Mentre i computer sono diventati più piccoli e più potenti e i supercomputer e il calcolo parallelo sono diventati lo standard, stiamo per colpire un muro di energia e miniaturizzazione. Ora, I ricercatori della Penn State hanno progettato un dispositivo 2D in grado di fornire più di risposte sì o no e potrebbe essere più simile a un cervello delle attuali architetture informatiche.

"Anche il ridimensionamento della complessità è in declino a causa della non scalabilità della tradizionale architettura di calcolo von Neumann e dell'imminente era del 'Dark Silicon' che rappresenta una grave minaccia per la tecnologia dei processori multi-core, " notano i ricercatori nel numero online di oggi (13 settembre) di Comunicazioni sulla natura .

L'era del silicio scuro è già in una certa misura su di noi e si riferisce all'incapacità di tutti o della maggior parte dei dispositivi su un chip di computer di essere accesi contemporaneamente. Ciò accade a causa del troppo calore generato da un singolo dispositivo. L'architettura di Von Neumann è la struttura standard della maggior parte dei computer moderni e si basa su un approccio digitale - risposte "sì" o "no" - in cui le istruzioni e i dati del programma sono archiviati nella stessa memoria e condividono lo stesso canale di comunicazione.

"A causa di ciò, le operazioni sui dati e l'acquisizione delle istruzioni non possono essere eseguite contemporaneamente, " disse Saptarshi Das, assistente professore di scienze ingegneristiche e meccaniche. "Per processi decisionali complessi utilizzando le reti neurali, potresti aver bisogno di un gruppo di supercomputer che tentano di utilizzare processori paralleli allo stesso tempo, un milione di laptop in parallelo, che occuperebbero un campo di calcio. Dispositivi sanitari portatili, Per esempio, non può funzionare così".

La soluzione, secondo Das, è creare ispirati dal cervello, analogico, reti neurali statistiche che non si basano su dispositivi semplicemente accesi o spenti, ma forniscono una gamma di risposte probabilistiche che vengono poi confrontate con il database appreso nella macchina. Per fare questo, i ricercatori hanno sviluppato un transistor gaussiano ad effetto di campo realizzato con materiali 2-D:bisolfuro di molibdeno e fosforo nero. Questi dispositivi sono più efficienti dal punto di vista energetico e producono meno calore, che li rende ideali per scalare i sistemi.

"Il cervello umano funziona perfettamente con 20 watt di potenza, " ha detto Das. "È più efficiente dal punto di vista energetico, contenente 100 miliardi di neuroni, e non usa l'architettura di von Neumann."

I ricercatori fanno notare che non sono solo l'energia e il calore a diventare problemi, ma che sta diventando difficile inserirne di più in spazi più piccoli.

"Il ridimensionamento delle dimensioni è stato interrotto, " ha detto Das. "Possiamo inserire solo circa 1 miliardo di transistor su un chip. Abbiamo bisogno di più complessità come il cervello".

L'idea delle reti neurali probabilistiche esiste dagli anni '80, ma aveva bisogno di dispositivi specifici per l'implementazione.

"Simile al funzionamento di un cervello umano, le funzionalità chiave vengono estratte da una serie di campioni di addestramento per aiutare la rete neurale ad apprendere, " disse Amritanand Sebastian, studente laureato in scienze ingegneristiche e meccaniche.

I ricercatori hanno testato la loro rete neurale su elettroencefalografi umani, rappresentazione grafica delle onde cerebrali. Dopo aver alimentato la rete con molti esempi di EEG, la rete potrebbe quindi prendere un nuovo segnale EEG e analizzarlo e determinare se il soggetto stava dormendo.

"Non abbiamo bisogno di un periodo di addestramento così esteso o di una base di informazioni per una rete neurale probabilistica come abbiamo bisogno per una rete neurale artificiale, " ha detto Das.

I ricercatori vedono il calcolo statistico della rete neurale avere applicazioni in medicina, perché le decisioni diagnostiche non sono sempre al 100% sì o no. Si rendono anche conto che per il miglior impatto, i dispositivi diagnostici medici devono essere piccoli, portatile e consumare energia minima.

Das e colleghi chiamano il loro dispositivo una sinapsi gaussiana e si basa su una configurazione a due transistor in cui il disolfuro di molibdeno è un conduttore di elettroni, mentre il fosforo nero conduce attraverso gli elettroni mancanti, o buchi. Il dispositivo è essenzialmente due resistori variabili in serie e la combinazione produce un grafico con due code, che corrisponde a una funzione gaussiana.