Ingeniører arbejder på en ny type af neuromorft datalogi

Et hold af ingeniører på Penn State arbejder på en ny type af datalogi, da den traditionelle datalogis fremgang fortsat langsommere. Den nye beregningsmetode er baseret på hjernens neurale netværk, som er ekstremt effektive. 

Artiklen blev offentliggjort i Nature Communications. 

Hjerne-inspireret datalogi

Den væsentlige forskel mellem moderne datalogi og analoge computere, som den menneskelige hjerne tilhører, er, at den førstnævnte består af to tilstande: på-af eller en og nul. På den anden side kan en analog computer have mange mulige tilstande. Et eksempel, som holdet bruger, er sammenligningen mellem et lys, der tændes og slukkes, og et, der har en variabel mængde lys. 

Ifølge holdets leder og Penn States adjunktprofessor i ingeniørvidenskab og -mekanik Saptarshi Das, har studiet af hjerne-inspireret datalogi fundet sted i over 40 år. I dagens verden er digitale computers begrænsninger nu tvunget os til at se hen imod højhastigheds billedbehandling, som er tilfældet med autonome køretøjer. 

Big data spiller også en væsentlig rol i overgangen til neuromorft datalogi, på grund af dets krav om mønstergenkendelsestyper, der fungerer godt med hjerne-baseret datalogi. 

“Vi har kraftfulde computere, ingen tvivl om det, problemet er, at man skal gemme hukommelsen på et sted og udføre beregningerne et andet sted,” sagde Das.

Ved at flytte data frem og tilbage fra hukommelse til logik, udgifter en stor mængde energi, hvilket resulterer i langsommere beregningshastigheder. Indtil beregning og hukommelse kan være på samme sted, er der brug for en stor mængde plads til denne type miljø. 

Thomas Shranghamer er en ph.d.-studerende i gruppen og første forfatter af artiklen. 

“Vi skaber kunstige neurale netværk, som søger at efterligne hjernens energi- og arealeffektivitet,” sagde Shranghamer. “Hjernen er så kompakt, at den kan være på toppen af dine skuldre, mens en moderne supercomputer fylder en plads på størrelse med to eller tre tenniskort.”

Omkonfigurerbare kunstige neurale netværk

Holdet arbejder på kunstige neurale netværk, som kan omkonfigureres ligesom neuronerne i den menneskelige hjerne. Dette sker ved at anvende et kortvarigt elektrisk felt til en grafenskive, som er en tyk lag af kulstofatomer. Holdet demonstrerede mindst 16 mulige hukommelsestilstande.

“Det, vi har vist, er, at vi kan kontrollere en stor mængde hukommelsestilstande med præcision ved hjælp af simple grafen-felt-effekt-transistorer,” sagde Das. 

Holdet ønsker nu at kommercialisere teknologien, og Das mener, at der vil være stor interesse for arbejdet, på grund af den nuværende overgang til neuromorft datalogi blandt de største halvlederfirmaer. 

Arbejdet fra holdet på Penn State er det seneste eksempel på overgangen til disse typer af kunstige neurale netværk. Den menneskelige hjerne viser igen sin værdi som inspiration for mange af de nyeste teknologier og giver værdifuld indsigt i, hvordan eksperter kan drastisk reducere størrelsen af moderne supercomputere.