Cerveau-inspiré de l’informatique pourrait s’attaquer à de gros problèmes dans un petit chemin

Alors que les ordinateurs sont devenus plus petits et plus puissants et des superordinateurs et calcul parallèle sont devenus la norme, nous sommes sur le point de frapper un mur de l’énergie et de la miniaturisation. Maintenant, université Penn State, les chercheurs ont conçu un périphérique 2D qui peut fournir plus de oui-ou-pas de réponses et qui pourrait être plus brainlike que les architectures de calcul.



“La complexité de mise à l’échelle est également en déclin en raison de la non-évolutivité de la traditionnelle von Neumann de l’informatique de l’architecture et de l’imminence de la “Sombre Silicium’ époque qui présente une menace grave pour la technologie des processeurs multicœurs,” les chercheurs notent aujourd’hui (Septembre 13) en ligne question de la Nature Communications.


L’Obscurité de la Silicon ère est déjà sur nous, dans une certaine mesure, et se réfère à l’incapacité de la totalité ou de la plupart des appareils sur une puce d’ordinateur pour être alimenté à la fois. Cela arrive à cause de trop de la chaleur générée à partir d’un seul appareil. Architecture de Von Neumann est la structure standard de la plupart des ordinateurs modernes et s’appuie sur une approche numérique — “oui” ou “non”, répond-où le programme d’instruction et de données sont stockés dans la même mémoire et de partager le même canal de communication.


“De ce fait, les données des opérations et de l’instruction d’acquisition ne peut pas être fait en même temps”, a déclaré Saptarshi Das, professeur adjoint de sciences de l’ingénierie et de la mécanique. “Pour les complexes de prise de décision à l’aide de réseaux de neurones, vous pourriez avoir besoin d’une grappe de calculateurs d’essayer d’utiliser des processeurs parallèles à la même heure, un million d’ordinateurs portables en parallèle — qui prendrait un terrain de football. Portable de soins de santé périphériques, par exemple, ne peuvent pas travailler de cette façon.”


La solution, selon Das, est de créer cerveau d’inspiration, analogique, statistique, réseaux de neurones, qui ne reposent pas sur des appareils qui ne sont tout simplement sur on ou off, mais de fournir une gamme de probabiliste des réponses qui sont ensuite comparés avec les enseignements de base de données dans la machine. Pour ce faire, les chercheurs ont élaboré une Gaussienne field-effect transistor qui est faite de matériaux 2D — le bisulfure de molybdène et noir de phosphore. Ces appareils sont plus économes en énergie et produisent moins de chaleur, ce qui le rend idéal pour la mise à l’échelle des systèmes.


“Le cerveau humain fonctionne de manière transparente sur 20 watts de puissance,” dit Das. “Il est plus efficace de l’énergie, qui contient 100 milliards de neurones, et il n’utilise pas d’architecture de von Neumann.”


Les chercheurs notent qu’il n’est pas seulement de l’énergie et de la chaleur qui ont bien devenir des problèmes, mais qu’il devient difficile de s’adapter de plus en plus petits espaces.


“L’échelle de taille s’est arrêté”, a déclaré Das. “On ne peut correspondre à environ 1 milliard de transistors sur une puce. Nous avons besoin de plus de la complexité du cerveau.”


L’idée des réseaux de neurones probabilistes a été autour depuis les années 1980, mais il a besoin de dispositifs spécifiques pour la mise en œuvre.


“Semblable à celle d’un cerveau humain, les principales caractéristiques sont extraites à partir d’un ensemble d’échantillons d’apprentissage pour aider le réseau de neurones apprendre,” dit Amritanand Sébastien, étudiant de troisième cycle en sciences de l’ingénierie et de la mécanique.


Les chercheurs ont testé leur réseau de neurones de l’homme electroencephalographs, la représentation graphique des ondes cérébrales. Après l’alimentation du réseau avec de nombreux exemples de l’Eeg, le réseau pourrait alors prendre un nouveau signal EEG et de les analyser et de déterminer si l’objet était en train de dormir.


“Nous n’avons pas besoin d’une période de formation ou de la base d’information pour un réseau de neurones probabilistes que nous en avons besoin pour un réseau de neurones artificiels”, a déclaré Das.


Les chercheurs de voir les statistiques du réseau neuronal de l’informatique ayant des applications dans la médecine, parce que les décisions diagnostiques ne sont pas toujours 100% de oui ou non. Ils réalisent aussi que, pour le meilleur impact, diagnostic médical doivent être de petite taille, portable et utiliser un minimum d’énergie.


Das et ses collègues appellent leur appareil une Gaussienne de la synapse et il est basé sur un deux-transistor configuration où le disulfure de molybdène est un conducteur d’électrons, tandis que le noir le phosphore mène par manque d’électrons ou de trous. Le dispositif est essentiellement variable deux résistances en série et la combinaison produit un graphique avec deux queues, ce qui correspond à une fonction Gaussienne.


D’autres personnes travaillant sur ce projet ont été Andrew Pannone, de premier cycle en sciences de l’ingénierie et de la mécanique; et Shiva Subbulakshmi, étudiant en génie électrique à Amrita Vishwa Vidyapeetham, de l’Inde, et un stage d’été dans le Das laboratoire.


L’armée de l’Air Office de la Recherche Scientifique soutenu ce travail.




Histoire Source:


Les matériaux fournis par l’université Penn State. Original écrit par Un’ndrea Elyse Messer. Remarque: le Contenu peut être édité pour plus de style et de longueur.