Embora os computadores tenham se tornado menores e mais poderosos e os supercomputadores e a computação paralela tenham se tornado o padrão, estamos prestes a atingir um muro de energia e miniaturização. Agora, Os pesquisadores da Penn State projetaram um dispositivo 2-D que pode fornecer mais do que respostas sim ou não e pode ser mais parecido com o cérebro do que as arquiteturas de computação atuais.

"A escala de complexidade também está em declínio devido à não escalabilidade da arquitetura de computação tradicional de von Neumann e à era iminente do 'Dark Silicon', que representa uma grave ameaça à tecnologia de processador multi-core, "os pesquisadores observam na edição online de hoje (13 de setembro) da Nature Communications .

A era do Dark Silicon já está chegando até certo ponto e se refere à incapacidade de todos ou a maioria dos dispositivos em um chip de computador serem ligados ao mesmo tempo. Isso acontece devido ao excesso de calor gerado por um único dispositivo. A arquitetura de Von Neumann é a estrutura padrão da maioria dos computadores modernos e se baseia em uma abordagem digital - respostas "sim" ou "não" - em que as instruções e os dados do programa são armazenados na mesma memória e compartilham o mesmo canal de comunicação.

"Por causa disso, operações de dados e aquisição de instrução não podem ser feitas ao mesmo tempo, "disse Saptarshi Das, professor assistente de ciências da engenharia e mecânica. "Para tomadas de decisão complexas usando redes neurais, você pode precisar de um cluster de supercomputadores tentando usar processadores paralelos ao mesmo tempo - um milhão de laptops em paralelo - que ocupariam um campo de futebol. Dispositivos portáteis de saúde, por exemplo, não pode funcionar assim. "

A solução, de acordo com Das, é criar inspirado no cérebro, analógico, redes neurais estatísticas que não dependem de dispositivos que estão simplesmente ligados ou desligados, mas fornece uma gama de respostas probabilísticas que são comparadas com o banco de dados aprendido na máquina. Para fazer isso, os pesquisadores desenvolveram um transistor de efeito de campo gaussiano que é feito de materiais 2-D - dissulfeto de molibdênio e fósforo preto. Esses dispositivos são mais eficientes em termos de energia e produzem menos calor, o que os torna ideais para sistemas de expansão.

"O cérebro humano opera perfeitamente com 20 watts de potência, "disse Das." É mais eficiente em termos de energia, contendo 100 bilhões de neurônios, e não usa a arquitetura de von Neumann. "

Os pesquisadores observam que não são apenas a energia e o calor que se tornaram problemas, mas está se tornando difícil caber mais em espaços menores.

"O dimensionamento do tamanho parou, "disse Das." Só podemos colocar cerca de 1 bilhão de transistores em um chip. Precisamos de mais complexidade como o cérebro. "

A ideia de redes neurais probabilísticas existe desde os anos 1980, mas precisava de dispositivos específicos para implementação.

"Semelhante ao funcionamento de um cérebro humano, os principais recursos são extraídos de um conjunto de amostras de treinamento para ajudar a rede neural a aprender, "disse Amritan e Sebastian, estudante de graduação em ciências da engenharia e mecânica.

Os pesquisadores testaram sua rede neural em eletroencefalógrafos humanos, representação gráfica das ondas cerebrais. Depois de alimentar a rede com muitos exemplos de EEGs, a rede poderia então pegar um novo sinal de EEG e analisá-lo e determinar se o sujeito estava dormindo.

"Não precisamos de um período de treinamento ou base de informações tão extenso para uma rede neural probabilística quanto precisamos para uma rede neural artificial, "disse Das.

Os pesquisadores vêem a computação de rede neural estatística com aplicações na medicina, porque as decisões de diagnóstico nem sempre são 100% sim ou não. Eles também percebem que, para obter o melhor impacto, os dispositivos de diagnóstico médico precisam ser pequenos, portátil e usa o mínimo de energia.

Das e colegas chamam seu dispositivo de sinapse Gaussiana e é baseado em uma configuração de dois transistores, onde o dissulfeto de molibdênio é um condutor de elétrons, enquanto o fósforo preto conduz através dos elétrons ausentes, ou buracos. O dispositivo consiste essencialmente de dois resistores variáveis ​​em série e a combinação produz um gráfico com duas caudas, que corresponde a uma função gaussiana.