Hjerneinspireret computing kunne tackle store problemer på en lille måde

Mens computere er blevet mindre og mere kraftfulde, og supercomputere og parallel computing er blevet standarden, vi er ved at ramme en væg i energi og miniaturisering. Nu, Penn State-forskere har designet en 2-D-enhed, der kan give mere end ja-eller-nej svar og kunne være mere hjernelignende end nuværende computingarkitekturer.

"Kompleksitetsskaleringen er også faldende på grund af den ikke-skalerbare traditionelle von Neumann-computerarkitektur og den forestående 'Dark Silicon' æra, der udgør en alvorlig trussel mod multi-core processorteknologi, "bemærker forskerne i dagens (13. september) onlineudgave af Naturkommunikation .

Dark Silicon -æraen er allerede til en vis grad over os og henviser til, at alle eller de fleste enheder på en computerchip ikke kan tændes på én gang. Dette sker på grund af for meget varme genereret fra en enkelt enhed. Von Neumann -arkitektur er standardstrukturen for de fleste moderne computere og bygger på en digital tilgang - "ja" eller "nej" svar - hvor programinstruktion og data lagres i den samme hukommelse og deler den samme kommunikationskanal.

"På grund af dette, datadrift og anskaffelse af instruktioner kan ikke udføres på samme tid, "sagde Saptarshi Das, adjunkt i ingeniørvidenskab og mekanik. "Til kompleks beslutningstagning ved hjælp af neurale netværk, du har muligvis brug for en klynge supercomputere, der forsøger at bruge parallelle processorer på samme tid - en million bærbare computere parallelt - der ville optage en fodboldbane. Bærbare sundhedsudstyr, for eksempel, kan ikke fungere på den måde. "

Løsningen, ifølge Das, er at skabe hjerneinspireret, analog, statistiske neurale netværk, der ikke er afhængige af enheder, der simpelthen er til eller fra, men giver en række sandsynlige svar, der derefter sammenlignes med den indlærte database i maskinen. At gøre dette, forskerne udviklede en gaussisk felt-effekt-transistor, der er lavet af 2-D materialer-molybdendisulfid og sort fosfor. Disse enheder er mere energieffektive og producerer mindre varme, hvilket gør dem ideelle til skalering af systemer.

"Den menneskelige hjerne fungerer problemfrit på 20 watt strøm, "sagde Das." Det er mere energieffektivt, indeholdende 100 milliarder neuroner, og den bruger ikke von Neumann -arkitektur. "

Forskerne bemærker, at det ikke kun er energi og varme, der er blevet til problemer, men at det er ved at blive svært at få mere plads i mindre rum.

"Størrelsesskalering er stoppet, "sagde Das." Vi kan kun passe cirka 1 milliard transistorer på en chip. Vi har brug for mere kompleksitet som hjernen. "

Ideen om sandsynlige neurale netværk har eksisteret siden 1980'erne, men det havde brug for specifikke enheder til implementering.

"På samme måde som en menneskelig hjerne fungerer, nøglefunktioner udtrækkes fra et sæt træningsprøver for at hjælpe det neurale netværk med at lære, sagde Amritan og Sebastian, kandidatstuderende i ingeniørvidenskab og mekanik.

Forskerne testede deres neurale netværk på menneskelige elektroencefalografer, grafisk fremstilling af hjernebølger. Efter at have fodret netværket med mange eksempler på EEG'er, netværket kunne derefter tage et nyt EEG -signal og analysere det og afgøre, om motivet sov.

"Vi har ikke brug for så omfattende en uddannelsesperiode eller informationsgrundlag for et sandsynligt neuralt netværk, som vi har brug for til et kunstigt neuralt netværk, "sagde Das.

Forskerne ser statistisk neuralt netværk computing med applikationer inden for medicin, fordi diagnostiske beslutninger ikke altid er 100% ja eller nej. De indser også, at for den bedste effekt, medicinsk diagnostisk udstyr skal være lille, bærbar og bruge minimal energi.

Das og kolleger kalder deres enhed en gaussisk synapse, og den er baseret på en to-transistor-opsætning, hvor molybdendisulfidet er en elektronleder, mens det sorte fosfor leder gennem manglende elektroner, eller huller. Enheden er i det væsentlige to variable modstande i serie, og kombinationen producerer en graf med to haler, som matcher en gaussisk funktion.