Hjerneinspireret computing til en æra efter Moores lov

Siden opfindelsen af ​​transistoren i 1947, computerudvikling har oplevet en konsekvent fordobling af antallet af transistorer, der kan passe på en chip. Men den tendens, kendt som Moores lov, kan nå sin grænse, da komponenter i submolekylær størrelse støder på problemer med termisk støj, gør yderligere skalering umulig.

I deres papir offentliggjort i denne uge i Anvendt fysik anmeldelser forfattere Jack Kendall, af Rain Neuromorphics, og Suhas Kumar, af Hewlett Packard Labs, præsentere en grundig undersøgelse af computerlandskabet, med fokus på de operationelle funktioner, der er nødvendige for at fremme hjerneinspireret neuromorf computing. Deres foreslåede vej omfatter hybridarkitekturer sammensat af digitale arkitekturer, ved siden af ​​en genopblussen af ​​analoge arkitekturer, muliggjort af memristors, som er modstande med hukommelse, der kan behandle oplysninger direkte, hvor de er gemt.

"Fremtiden for computing vil ikke handle om at proppe flere komponenter på en chip, men om at genoverveje processorarkitekturen fra bunden for at efterligne, hvordan en hjerne effektivt behandler information, "Sagde Kumar.

"Der er begyndt at dukke op løsninger, der replikerer det naturlige behandlingssystem i en hjerne, men både forsknings- og markedsrum er vidt åbne, "Tilføjede Kendall.

Computere skal genopfindes. Som forfatterne påpeger, "Dagens state-of-the-art computere behandler omtrent lige så mange instruktioner pr. Sekund som en insekthjerne, "og de mangler evnen til effektivt at skalere. I modsætning hertil er den menneskelige hjerne er omkring en million gange større i omfang, og det kan udføre beregninger af større kompleksitet på grund af egenskaber som plasticitet og sparsomhed.

Genopfinde computing for bedre at efterligne de neurale arkitekturer i hjernen er nøglen til at løse dynamiske ikke -lineære problemer, og forfatterne forudsiger, at neuromorfe computere vil være udbredt allerede i midten af ​​dette årti.

Fremskridt inden for computing primitiver, såsom ikke -linearitet, kausalitet og sparsomhed, i nye arkitekturer, såsom dybe neurale netværk, vil bringe en ny computerbølge, der kan håndtere meget vanskelige begrænsede optimeringsproblemer som vejrudsigter og gensekvensering. Forfatterne giver et overblik over materialer, enheder, arkitekturer og instrumentering, der skal avancere, for at neuromorfe computere kan modnes. De udsender en opfordring til handling for at opdage nye funktionelle materialer til udvikling af nye computerenheder.

Deres papir er både en guidebog for tilflyttere til feltet for at bestemme, hvilke nye retninger de skal følge, samt inspiration til dem, der leder efter nye løsninger på de grundlæggende grænser for aldrende computingparadigmer.