ECG del Futuro: Vi presento il Chip Flessibile che Rivoluziona la Diagnosi!

Ciao a tutti, appassionati di tecnologia e futurologi! Oggi voglio parlarvi di qualcosa che mi sta davvero entusiasmando, una di quelle innovazioni che potrebbero cambiare le carte in tavola nel mondo della diagnostica medica, e non solo. Immaginate un futuro in cui i dispositivi che monitorano la nostra salute siano così sottili, flessibili ed efficienti da poter essere indossati comodamente, quasi come una seconda pelle, analizzando i dati in tempo reale e con un consumo energetico irrisorio. Sembra fantascienza? Beh, forse non più per molto!

Il Problema: L’AI ha Fame di Energia (e Spazio!)

L’intelligenza artificiale (AI) è ormai ovunque, e sta facendo cose strabilianti: riconosce immagini, elabora dati complessi, classifica informazioni a velocità pazzesche. Ma c’è un “ma”. Più l’AI diventa sofisticata, con reti neurali sempre più profonde e complesse, più ha bisogno di potenza di calcolo e, di conseguenza, di energia. Questo è un bel problema, soprattutto quando pensiamo ai cosiddetti dispositivi “edge”.

Cosa sono? Immaginate dispositivi che generano, raccolgono, processano e analizzano i dati proprio lì, sul posto, vicino alla fonte, senza doverli spedire chissà dove a un server centrale. Questo è l’edge computing, e ragazzi, quanto velocizza le cose e migliora la reattività, specialmente in applicazioni in tempo reale o quando la rete è ballerina! Pensate ai dispositivi indossabili, quelli che si attaccano alla pelle: per essere davvero utili, devono essere compatti, consumare pochissimo (perché mica possiamo portarci dietro una centrale elettrica!) e, idealmente, essere fabbricabili su materiali morbidi e flessibili.

L’hardware tradizionale, basato sui transistor CMOS, inizia a mostrare i suoi limiti qui. Serve qualcosa di nuovo, di più efficiente. Ed è qui che entra in gioco la nostra star.

La Soluzione Scintillante: Ecco l’f-MDPE!

Nel nostro recente lavoro, abbiamo proposto un aggeggio chiamato f-MDPE, che sta per “flexible memristive dot product engine”, ovvero un “motore per prodotti scalari memristivo flessibile”. Un nome un po’ altisonante, lo so, ma fidatevi, è una figata! Si tratta, in sostanza, di un array di memristori (una specie di “resistenze con memoria”) su un substrato flessibile, pensato apposta per l’edge computing. E l’abbiamo messo alla prova in un sistema di monitoraggio dell’elettrocardiogramma (ECG) in tempo reale.

Questo f-MDPE è un array a barre incrociate (crossbar) 32×32, e la cosa notevole è che usa un memristore a trappola di carica auto-raddrizzante, processato a bassa temperatura su un substrato di poliimmide flessibile. “Auto-raddrizzante” significa che si comporta un po’ come un diodo, lasciando passare la corrente in una direzione ma bloccandola nell’altra, il che è super utile per evitare interferenze negli array grandi. E “bassa temperatura” è cruciale, perché se scaldi troppo un substrato flessibile… beh, diciamo che non gli fa bene!

I risultati? Uniformità elevatissima e una stabilità elettrica e meccanica da urlo, anche quando lo pieghiamo fino a un raggio di 5 mm. Immaginatevelo attaccato al polso o a un dito!

Com’è Fatto Questo Gioiellino Tecnologico?

Per i più curiosi, il nostro memristore a trappola di carica ha una struttura a strati (Ti/Pt/Ti/Al2O3/NbOx/Ta2O5/Pt, dal basso verso l’alto) integrata sul substrato flessibile di poliimmide. Magari la struttura di per sé non è nuovissima, l’avevamo già proposta su substrati rigidi. Ma per farla funzionare su un materiale flessibile e superare alcuni limiti di velocità, abbiamo introdotto tre modifiche chiave:

• Processi a bassa temperatura: Tutto sotto i 180°C, per non rovinare il substrato flessibile.
• Miglioramento dello strato tunnel: Abbiamo usato ozono (O3) invece di acqua (H2O) per depositare lo strato di Al2O3, riducendo le trappole passivate dall’idrogeno e migliorando la velocità di programmazione.
• Elettrodo inferiore più flessibile: Abbiamo inserito uno strato di platino (Pt) da 30 nm in mezzo allo strato di titanio (Ti) dell’elettrodo inferiore, perché il titanio da solo è un po’ fragilino meccanicamente.

Il risultato è un dispositivo che può cambiare la sua conduttanza in modo analogico, con un rapporto on/off massimo di circa 10.000 e un rapporto di raddrizzamento di circa 1.000. Questo significa che possiamo programmarlo con precisione e che può funzionare bene anche in array molto grandi senza troppi problemi di “sneak path” (correnti parassite). E non ha bisogno di quel fastidioso processo di “elettroformatura” iniziale, il che garantisce alta uniformità da dispositivo a dispositivo e da ciclo a ciclo.

Flessibile è Meglio: Test di Resistenza Superati!

Una delle cose più fiche dell’f-MDPE è la sua flessibilità. L’abbiamo strapazzato per bene, piegandolo con raggi di curvatura diversi. Ebbene, ha continuato a funzionare alla grande fino a un raggio di 5 mm! Considerando che la curvatura del polso è di circa 15 mm e quella di un dito di 5 mm, direi che ci siamo. Anche le caratteristiche di ritenzione dei dati (quanto a lungo “ricorda” lo stato programmato) non sono state influenzate negativamente dallo stress da piegamento, mantenendosi stabili per un tempo equivalente a oltre 3 anni. Abbiamo anche verificato la sua resistenza a cicli di piegamento ripetuti, e ha retto botta egregiamente.

L’Intelligenza Artificiale ‘Consapevole’ dell’Hardware

Ora, c’è un piccolo inghippo quando si usano questi dispositivi memristivi in reti neurali. Le reti neurali eseguono un sacco di moltiplicazioni vettore-matrice (VMM). Con i memristori, queste operazioni si basano sulla legge di Kirchhoff e sulla legge di Ohm, il che è super efficiente. Di solito, si assume che la conduttanza del memristore sia costante (conduzione Ohmica). Ma il nostro f-MDPE, come molti dispositivi a bassa corrente, ha una risposta in corrente non lineare rispetto alla tensione di ingresso (conduzione non-Ohmica, nel nostro caso di tipo Schottky). Questo significa che la sua “resistenza” cambia a seconda della tensione applicata, un po’ come un rubinetto che non dà un flusso costante.

Se addestrassimo una rete neurale nel modo tradizionale e poi cercassimo di “mappare” i pesi sull’f-MDPE, i risultati sarebbero deludenti. Quindi, abbiamo escogitato un approccio di addestramento “consapevole dell’hardware”. In pratica, durante l’addestramento della rete neurale (che facciamo via software), teniamo conto di queste caratteristiche non-Ohmiche. Abbiamo sviluppato un metodo matematico per convertire la funzione di peso non lineare in una lineare durante l’addestramento. Poi, i pesi addestrati, che riflettono queste non linearità, vengono riconvertiti in valori di conduttanza che possono essere mappati direttamente sull’f-MDPE per l’inferenza (cioè, per fare le diagnosi). È un po’ come insegnare a qualcuno a guidare un’auto che ha l’acceleratore un po’ strano: gli insegni a compensare quella stranezza. Questo approccio evita calcoli extra complicati durante l’addestramento e può essere applicato a qualsiasi memristore con comportamento non-Ohmico.

ECG in Tempo Reale: Mettiamo alla Prova l’f-MDPE

E veniamo all’applicazione pratica: la diagnosi dell’ECG. L’analisi dell’ECG con l’AI non è una novità assoluta, ma farla in tempo reale, su un dispositivo edge flessibile, sì! Abbiamo usato il database di aritmie MIT-BIH, che classifica i segnali ECG in cinque categorie: normale (N) e quattro tipi di battiti anomali (S, V, Q, F). Abbiamo pre-processato i segnali ECG per adattarli al nostro array 32×32 e li abbiamo usati per addestrare un percettrone a singolo strato (SLP) 32×5, usando il nostro metodo di addestramento consapevole dell’hardware.

La matrice dei pesi addestrata contiene valori sia positivi che negativi. Dato che la conduttanza può essere solo positiva, abbiamo usato un trucchetto comune: rappresentare ogni peso con una coppia di colonne, una per i valori positivi e una per quelli negativi. Quindi, la nostra matrice 32×5 è diventata 32×10. Abbiamo poi programmato l’f-MDPE con questa matrice di pesi, ottenendo una correlazione del 99.8% tra le correnti target e quelle misurate. Un’accuratezza di programmazione notevole!

Abbiamo quindi testato il sistema. Per cinque esempi di battiti cardiaci diversi, il neurone corrispondente alla categoria corretta ha mostrato la corrente di uscita più alta, indicando una classificazione corretta. Su un set di test di 4255 campioni, abbiamo ottenuto un punteggio F1-macro di 0.774. Se però consideriamo solo la distinzione tra “normale” e “anormale” (che è spesso la cosa più importante), il punteggio sale a 0.804, con un’accuratezza nella rilevazione dei segnali anomali dell’87.3%. Non male per un prototipo!

Risultati da Urlo: Precisione ed Efficienza Energetica

Abbiamo assemblato un sistema di diagnosi ECG in tempo reale su scala di laboratorio, con un PC di controllo, un controller per l’f-MDPE, il nostro f-MDPE e un sensore ECG, con questi ultimi due attaccati al polso di una persona. Il sistema è riuscito a classificare correttamente sia segnali dal database MIT-BIH sia segnali ECG raccolti in tempo reale. L’obiettivo qui non era fare diagnosi mediche vere e proprie, ma dimostrare che l’intero sistema funzionava.

Certo, il nostro array era piccolo (32×32) e la rete neurale semplice (SLP). Ma cosa succederebbe con array più grandi e reti più complesse? Abbiamo simulato una rete neurale convoluzionale 1D (1D CNN), ottima per il riconoscimento di pattern, su hardware f-MDPE virtuale di dimensioni maggiori (fino a 64×64, che chiamiamo “modello 2k”). I risultati suggeriscono che con il modello 2k si raggiungerebbe un punteggio F1-micro di 0.99 e F1-macro di 0.94. Praticamente perfetto!

Ma la vera bomba è il consumo energetico. Per inferire un singolo battito cardiaco con il modello 2k, una CPU convenzionale consumerebbe 168 µJ e una GPU 41 µJ. Il nostro f-MDPE? Solo 120 nJ! È meno dello 0.3% dell’energia consumata dagli approcci digitali. E se scalassimo ulteriormente le dimensioni dei componenti, potremmo arrivare a soli 2.64 nJ, surclassando le GPU di oltre quattro ordini di grandezza! Questo sì che è efficiente!

Guardando al Futuro: Cosa ci Aspetta?

L’f-MDPE si allinea perfettamente con il futuro dell’elaborazione analogica dei segnali sui dispositivi edge, offrendo soluzioni di intelligenza artificiale a basso consumo. Pensateci: l’acquisizione di un singolo impulso ECG consuma già qualche µJ, l’inferenza con una GPU altri 42 µJ. Ridurre quest’ultimo a 120 nJ è un enorme passo avanti. Inoltre, elaborare i dati localmente riduce drasticamente la necessità di trasmissioni wireless, che sono molto dispendiose (Bluetooth in tempo reale consuma circa 22.7 mW).

Certo, ci sono ancora sfide da affrontare. Per un processore neuromorfico completo, dovremmo espandere la funzionalità oltre l’inferenza, includendo l’addestramento “on-chip”. Questo richiederebbe progressi nell’elettronica indossabile per integrare unità di controllo. Ma anche in quel caso, il basso consumo energetico per la programmazione dell’f-MDPE sarebbe un vantaggio enorme. Inoltre, migliorare la tensione operativa (attualmente un po’ alta) e la velocità di commutazione attraverso nuovi materiali e ottimizzazioni dei processi potrebbe ampliare ulteriormente le applicazioni.

In conclusione, credo fermamente che l’approccio f-MDPE abbia un potenziale immenso per il monitoraggio dei segnali in tempo reale e a lungo termine, grazie alla sua efficienza energetica e portabilità. Stiamo aprendo la strada a una nuova generazione di hardware neuromorfico per l’edge AI, e non vedo l’ora di vedere dove ci porterà!

Fonte: Springer