灵感来自大脑的计算可以以较小的方式解决重大问题

在计算机变得越来越小，功能越来越强大，超级计算机和并行计算已成为标准的同时，我们将在能源和小型化方面碰壁。现在，宾夕法尼亚州立大学的研究人员设计了一种2D设备，它可以提供比是或不是答案更多的功能，并且比当前的计算体系结构更像大脑。

研究人员在《自然通讯》杂志上指出：“由于传统的冯·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构成了严重威胁，因此复杂性扩展也在下降。

黑暗硅时代已经在某种程度上出现在我们眼前，它指的是无法立即启动计算机芯片上所有或大多数设备的电源。发生这种情况是因为单个设备产生的热量过多。冯·诺依曼体系结构是大多数现代计算机的标准结构，并依靠一种数字方法(“是”或“否”)，其中程序指令和数据存储在同一存储器中，并共享同一通信通道。

“因此，不能同时进行数据操作和指令获取，”工程科学和力学助理教授 Saptarshi Das说 。“对于使用神经网络进行复杂的决策，您可能需要一堆试图同时使用并行处理器的超级计算机集群(一百万台并行笔记本电脑)，这将占用一个足球场。例如，便携式医疗设备就不能那样工作。”

根据Das的说法，该解决方案是创建不受大脑影响的模拟统计神经网络，这些神经网络不依赖简单地打开或关闭的设备，而是提供一系列概率响应，然后将其与机器中学习到的数据库进行比较。为此，研究人员开发了一种由2D材料(二硫化钼和黑磷)制成的高斯场效应晶体管。这些设备具有更高的能源效率，并且产生的热量更少，因此非常适合按比例放大系统。

达斯说：“人脑在20瓦的功率下无缝运行。” “它具有更高的能源效率，包含1000亿个神经元，并且不使用冯·诺依曼架构。”

研究人员指出，不仅仅是能量和热量成为问题，而且越来越难以在较小的空间中容纳更多的能量。

“大小缩放已停止，” Das说。“我们只能在一个芯片上安装大约10亿个晶体管。我们需要像大脑一样的复杂性。”

概率神经网络的想法始于1980年代，但是它需要特定的设备来实现。

“类似于人脑的工作，从一组训练样本中提取了关键特征，以帮助神经网络学习，”工程科学和力学专业的研究生Amritanand Sebastian说。

研究人员在人类脑电图仪上测试了他们的神经网络，这是脑电波的图形表示。在向网络提供许多脑电图实例之后，网络可以获取新的脑电图信号并对其进行分析，并确定受试者是否正在睡觉。

达斯说：“对于概率神经网络，我们不需要那么广泛的培训期或信息基础，而对于人工神经网络，则不需要。”

研究人员看到统计神经网络计算在医学中具有应用，因为诊断决策并非总是100%是或否。他们还认识到，为了获得最佳效果，医疗诊断设备需要小巧，轻便并且消耗最少的能量。

Das及其同事称其装置为高斯突触，它基于双晶体管设置，其中二硫化钼是电子导体，而黑磷则通过缺失的电子或空穴进行传导。该器件本质上是串联的两个可变电阻器，结合后会产生带有两个尾部的图形，该图形与高斯函数相匹配。

免责声明：本文由用户上传，如有侵权请联系删除！