаружении аритмии по сигналам ЭКГ. Они сравнивают свой подход с использованием смешанных ядер с радиально-базисными функциями и показывают, что разработанные с помощью гетероструктурные ядра достигают высокой точности классификации. Кроме того, исследователи используют байесовскую оптимизацию для оптимизации гиперпараметров, повышая производительность классификации и делая ее подходящей для персонализированного обнаружения аритмии.

В заключение, исследователи подчеркивают преимущества своих смешанных ядерных транзисторов по сравнению с традиционными реализациями CMOS. Они подчеркивают, что одно гетероструктурное устройство смешанного ядра может выполнить то, для чего требуется десятки транзисторов в CMOS схеме. Этот подход предлагает низкопотребляющее и масштабируемое решение для приложений классификации SVM в носимых и периферийных устройствах. Исследование представляет многообещающее развитие в области классификации и диагностики медицинских данных вне сети, с большим потенциалом для применения в интерпретации ЭКГ и других сценариях контроля здоровья. Смешанные ядерные транзисторы предлагают более энергоэффективное и перенастраиваемое решение, открывая путь к персонализированному и эффективному анализу медицинских данных.