基於二維材料的類腦設備“高斯”使得高效進行基於概率的計算成為可能。 （圖片來源：Saptarshi·Das，賓夕法尼亞州立大學）
當計算機的尺寸越來越小，性能越來越強大，同時超級計算機和並行計算已經成為標準的時候，我們便即將觸碰到能量和微型化的屏障。現在，賓夕法尼亞州立大學的研究者設計了一種二維設備，這種設備不僅可以提供比“是或否”更全面的答案，其架構相比當前計算機也更加貼近大腦。
“由於傳統馮·諾依曼計算機架構的不可擴展性，進一步增加系統複雜度已經越來越困難。另外，“暗硅（Dark Silicon）”時代已經迫在眉睫，多核處理器技術受到了嚴重威脅。”研究者在9月13日的《自然·通訊》在線版上這樣寫道。
“暗硅時代”在某種程度上已經到來了，這意味著所有的，或者說絕大部分計算機芯片上的設備不能同時運行，因為單一設備的產熱非常可觀。馮·諾依曼架構是絕大多數現代計算機的標準架構，其特點是依賴於數字特徵——“0-1”，在這種架構中，程序指令和數據被存放在同一個存儲空間中，並分享相同的通訊頻道。
“正因為如此，計算機處理數據和獲取指令是不能同時進行的” Saptarshi Das說道，他是機械與工程學的助理教授。“如果使用神經網絡進行復雜任務規劃，你可能需要許多超級計算機，並且這些計算機還要嘗試同時進行並行計算——相當於一百萬臺並行計算的筆記本電腦——這將佔據一塊足球場那麼大的面積。但是，像便攜式醫療設備之類的小型設備不可能這樣工作。”
根據Das的描述，這一問題催生出一種類腦的、具有模擬和統計學性質的神經網絡，這種神經網絡不會像當前的設備那樣僅僅依靠“0-1”，而是通過與內部的知識數據庫進行比較，進而提供一系列依靠概率計算得出的響應。為了實現這種技術，研究者開發了一種由二維材料製成的高斯場效應晶體管（Gaussian field-effect transistor），該二維材料是二硫化鉬（molybdenum disulfide）和黑磷（black phosphorus）。採用這種技術的設備會更加節能，產熱更少，也就更加適合更高複雜度的系統。
“人腦只需要20瓦的功率就可以無縫運行”Das說道，“它顯然更加節能。實際上，它包含千億級別的神經元，而且並沒有使用馮·諾依曼架構。”
研究者們也寫道，能量消耗和產熱本身並不算問題，但是對於更狹窄的空間來說，它們就成了問題。
“尺寸的進一步減小已經很困難了。”Das說道，“我們現在只能在一塊芯片上集成大約十億級別的晶體管，而大腦級別的複雜度才是我們需要的。”
概率神經網絡（probabilistic neural networks，PNN）大概在20世紀80年代被提出，但它仍然需要具體的設備來實現應用。
“正如人腦的工作方式那樣，抽取訓練樣本中的關鍵信息有助於神經網絡的學習。”
研究者使用人類的腦電圖測試了神經網絡。用許多腦電圖數據作為樣本來訓練神經網絡後，它便可以在捕捉到一個新的腦電圖數據之後分析並判斷此人是否處於睡眠狀態。
“對於概率神經網絡，我們並不需要人工神經網絡要求的海量的訓練週期和基礎數據。”Das說道。
研究者認為基於統計的神經網絡在醫學上的應用是很有前景的，因為診斷決策並不總是絕對的“是與否”構成的。他們還意識到，為了達到最佳效果，醫學診斷設備應該儘可能小而便攜，同時消耗最少的能量。
Das和同事們將他們的設備稱為“高斯”突觸，它基於雙晶體管結構，二硫化鉬在其中導通電子，而黑磷失去電子產生空穴。這種機理使得這個設備本質上相當於兩個串聯的可變電阻。如果用圖形來表達的話，它們的組合方式會產生兩個尾部特徵，並遵循高斯函數分佈。
閱讀更多 博聞熱點訊 的文章
