När framstegen inom traditionell datoranvändning saktar ner, nya former av datoranvändning kommer till framkant. I Penn State, ett team av ingenjörer försöker vara banbrytande för en typ av datoranvändning som efterliknar effektiviteten hos hjärnans neurala nätverk samtidigt som den utnyttjar hjärnans analoga natur.

Modern datoranvändning är digital, består av två stater, på-av eller ett och noll. En analog dator, som hjärnan, har många möjliga tillstånd. Det är skillnaden mellan att slå på eller stänga av en ljusströmbrytare och att vrida en dimmerbrytare till olika mängder belysning.

Neuromorf eller hjärninspirerad datoranvändning har studerats i mer än 40 år, enligt Saptarshi Das, teamledaren och Penn State biträdande professor i ingenjörsvetenskap och mekanik. Vad som är nytt är att när gränserna för digital datoranvändning har nåtts, behovet av höghastighets bildbehandling, till exempel för självkörande bilar, har växt. Uppkomsten av big data, som kräver typer av mönsterigenkänning för vilka hjärnans arkitektur är särskilt väl lämpad, är en annan drivkraft i jakten på neuromorfisk datoranvändning.

"Vi har kraftfulla datorer, ingen tvekan om det, problemet är att du måste lagra minnet på ett ställe och göra beräkningen någon annanstans, " sa Das.

Överföringen av dessa data från minnet till logiken och tillbaka igen tar mycket energi och saktar ner beräkningshastigheten. Dessutom, denna datorarkitektur kräver mycket utrymme. Om beräkningen och minneslagringen kunde placeras i samma utrymme, denna flaskhals skulle kunna elimineras.

"Vi skapar artificiella neurala nätverk, som försöker efterlikna hjärnans energi- och yteffektivitet, " förklarade Thomas Shranghamer, en doktorand i Das-gruppen och första författare på en uppsats som nyligen publicerades i Naturkommunikation. "Hjärnan är så kompakt att den kan passa ovanpå dina axlar, medan en modern superdator tar upp ett utrymme som är lika stort som två eller tre tennisbanor."

Liksom synapser som förbinder nervcellerna i hjärnan som kan omkonfigureras, de artificiella neurala nätverk som teamet bygger kan konfigureras om genom att applicera ett kort elektriskt fält på ett ark grafen, det enatomtjocka lagret av kolatomer. I detta arbete visar de minst 16 möjliga minnestillstånd, i motsats till de två i de flesta oxidbaserade memristorer, eller minnesmotstånd.

"Vad vi har visat är att vi kan kontrollera ett stort antal minnestillstånd med precision med enkla grafenfälteffekttransistorer, " sa Das.

Teamet tror att det är möjligt att utöka denna teknik till kommersiell skala. Med många av de största halvledarföretagen som aktivt strävar efter neuromorf datoranvändning, Das tror att de kommer att finna detta arbete av intresse.

Förutom Das och Shranghamer, den extra författaren på tidningen, med titeln "Graphene Memristive Synapses for High Precision Neuromorphic Computing, "är Aaryan Oberoi, doktorand i ingenjörsvetenskap och mekanik.