به گزارش اینترستینگ انجینرینگ، موج استفاده از هوش مصنوعی در صنعت فناوری فراگیر شده و شرکت‌های کوچک و بزرگ قابلیت‌های مبتنی بر آن را در محصولاتشان به کار می‌برند. همزمان با استفاده از هوش مصنوعی، استفاده از تراشه و زیرساخت‌های آن نیز افزایش می‌یابد. درهمین راستا مارک هرسام، پروفسور مواد در دانشگاه نورث وسترن معتقد است این روش انرژی زیادی مصرف می‌کند زیرا داده‌ها جمع‌آوری شده و برای تحلیل به ابر رایانشی و در مرحله بعد نتایج به کاربر ارسال می‌شود. در عوض پردازش محلی داده‌ها انرژی کمتری مصرف می‌کند.
قبل از تحلیل، باید داده‌های جمع‌آوری شده برای پردازش توسط ماشین یادگیری، دسته‌بندی شوند. چون هریک از ترانزیستورهای سیلیکونی می‌توانند یک گام از فرآوری داده را انجام دهند، تعداد ترانزیستورهای مورد نیاز برای تکمیل این فرآیند باید با اندازه داده‌ها متناسب باشد. تیم هرسام تصمیم گرفت از سیلیکون استفاده نکند و دی سولفید مولبدنیم ۲ بعدی و نانولوله‌های تک بعدی کربن برای ساخت مینی ترانزیستورها به کار گیرد. طراحی ترانزیستورهای جدید به شکلی بود که بتوان آنها را دوباره تنظیم و برای گام‌های مختلف در تحلیل به کار برد. هرسام در این باره می‌گوید: یکپارچه‌سازی دو ماده جداگانه در یک دستگاه سبب می‌شود جریان برق را با ولتاژ به کار رفته ماژول‌بندی کرد.
این امر نه تنها تعداد ترانزیستورها و انرژی مصرفی را کاهش می‌دهد، بلکه به فرآیند مینیاتورسازی تحلیل و یکپارچه‌سازی دستگاه کمک می‌کند. محققان از مخازن داده پزشکی عمومی برای نشان دادن قابلیت‌های ابزار استفاده کردند. آنها هوش مصنوعی را آموزش دادند تا داده‌ها را از ECG تفسیر کند. کارمندان بخش خدمات درمانی می‌توانند این کار را پس از آموزش‌های طولانی و سنگین انجام دهند. به دستگاه دستور داده شد تا داده‌های ۱۰ هزار نمونه ECG را به ۶ نوع تپش قلب دسته‌بندی کند. دستگاه با دقت ۹۵ درصد این کار را انجام داد. چنین فعالیتی با این میزان پیچیدگی نیازمند حداقل ۱۰۰ ترانزیستور سیلیکونی برای انجام رایانش است، اما محققان دانشگاه نورث وسترن توسط دو تراشه با طراحی نوین توانستند رایانش اطلاعات را انجام دهند. محققان امیدوارند در آینده این دستگاه را در گجت‌های پوشیدنی بدون فشار به شبکه برق به کار ببرند.
