大脑启发的计算可以在很小的方面解决大问题

虽然计算机变得更小，功能更强大，超级计算机和并行计算已成为标准，但我们即将在能源和小型化方面遇到障碍。现在，币安立大学的研究人员已经设计出一种2D设备，它可以提供比是或否更多的答案，并且可能比当前的计算体系结构更像大脑。

“由于传统冯·诺依曼计算架构的不可扩展性以及即将到来的'黑暗硅'时代对多核处理器技术造成严重威胁，复杂性扩展也在下跌，”研究人员在今天（9月13日）的在线报道自然通讯问题。

黑暗硅时代在某种程度上已经存在，并且指的是计算机芯片上的所有或大多数设备无法立即通电。这是因为单个设备产生的热量过多。冯·诺依曼架构是大多数现代计算机的标准结构，依赖于数字方法 – “是”或“否”答案 – 其中程序指令和数据存储在同一存储器中并共享相同的通信信道。

“因此，数据操作和指令获取不能同时完成，”工程科学与力学助理教授Saptarshi Das说。 “对于使用神经网络的复杂决策，您可能需要一组超级计算机同时尝试使用并行处理器 – 并行数百万台笔记本电脑 – 这将占据足球领域。例如，便携式医疗保健设备，不能那样工作。“

根据Das的说法，解决方案是创建大脑启发的模拟统计神经网络，不依赖于简单开启或关闭的设备，而是提供一系列概率响应，然后与机器中的学习数据库进行比较。为此，研究人员开发出一种高斯场效应晶体管，由二维材料 – 二硫化钼和黑磷制成。这些设备更节能，产生的热量更少，因此非常适合扩展系统。

“人脑在20瓦的功率下无缝运行，”达斯说。 “它更节能，包含1000亿个神经元，并且它不使用冯·诺依曼架构。”

研究人员指出，不仅能量和热量已成为问题，而且越来越难以适应更小的空间。

“尺寸缩放已停止，”达斯说。 “我们只能在芯片上安装大约10亿个晶体管。我们需要像大脑那样更复杂。”

自20世纪80年代以来，概率神经网络的概念已经存在，但它需要特定的设备来实现。

“与人类大脑的工作类似，关键特征是从一组训练样本中提取出来，以帮助神经网络学习，”工程科学与力学研究生Amritanand Sebastian说。

研究人员在人脑电图上测试了他们的神经网络，脑波的图形表示。在向网络提供许多EEG示例之后，网络可以接收新的EEG信号并对其进行分析并确定受试者是否在睡觉。

“我们不需要像人工神经网络那样需要广泛的训练周期或概率神经网络信息基础，”达斯说。

研究人员认为统计神经网络计算在医学中有应用，因为诊断决策并不总是100％是或否。他们还意识到，为了获得最佳的影响，医疗诊断设备需要小巧，便携并且使用最少的能量。

Das和同事称他们的设备为高斯突触，它基于双晶体管设置，其中二硫化钼是电子导体，而黑磷通过缺失的电子或空穴传导。该器件本质上是两个串联的可变阻力器，并且该组合产生具有两个尾部的图形，其匹配高斯函数。

从事这个项目的其他人是Andrew Pannone，工程科学和力学本科;和Shiva Subbulakshmi，印度Amrita Vishwa Vidyapeetham的电气工程专业学生，以及Das实验室的暑期实习生。

空军科学研究办公室支持这项工作。

故事来源：

物料 由…提供 宾州州立大学。原文由A'ndrea Elyse Messer撰写。注意：可以根据样式和长度编辑内容。