«Масштабирование сложности также снижается из-за немасштабируемости традиционной вычислительной архитектуры фон Неймана и надвигающейся эры« темного кремния », которая представляет серьезную угрозу для технологии многоядерных процессоров», – отмечают исследователи в сегодняшнем (13 сентября) онлайн-издании. выпуск Nature Communications.
Эпоха темного кремния в какой-то степени уже наступила и связана с невозможностью одновременного включения всех или большинства устройств на компьютерном чипе. Это происходит из-за слишком большого количества тепла, выделяемого одним устройством.
Архитектура фон Неймана – это стандартная структура большинства современных компьютеров, основанная на цифровом подходе – ответы «да» или «нет» – где программные инструкции и данные хранятся в одной и той же памяти и используют один и тот же канал связи.
«Из-за этого операции с данными и сбор инструкций не могут выполняться одновременно», – сказал Саптарши Дас, доцент кафедры инженерных наук и механики. «Для принятия сложных решений с использованием нейронных сетей вам может потребоваться кластер суперкомпьютеров, пытающихся одновременно использовать параллельные процессоры – миллион ноутбуков параллельно, – которые заняли бы футбольное поле. Например, портативные медицинские устройства не могут работать таким образом."
Решение, по словам Даса, состоит в том, чтобы создать аналогичные статистические нейронные сети, вдохновленные мозгом, которые не полагаются на устройства, которые просто включены или выключены, а обеспечивают ряд вероятностных ответов, которые затем сравниваются с изученной базой данных в машине.
Для этого исследователи разработали гауссовский полевой транзистор, сделанный из 2D-материалов – дисульфида молибдена и черного фосфора. Эти устройства более энергоэффективны и выделяют меньше тепла, что делает их идеальными для масштабирования систем.
«Человеческий мозг без проблем работает на 20 Вт мощности», – сказал Дас. "Он более энергоэффективен, содержит 100 миллиардов нейронов и не использует архитектуру фон Неймана."
Исследователи отмечают, что проблема не только в энергии и тепле, но и в том, что становится все труднее разместить больше в небольших помещениях.
«Масштабирование размеров остановлено», – сказал Дас. "Мы можем разместить на микросхеме только около 1 миллиарда транзисторов. Нам нужно больше сложности, как мозг."
Идея вероятностных нейронных сетей существует с 1980-х годов, но для ее реализации требовались специальные устройства.
«Подобно работе человеческого мозга, ключевые особенности извлекаются из набора обучающих образцов, чтобы помочь нейронной сети обучаться», – сказал Амритананд Себастьян, аспирант кафедры инженерных наук и механики.
Исследователи протестировали свою нейронную сеть на человеческих электроэнцефалографах, графическое представление мозговых волн. После подачи в сеть множества примеров ЭЭГ сеть могла затем взять новый сигнал ЭЭГ, проанализировать его и определить, спал ли субъект.
«Нам не нужен такой длительный период обучения или база информации для вероятностной нейронной сети, как для искусственной нейронной сети», – сказал Дас.
Исследователи видят, что статистические нейросетевые вычисления имеют применение в медицине, потому что диагностические решения не всегда на 100% да или нет.
Они также понимают, что для наилучшего воздействия медицинские диагностические устройства должны быть небольшими, портативными и потреблять минимальное количество энергии.
Дас и его коллеги называют свое устройство гауссовским синапсом, и оно основано на двухтранзисторной установке, в которой дисульфид молибдена является электронным проводником, а черный фосфор проводит через отсутствующие электроны или дыры.
По сути, устройство представляет собой два последовательно соединенных переменных резистора, и комбинация дает график с двумя хвостами, который соответствует функции Гаусса.
Над этим проектом работали и Эндрю Панноне, студент факультета инженерных наук и механики; и Шива Суббулакшми, студент электротехники в Амрита Вишва Видьяпитам, Индия, и летний стажер в лаборатории Даса.
Управление научных исследований ВВС поддержало эту работу.