Si bien las computadoras se han vuelto más pequeñas y más potentes y las supercomputadoras y la computación paralela se han convertido en el estándar, estamos a punto de golpear un muro en energía y miniaturización. Ahora, los investigadores de Penn State han diseñado un dispositivo 2D que puede proporcionar más que sí, o-no hay respuestas y podría ser más cerebral que las arquitecturas informáticas actuales.
"La escala de complejidad también está en declive debido a la no escalabilidad de la arquitectura de computación tradicional de von Neumann y la inminente era 'Dark Silicon' que presenta una grave amenaza para la tecnología de procesadores multi-core", señalan los investigadores en la actualidad 13 de septiembre edición en línea de Comunicaciones de la naturaleza .
La era del Silicio Oscuro ya está sobre nosotros hasta cierto punto y se refiere a la incapacidad de todos o la mayoría de los dispositivos en un chip de computadora para encenderse a la vez. Esto sucede debido al exceso de calor generado por un solo dispositivo. VonLa arquitectura de Neumann es la estructura estándar de la mayoría de las computadoras modernas y se basa en un enfoque digital: respuestas "sí" o "no", donde la instrucción del programa y los datos se almacenan en la misma memoria y comparten el mismo canal de comunicaciones.
"Debido a esto, las operaciones de datos y la adquisición de instrucciones no se pueden hacer al mismo tiempo", dijo Saptarshi Das, profesor asistente de ciencias de la ingeniería y mecánica. "Para la toma de decisiones complejas utilizando redes neuronales, es posible que necesite un grupo de supercomputadorastratando de usar procesadores paralelos al mismo tiempo, un millón de computadoras portátiles en paralelo, eso ocuparía un campo de fútbol. Los dispositivos de salud portátiles, por ejemplo, no pueden funcionar de esa manera ".
La solución, según Das, es crear redes neuronales análogas y estadísticas inspiradas en el cerebro que no dependan de dispositivos que simplemente estén encendidos o apagados, sino que proporcionen un rango de respuestas probabilísticas que luego se comparan con la base de datos aprendida enPara hacer esto, los investigadores desarrollaron un transistor gaussiano de efecto de campo que está hecho de materiales 2D: disulfuro de molibdeno y fósforo negro. Estos dispositivos son más eficientes en energía y producen menos calor, lo que los hace ideales para la ampliación de sistemas.
"El cerebro humano funciona sin problemas con 20 vatios de potencia", dijo Das. "Es más eficiente energéticamente, contiene 100 mil millones de neuronas y no utiliza la arquitectura de von Neumann".
Los investigadores señalan que no solo la energía y el calor se han convertido en problemas, sino que cada vez es más difícil encajar en espacios más pequeños.
"La escala de tamaño se ha detenido", dijo Das. "Solo podemos colocar aproximadamente mil millones de transistores en un chip. Necesitamos más complejidad como el cerebro".
La idea de redes neuronales probabilísticas ha existido desde la década de 1980, pero necesitaba dispositivos específicos para su implementación.
"Similar al funcionamiento de un cerebro humano, las características clave se extraen de un conjunto de muestras de entrenamiento para ayudar a la red neuronal a aprender", dijo Amritanand Sebastian, estudiante graduado en ciencias de la ingeniería y mecánica.
Los investigadores probaron su red neuronal en electroencefalogramas humanos, representación gráfica de las ondas cerebrales. Después de alimentar a la red con muchos ejemplos de EEG, la red podría tomar una nueva señal de EEG y analizarla y determinar si el sujeto estaba durmiendo.
"No necesitamos un período de entrenamiento o base de información tan extenso para una red neuronal probabilística como lo necesitamos para una red neuronal artificial", dijo Das.
Los investigadores ven que la computación estadística de redes neuronales tiene aplicaciones en medicina, porque las decisiones de diagnóstico no siempre son 100% sí o no. También se dan cuenta de que, para obtener el mejor impacto, los dispositivos de diagnóstico médico deben ser pequeños, portátiles y usar energía mínima.
Das y sus colegas llaman a su dispositivo una sinapsis gaussiana y se basa en una configuración de dos transistores donde el disulfuro de molibdeno es un conductor de electrones, mientras que el fósforo negro conduce a través de electrones o agujeros faltantes. El dispositivo es esencialmente dos resistores variables enserie y la combinación produce un gráfico con dos colas, que coincide con una función gaussiana.
Otros que trabajaron en este proyecto fueron Andrew Pannone, estudiante de ingeniería y mecánica; y Shiva Subbulakshmi, estudiante de ingeniería eléctrica en Amrita Vishwa Vidyapeetham, India, y pasante de verano en el laboratorio Das.
La Oficina de Investigación Científica de la Fuerza Aérea apoyó este trabajo.
Fuente de la historia :
Materiales proporcionado por Estado Penn . Original escrito por A'ndrea Elyse Messer. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :