Grafen-baserede hukommelsesmodstande viser løfte om hjernebaseret databehandling

Efterhånden som fremskridt inden for traditionel databehandling aftager, nye former for computing er på vej frem. I Penn State, et team af ingeniører forsøger at være banebrydende for en type computer, der efterligner effektiviteten af ​​hjernens neurale netværk, mens de udnytter hjernens analoge natur.

Moderne databehandling er digital, består af to stater, on-off eller en og nul. En analog computer, som hjernen, har mange mulige tilstande. Det er forskellen mellem at slå en lyskontakt til eller fra og at dreje en lysdæmperkontakt til varierende mængder af belysning.

Neuromorf eller hjerne-inspireret databehandling er blevet undersøgt i mere end 40 år, ifølge Saptarshi Das, teamlederen og Penn State assisterende professor i ingeniørvidenskab og mekanik. Det nye er, at da grænserne for digital computing er nået, behovet for højhastigheds billedbehandling, for eksempel til selvkørende biler, er vokset. Fremkomsten af ​​big data, som kræver typer af mønstergenkendelse, som hjernens arkitektur er særligt velegnet til, er en anden driver i jagten på neuromorfisk databehandling.

"Vi har stærke computere, ingen tvivl om det, problemet er, at du skal gemme hukommelsen ét sted og foretage beregningen et andet sted, " sagde Das.

Overflytningen af ​​disse data fra hukommelsen til logikken og tilbage igen tager en masse energi og sænker databehandlingshastigheden. Ud over, denne computerarkitektur kræver meget plads. Hvis beregningen og hukommelseslagringen kunne være placeret i samme rum, denne flaskehals kunne elimineres.

"Vi skaber kunstige neurale netværk, som søger at efterligne hjernens energi- og områdeeffektivitet, " forklarede Thomas Shranghamer, en ph.d.-studerende i Das-gruppen og førsteforfatter på et papir for nylig udgivet i Naturkommunikation. "Hjernen er så kompakt, at den kan passe oven på dine skuldre, hvorimod en moderne supercomputer optager plads på størrelse med to eller tre tennisbaner."

Ligesom synapser, der forbinder neuronerne i hjernen, som kan omkonfigureres, de kunstige neurale netværk, som teamet bygger, kan omkonfigureres ved at anvende et kort elektrisk felt på et ark grafen, det et-atom-tykke lag af kulstofatomer. I dette arbejde viser de mindst 16 mulige hukommelsestilstande, i modsætning til de to i de fleste oxid-baserede memristorer, eller hukommelsesmodstande.

"Det, vi har vist, er, at vi kan styre et stort antal hukommelsestilstande med præcision ved hjælp af simple grafenfelteffekttransistorer, " sagde Das.

Holdet mener, at det er muligt at øge denne teknologi til en kommerciel skala. Med mange af de største halvledervirksomheder, der aktivt forfølger neuromorfisk databehandling, Das tror på, at de vil finde dette arbejde af interesse.

Ud over Das og Shranghamer, den ekstra forfatter på papiret, med titlen "Graphene Memristive Synapses for High Precision Neuromorphic Computing, "er Aaryan Oberoi, doktorand i ingeniørvidenskab og mekanik.