Mientras que las computadoras se han vuelto más pequeñas y más poderosas y las supercomputadoras y la computación paralela se han convertido en el estándar, estamos a punto de chocar contra un muro en energía y miniaturización. Ahora, Los investigadores de Penn State han diseñado un dispositivo 2-D que puede proporcionar más que respuestas de sí o no y podría ser más parecido al cerebro que las arquitecturas informáticas actuales.

"El escalado de la complejidad también está en declive debido a la falta de escalabilidad de la arquitectura informática tradicional de von Neumann y la inminente era del 'silicio oscuro' que presenta una grave amenaza para la tecnología de procesadores de múltiples núcleos, ", señalan los investigadores en la edición en línea de hoy (13 de septiembre) 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. La arquitectura de Von 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 realizar al mismo tiempo, "dijo Saptarshi Das, profesor asistente de ciencias de la ingeniería y mecánica. "Para la toma de decisiones compleja mediante redes neuronales, es posible que necesite un grupo de supercomputadoras que intenten utilizar procesadores en paralelo al mismo tiempo (un millón de portátiles en paralelo) que ocuparían un campo de fútbol. Dispositivos sanitarios portátiles, por ejemplo, no puede funcionar de esa manera ".

La solución, según Das, es crear inspirados en el cerebro, cosa análoga, Redes neuronales estadísticas que no dependen de dispositivos que simplemente están encendidos o apagados, pero proporcionan una variedad de respuestas probabilísticas que luego se comparan con la base de datos aprendida en la máquina. Para hacer esto, los investigadores desarrollaron un transistor de efecto de campo gaussiano que está hecho de materiales 2-D:disulfuro de molibdeno y fósforo negro. Estos dispositivos son más eficientes energéticamente y producen menos calor, lo que los hace ideales para ampliar sistemas.

"El cerebro humano funciona a la perfección con 20 vatios de potencia, "Dijo Das." Es más eficiente energéticamente, que contiene 100 mil millones de neuronas, y no utiliza la arquitectura de von Neumann ".

Los investigadores señalan que no son solo la energía y el calor los que se han convertido en problemas, pero que se está volviendo difícil encajar más en espacios más pequeños.

"La escala de tamaño se ha detenido, ", dijo Das." Sólo 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 de posgrado en ciencias de la ingeniería y mecánica.

Los investigadores probaron su red neuronal en electroencefalógrafos humanos, representación gráfica de ondas cerebrales. Después de alimentar la red con muchos ejemplos de EEG, la red podría entonces tomar una nueva señal de EEG y analizarla y determinar si el sujeto estaba durmiendo.

"No necesitamos un período de entrenamiento o una base de información tan extensos para una red neuronal probabilística como 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 diagnósticas 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. Portátil y con un consumo mínimo de energía.

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 se conduce a través de electrones faltantes, o agujeros. El dispositivo es esencialmente dos resistencias variables en serie y la combinación produce un gráfico con dos colas, que coincide con una función gaussiana.