北西大学工程师们开发出一种新的纳米电子设备，可以以迄今为止最节能的方式执行精确的机器学习分类任务。与当前技术相比，该设备的能耗降低了100倍，可以处理大量数据并实时执行人工智能（AI）任务，无需将数据传输到云端进行分析。

由于其微小的体积、超低的功耗和接收分析结果的无延迟特性，该设备非常适合直接应用于可穿戴电子设备（如智能手表和健身追踪器）中，用于实时数据处理和即时的诊断。

为了测试这一概念，工程师们使用该设备对公开可获得的心电图（ECG）数据集进行了大量信息分类。该设备不仅能够高效地正确识别心跳不规律，还能够准确确定六个不同类别中的心律失常亚型，准确率接近95%。

这项研究成果名为《用于个性化支持向量机分类的可重新配置混合核异质结晶体管》，于10月12日发表在《自然电子学》杂志上。

该研究的高级作者、北西大学的材料科学与工程沃特·P·墨菲医学院教授马克·赫萨姆表示：“如今，大多数传感器收集数据，并将其发送到云端，在高耗能服务器上进行分析，然后将结果发送给用户。这种方法非常昂贵，能耗大且有时间延迟。我们的设备具有如此高的能效，可以直接应用于可穿戴电子设备中，用于实时检测和数据处理，从而实现对健康紧急情况的更快干预。”

作为纳米技术专家，赫萨姆是北西大学麦考密克工程学院沃尔特·P·墨菲医学院教授，他还是材料科学与工程系主任，材料研究科学与工程中心主任以及国际纳米技术研究所成员。赫萨姆与南加利福尼亚大学教授韩旺和北西大学研究助理教授文纳德·桑格万共同领导了这项研究。

在机器学习工具能够分析新数据之前，这些工具必须首先将训练数据准确可靠地分类到各个类别中。例如，如果一个工具正在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，以便准确分类它们。对于人类来说这是一项简单的任务，但对于机器来说就是一项复杂且耗能的工作。

对于当前的硅基技术来说，要将大型数据集（如心电图）进行分类，需要超过100个晶体管，每个晶体管都需要消耗能量。但是，北西大学的纳米电子设备只需要通过两个设备就可以执行相同的机器学习分类。通过减少设备的数量，研究人员大大降低了能耗，并开发出一个更小、可以集成到标准可穿戴设备中的设备。

这种新型设备的秘密在于其前所未有的可调节性，这是由于混合材料的作用。研究人员并不使用传统的硅材料，而是使用二维硫化钼和一维碳纳米管来构建微型晶体管。因此，与需要许多硅晶体管（每个数据处理步骤一个）的传统技术相比，这种可重新配置的晶体管足够灵活，可以在各个步骤之间进行切换。

赫萨姆说：“在一个设备中集成两种不同的材料使我们能够通过施加电压来调控电流流动，实现动态重构。在单个设备中具有很高的可调节性使我们能够以较小的体积和低的能耗执行复杂的分类算法。”

为了测试这一设备，研究人员使用公开可获得的医学数据集。他们首先训练设备解释心电图数据，这通常需要经过训练有素的医护人员耗费大量时间。然后，他们要求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、起搏心跳、左束支传导阻滞心跳和右束支传导阻滞心跳。

这种纳米电子设备能够准确识别出10000个心电图样本中的每一种心律失常类型。通过避免将数据发送到云端，该设备不仅为患者节省了关键时间，还保护了隐私。

赫萨姆表示：“每次数据传输，都会增加数据被窃取的风险。如果个人健康数据在本地处理，比如在手腕上的手表上，这就降低了安全风险。通过这种方式，我们的设备提高了隐私性并降低了数据泄露的风险。”

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应用。它们将使人们能够充分利用他们已经收集到的数据而不消耗能量。

赫萨姆说：“人工智能工具正在消耗电网越来越多的一部分能量。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。”