美国西北大学工程师开发了一种新型纳米电子设备，可以迄今最节能的方式执行准确的机器学习分类任务。该设备的能源使用效率比当前技术提高100倍，可实时处理大量数据并执行人工智能（AI）任务，而无需将数据传输到云端进行分析。研究成果10月12日发表在《自然·电子学》杂志上。
　　
　　该设备体积小、功耗超低且接收分析没有延迟，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，以进行实时数据处理和近乎即时的诊断。
　　
　　为了测试该设备，研究人员用其对公开的心电图（ECG）数据集中的信息进行分类。结果表明，该设备不仅能够有效、正确地识别不规则心跳，还能从6种不同类别中确定心律失常亚型，准确率接近95%。
　　
　　在机器学习工具可以分析新数据之前，这些工具必须首先准确可靠地将训练数据分类为不同的类别。对于当前的硅基技术来说，要对心电图等大型数据集的数据进行分类，需要100多个晶体管，每个晶体管都需要自己的能源设备来运行。但该纳米电子设备只需两台能源设备即可执行相同的机器学习分类，大幅降低了功耗。
　　
　　团队先训练该设备来解释心电图数据，这项任务通常需要训练有素的医护人员花费大量时间。而该纳米电子设备能够从10000个心电图样本中准确识别每种心律失常类型。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出关键时间，还保护了患者隐私。
　　
　　未来这些纳米电子设备可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。