美國西北大學工程師開發了一種新型納米電子設備，可以迄今最節能的方式執行準確的機器學習分類任務。該設備的能源使用效率比當前技術提高100倍，可實時處理大量數據并執行人工智能（AI）任務，而無需將數據傳輸到云端進行分析。研究成果10月12日發表在《自然·電子學》雜志上。
該設備體積小、功耗超低且接收分析沒有延遲，非常適合直接集成到可穿戴電子產品（如智能手表和健身追蹤器）中，以進行實時數據處理和近乎即時的診斷。
為了測試該設備，研究人員用其對公開的心電圖（ECG）數據集中的信息進行分類。結果表明，該設備不僅能夠有效、正確地識別不規則心跳，還能從6種不同類別中確定心律失常亞型，準確率接近95%。
在機器學習工具可以分析新數據之前，這些工具必須首先準確可靠地將訓練數據分類為不同的類別。對于當前的硅基技術來說，要對心電圖等大型數據集的數據進行分類，需要100多個晶體管，每個晶體管都需要自己的能源設備來運行。但該納米電子設備只需兩臺能源設備即可執行相同的機器學習分類，大幅降低了功耗。
團隊先訓練該設備來解釋心電圖數據，這項任務通常需要訓練有素的醫護人員花費大量時間。而該納米電子設備能夠從10000個心電圖樣本中準確識別每種心律失常類型。通過繞過將數據發送到云端的需要，該設備不僅為患者節省出關鍵時間，還保護了患者隱私。
未來這些納米電子設備可整合到日常可穿戴設備中，根據每個用戶的健康狀況進行個性化定制，以實現實時應用。
