Även om datorer har blivit mindre och mer kraftfulla och superdatorer och parallella datorer har blivit standarden, vi är på väg att träffa en vägg i energi och miniatyrisering. Nu, Penn State-forskare har designat en 2D-enhet som kan ge mer än ja-eller-nej-svar och som kan vara mer hjärnliknande än nuvarande datorarkitekturer.

"Komplexitetsskalningen minskar också på grund av den icke-skalbara traditionella von Neumann-datorarkitekturen och den förestående" Dark Silicon "-epoken som utgör ett allvarligt hot mot flerkärnig processorteknik, " konstaterar forskarna i dagens (13 september) onlineutgåva av Naturkommunikation .

The Dark Silicon era är redan i viss utsträckning över oss och hänvisar till oförmågan hos alla eller de flesta enheterna på ett datorchip att startas på en gång. Detta händer på grund av för mycket värme som genereras från en enda enhet. Von Neumann -arkitekturen är standardstrukturen för de flesta moderna datorer och bygger på ett digitalt tillvägagångssätt - "ja" eller "nej" -svar - där programinstruktion och data lagras i samma minne och delar samma kommunikationskanal.

"På grund av detta, dataoperationer och instruktionsinhämtning kan inte göras samtidigt, sa Saptarshi Das, biträdande professor i ingenjörsvetenskap och mekanik. "För komplext beslutsfattande med hjälp av neurala nätverk, du kan behöva ett kluster av superdatorer som försöker använda parallella processorer samtidigt - en miljon bärbara datorer parallellt - som skulle ta upp en fotbollsplan. Bärbar sjukvårdsutrustning, till exempel, kan inte fungera så."

Lösningen, enligt Das, är att skapa hjärninspirerat, analog, statistiska neurala nätverk som inte är beroende av enheter som helt enkelt är på eller av, men ge en rad sannolikhetssvar som sedan jämförs med den inlärda databasen i maskinen. Att göra detta, forskarna utvecklade en Gaussisk fälteffekttransistor som är gjord av 2D-material - molybdendisulfid och svart fosfor. Dessa enheter är mer energieffektiva och producerar mindre värme, vilket gör dem idealiska för att skala upp system.

"Den mänskliga hjärnan fungerar sömlöst på 20 watt effekt, " sa Das. "Det är mer energieffektivt, som innehåller 100 miljarder neuroner, och den använder inte von Neumann-arkitektur."

Forskarna konstaterar att det inte bara är energi och värme som har blivit problem, men att det blir svårt att få plats mer i mindre utrymmen.

"Storleksskalningen har slutat, ", sa Das. "Vi kan bara passa cirka 1 miljard transistorer på ett chip. Vi behöver mer komplexitet som hjärnan. "

Idén med probabilistiska neurala nätverk har funnits sedan 1980-talet, men den behövde specifika enheter för implementering.

"Liknar hur en mänsklig hjärna fungerar, nyckelfunktioner extraheras från en uppsättning träningsprover för att hjälpa det neurala nätverket att lära sig, "sade Amritan och Sebastian, doktorand i ingenjörsvetenskap och mekanik.

Forskarna testade sitt neurala nätverk på mänskliga elektroencefalografer, grafisk representation av hjärnvågor. Efter att ha matat nätverket med många exempel på EEG, nätverket kunde sedan ta en ny EEG -signal och analysera den och avgöra om motivet sov.

"Vi behöver inte lika omfattande utbildningstid eller informationsbas för ett probabilistiskt neuralt nätverk som vi behöver för ett artificiellt neuralt nätverk, "sa Das.

Forskarna ser statistiska neurala nätverksdatorer med applikationer inom medicin, eftersom diagnostiska beslut inte alltid är 100% ja eller nej. De inser också att för bästa effekt, medicinsk diagnostikutrustning måste vara liten, bärbar och använder minimal energi.

Das och kollegor kallar sin enhet för en Gauss-synaps och den är baserad på en två-transistors inställning där molybden-disulfiden är en elektronledare, medan den svarta fosforn leder genom saknade elektroner, eller hål. Enheten är i huvudsak två variabla motstånd i serie och kombinationen ger en graf med två svansar, som matchar en Gaussisk funktion.