基于二维材料的类脑设备“高斯”使得高效进行基于概率的计算成为可能。 （图片来源：Saptarshi·Das，宾夕法尼亚州立大学）
当计算机的尺寸越来越小，性能越来越强大，同时超级计算机和并行计算已经成为标准的时候，我们便即将触碰到能量和微型化的屏障。现在，宾夕法尼亚州立大学的研究者设计了一种二维设备，这种设备不仅可以提供比“是或否”更全面的答案，其架构相比当前计算机也更加贴近大脑。
“由于传统冯·诺依曼计算机架构的不可扩展性，进一步增加系统复杂度已经越来越困难。另外，“暗硅（Dark Silicon）”时代已经迫在眉睫，多核处理器技术受到了严重威胁。”研究者在9月13日的《自然·通讯》在线版上这样写道。
“暗硅时代”在某种程度上已经到来了，这意味着所有的，或者说绝大部分计算机芯片上的设备不能同时运行，因为单一设备的产热非常可观。冯·诺依曼架构是绝大多数现代计算机的标准架构，其特点是依赖于数字特征——“0-1”，在这种架构中，程序指令和数据被存放在同一个存储空间中，并分享相同的通讯频道。
“正因为如此，计算机处理数据和获取指令是不能同时进行的” Saptarshi Das说道，他是机械与工程学的助理教授。“如果使用神经网络进行复杂任务规划，你可能需要许多超级计算机，并且这些计算机还要尝试同时进行并行计算——相当于一百万台并行计算的笔记本电脑——这将占据一块足球场那么大的面积。但是，像便携式医疗设备之类的小型设备不可能这样工作。”
根据Das的描述，这一问题催生出一种类脑的、具有模拟和统计学性质的神经网络，这种神经网络不会像当前的设备那样仅仅依靠“0-1”，而是通过与内部的知识数据库进行比较，进而提供一系列依靠概率计算得出的响应。为了实现这种技术，研究者开发了一种由二维材料制成的高斯场效应晶体管（Gaussian field-effect transistor），该二维材料是二硫化钼（molybdenum disulfide）和黑磷（black phosphorus）。采用这种技术的设备会更加节能，产热更少，也就更加适合更高复杂度的系统。
“人脑只需要20瓦的功率就可以无缝运行”Das说道，“它显然更加节能。实际上，它包含千亿级别的神经元，而且并没有使用冯·诺依曼架构。”
研究者们也写道，能量消耗和产热本身并不算问题，但是对于更狭窄的空间来说，它们就成了问题。
“尺寸的进一步减小已经很困难了。”Das说道，“我们现在只能在一块芯片上集成大约十亿级别的晶体管，而大脑级别的复杂度才是我们需要的。”
概率神经网络（probabilistic neural networks，PNN）大概在20世纪80年代被提出，但它仍然需要具体的设备来实现应用。
“正如人脑的工作方式那样，抽取训练样本中的关键信息有助于神经网络的学习。”
研究者使用人类的脑电图测试了神经网络。用许多脑电图数据作为样本来训练神经网络后，它便可以在捕捉到一个新的脑电图数据之后分析并判断此人是否处于睡眠状态。
“对于概率神经网络，我们并不需要人工神经网络要求的海量的训练周期和基础数据。”Das说道。
研究者认为基于统计的神经网络在医学上的应用是很有前景的，因为诊断决策并不总是绝对的“是与否”构成的。他们还意识到，为了达到最佳效果，医学诊断设备应该尽可能小而便携，同时消耗最少的能量。
Das和同事们将他们的设备称为“高斯”突触，它基于双晶体管结构，二硫化钼在其中导通电子，而黑磷失去电子产生空穴。这种机理使得这个设备本质上相当于两个串联的可变电阻。如果用图形来表达的话，它们的组合方式会产生两个尾部特征，并遵循高斯函数分布。
閱讀更多 博聞熱點訊 的文章
