工程师正在开发新型的神经形态计算

宾夕法尼亚州立大学的一组工程师正在开发一种新型的计算方法，因为传统的计算进步正在放缓。这种新的计算方法基于大脑的神经网络，它们非常高效。

该论文发表在自然通讯上。

脑启发式计算

现代计算和模拟计算（人脑属于后者）之间的主要区别在于，前者只有两种状态：开-关或0和1。另一方面，模拟计算可以有多种可能的状态。团队使用的一个例子是比较开-关灯和可变亮度灯。

根据团队负责人和宾夕法尼亚州立大学工程科学和力学助理教授萨普塔尔希·达斯（Saptarshi Das）的说法，脑启发式计算的研究已经进行了40多年。在今天的世界中，数字计算机的限制现在迫使我们转向高速图像处理，这是自动驾驶汽车的案例。

大数据在转向神经形态计算方面也发挥着重要作用，考虑到其对模式识别类型的需求，这些类型与基于大脑的计算相适应。

“我们有强大的计算机，没有疑问，但是问题是你必须将内存存储在一个地方并在另一个地方进行计算，”达斯说。

通过将数据在内存和逻辑之间来回移动，会消耗大量的能量，导致计算速度变慢。直到计算和内存存储可以在同一个地方，需要大量的空间来容纳这种环境。

托马斯·施兰哈默（Thomas Shranghamer）是该团队的博士生和论文的第一作者。

“我们正在创建人工神经网络，这些网络旨在模仿大脑的能量和面积效率，”施兰哈默说。“大脑如此紧凑，可以放在你的肩膀上，而现代超级计算机需要占用两个或三个网球场那么大的空间。”

可重构的人工神经网络

该团队正在开发可以像人脑中的神经元一样重构的人工神经网络。这是通过对石墨烯片施加短暂的电场来实现的，石墨烯是一种厚的碳原子层。团队演示了至少16种可能的内存状态。

“我们已经证明，我们可以使用简单的石墨烯场效应晶体管来精确控制大量的内存状态，”达斯说。

该团队现在希望将该技术商业化，达斯认为，鉴于目前在最大的半导体公司中对神经形态计算的转变，将会对该工作产生很大的兴趣。

宾夕法尼亚州立大学团队的工作是转向这些类型的人工神经网络的最新例子。大脑再次证明了其价值，成为许多最新技术的灵感来源，并为专家提供了宝贵的见解，说明如何大大减少现代超级计算机的大小。