ノースウェスタン大学の研究者は、AIのエネルギー使用量を99％削減したオフグリッド医療データの分類のための画期的な機械学習フレームワークを提案しました

画期的な機械学習フレームワークによるオフグリッド医療データの分類：ノースウェスタン大学の研究者がAIのエネルギー使用量を99％削減を実現

最近、ノースウェスタン大学の研究者たちは、特に心電図（ECG）の解釈の文脈で、オフグリッド医療データの分類と診断に画期的な機械学習フレームワークを提案しました。この論文では、低電力計算ハードウェア上でのECG分類のためのサポートベクターマシン（SVM）アルゴリズムの実装の課題について議論しています。この論文では、デュアルゲート型ヴァンダーワールス異接合を基にした混合カーネルトランジスタを使用した新しい解決策を示しています。

この論文は、オフグリッド医療データの分類と診断における現存する問題に取り組んでいます。課題は、ECG分類のためのSVMアルゴリズムの実装において、従来のCMOS回路を使用した場合の複雑さと相当な消費電力にあります。

論文では、ECGの解釈のための現在利用可能な手法とフレームワークを取り上げ、SVMが効率的でニューラルネットワークよりも計算負荷が少ないことを強調しながら、CMOS回路を使用したハードウェア実装は消費電力と複雑さの面で制約があると指摘しています。

• GoogleシートのAI搭載ソリューション「スマートフィル」によるデータ処理の革新
• 「Pythonを使用して美しい折れ線グラフを作るための5つのステップ」
• 「FourCastNet（フォーキャストネット）との出会い：高速かつ正確なディープラーニング手法によって天気予報を革新するグローバルなデータ駆動型天気予測モデル」

研究者たちは、デュアルゲート型ヴァンダーワールス異接合を基にした再構成可能な混合カーネルトランジスタを提案しています。これらのトランジスタは、アナログSVMカーネルアプリケーションに対して完全に可変のガウス関数とシグモイド関数を生成することができ、ECGの解釈など、オフグリッド医療データ分類においてよりエネルギー効率の高い実用的なアプローチを提供します。

論文は、混合カーネルトランジスタの詳細について詳しく説明しています。これらのトランジスタは、単層の二硫化モリブデン（MoS2）をn型材料とし、溶液プロセスされた半導体カーボンナノチューブ（CNTs）をp型材料として使用しています。電場スクリーニングの精密な制御により、単一のデバイスを使用して細かく粒状化されたガウス、シグモイド、および混合カーネル関数の完全なセットを生成することができます。この再構成可能性により、ベイズ最適化を使用して個別の患者プロファイルに合わせたパーソナライズされた検出が可能となります。

研究者たちは、ECG信号からの不整脈検出において、混合カーネルトランジスタの効果を実証しています。彼らは従来の放射基底関数カーネルと比較し、異接合で生成されたカーネルが高い分類性能を達成していることを示しています。さらに、研究者はベイズ最適化を使用してハイパーパラメータを最適化し、分類性能を向上させ、個別の不整脈検出に適したものとしています。

総括すると、研究者たちは、従来のCMOS実装よりも混合カーネルトランジスタの利点を強調しています。彼らは、1つの混合カーネル異接合デバイスで、CMOS回路では数十のトランジスタが必要となるものを実現できることを強調しています。このアプローチは、ウェアラブルおよびエッジ環境でのSVM分類アプリケーションにおいて、低消費電力かつスケーラブルな解決策を提供します。この研究は、ECGの解釈や他のヘルスモニタリングシナリオにおけるオフグリッド医療データ分類と診断の分野において、有望な展開を示しています。混合カーネルトランジスタは、よりエネルギー効率の高い再構成可能な解決策を提供し、個別化された効率的な医療データ分析の道を開いています。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!