西北大学的新型纳米电子设备提供了节能、实时的人工智能任务，而不依赖于云。它是可穿戴设备的理想选择，可以即时处理数据，并在测试中以95%的准确率诊断心脏病。这一创新保证了更快、更有效和更私密的健康监测。

人工智能非常耗电，大多数数据分析必须在云端执行。新的节能设备使人工智能任务能够在可穿戴设备中执行，从而实现实时分析和诊断，从而加快医疗干预 研究人员对该设备进行了测试，对1万份心电图样本进行了分类，该设备成功识别了6种心跳类型，准确率达到95%

忘掉云吧。

西北大学的工程师开发了一种新的纳米电子设备，可以以最节能的方式执行精确的机器学习分类任务。该设备使用的能量比现有技术少100倍，可以处理大量数据并实时执行人工智能(ai)任务，而无需将数据发送到云端进行分析。

该设备占地面积小，功耗极低，并且没有接收分析的滞后时间，非常适合直接集成到可穿戴电子产品(如智能手表和健身追踪器)中，用于实时数据处理和近乎即时的诊断。

测试及应用

为了测试这一概念，工程师们使用该设备对公开可用的心电图(ECG)数据集中的大量信息进行分类。该设备不仅能够有效、正确地识别不规则心跳，还能够从六种不同的类别中确定心律失常亚型，准确率接近95%。

这项研究将发表在今天(10月12日)的《自然电子学》杂志上。

有限公司传统vs.新方法

西北大学的Mark C. Hersam是这项研究的资深作者，他说:“今天，大多数传感器收集数据，然后将其发送到云端，在结果最终发送给用户之前，在高能耗的服务器上进行分析。”“这种方法非常昂贵，消耗大量能量，并增加了时间延迟。我们的设备非常节能，可以直接部署在可穿戴电子设备中进行实时检测和数据处理，从而更快地应对突发卫生事件。”

作为纳米技术专家，Hersam是西北大学麦考密克工程学院材料科学与工程的Walter P. Murphy教授。他还是材料科学与工程系的系主任，材料研究科学与工程中心的主任，以及国际纳米技术研究所的成员。Hersam与南加州大学教授Han Wang和西北大学研究助理教授Vinod Sangwan共同领导了这项研究。

技术挑战与突破

在机器学习工具分析新数据之前，这些工具必须首先准确可靠地将训练数据分类为各种类别。例如，如果一个工具按颜色对照片进行分类，那么它需要识别哪些照片是红色、黄色或蓝色，以便对它们进行准确分类。对人类来说，这是一件很容易的事，但对机器来说，这是一项复杂且耗能的工作。

对于目前基于硅的技术来说，要对像心电图这样的大型数据集进行分类，需要100多个晶体管——每个晶体管都需要自己的能量来运行。然而，西北大学的纳米电子设备只用两个设备就可以完成同样的机器学习分类。通过减少设备的数量，研究人员大大降低了功耗，并开发了一种更小的设备，可以集成到标准的可穿戴设备中。

这种新装置背后的秘密是它前所未有的可调性，这源于材料的混合。虽然传统技术使用硅，但研究人员用二维二硫化钼和一维碳纳米管构建了小型化晶体管。因此，不再需要许多硅晶体管——数据处理的每一步都需要一个——可重构晶体管是动态的，足以在不同的步骤之间切换。

Hersam说:“将两种不同的材料集成到一个设备中，使我们能够根据施加的电压对电流进行强调制，从而实现动态可重构性。”“在单个设备中具有高度的可调性，使我们能够在占地面积小、能耗低的情况下执行复杂的分类算法。”

实用测试与未来展望

为了测试该设备，研究人员查看了公开可用的医疗数据集。他们首先训练设备解读心电图数据，这项任务通常需要训练有素的医护人员投入大量时间。然后，他们要求该设备对六种类型的心跳进行分类:正常心跳、房性早搏、室性早搏、有节奏心跳、左束支传导阻滞心跳和右束支传导阻滞心跳。

纳米电子设备能够准确地识别出10000个ECG样本中的每一种心律失常类型。通过绕过将数据发送到云端的需要，该设备不仅为患者节省了关键时间，还保护了隐私。

“每次数据被传递，都增加了数据被盗的可能性，”赫萨姆说。“如果个人健康数据是在本地处理的——比如在你的手腕上或手表上——那么安全风险就会低得多。通过这种方式，我们的设备改善了隐私，降低了泄露的风险。”

赫萨姆设想，最终，这些纳米电子设备可以整合到日常可穿戴设备中，根据每个用户的健康状况进行个性化定制，以实现实时应用。它们将使人们能够在不消耗电力的情况下充分利用他们已经收集到的数据。

“人工智能工具正在消耗越来越多的电网，”赫萨姆说。“如果我们继续依赖传统的计算机硬件，这是一条不可持续的道路。”

参考文献:“用于个性化支持向量机分类的可重构混合核异质结晶体管”2024年10月12日，《自然电子》。DOI: 10.1038 / s41928 - 023 - 01042 - 7

这项研究得到了美国能源部、国家科学基金会和陆军研究办公室的支持。