“黑暗硅”听起来像是一个幻想小说的神奇神器。实际上,它是一个三头野兽的一个分支,它预测了计算的进步结束。

好吧,那可能太夸张了。但硅基计算机芯片的隐现问题是非常现实的。尽管计算能力在过去的50年里呈指数级增长,但我们已经开始在进一步增长中触及一些棘手的极限,无论是在物理学方面还是在经济学

摩尔的法律正在垂死。全球各地的芯片制造商正在问,现在是什么?

一个想法是在量子计算机上下注,从而挖掘量子力学的超奇怪世界。而不是在0s和1s的二进制文件上,Qubits可以同时表示两种状态每一种都有不同的概率,因此信息密度高得多。

另一个想法是观察我们的大脑内部:量子领域并不是破解二进制计算的唯一方法。我们的大脑也对概率进行操作,使它们成为一个有形的灵感来源,以彻底改变整个计算世界。

本周,来自宾夕法尼亚州立大学的团队设计了一种2D设备就像神经元一样运作。“高斯突触”不是处理“是”或“否”,而是依赖于概率。与人脑类似,模拟芯片比目前的硅芯片更节能,产生的热量也更少,这使其成为放大系统的理想选择。

在概念上的验证测试中,该团队使用模拟芯片来分析脑电图(脑电图)从一种醒来或睡眠人员采取的信号。如果没有广泛的培训,芯片就能确定主题是否睡觉。

“结合了,这些新的发展可以促进ExaScale Computing,最终有利于科学发现,国家安全,能源安全,经济安全,基础设施发展和先进的医疗保健计划,”该团队得出结论。

三头野兽

每年都有新的iPhone和越来越复杂的处理器,当然不觉得我们正在推动基于硅的计算的限制。但根据领导研究作者Saptarshi DAS博士,进一步规模传统计算的能力在三个不同的方面死亡:能量,大小和复杂性。

能量缩放有助于确保实际上不断恒定的计算能力预算,解释说明DAS。但它于2005年左右结束,因为硅芯片的热力学特性中的硬限制 - 科学家用博尔兹曼暴政(得爱这些名字!)。尺寸缩放,将更多晶体管包装在同一芯片区域上,很快遵循适合,以2017年结束,因为量子力学对材料水平的限制传统的芯片。

第三种是复杂性扩展,它仍然存在,但正在下降。该团队解释说,这基本上是因为大多数现代计算机使用的传统冯·诺依曼架构,它依赖于数字、二进制计算。此外,目前的计算机分别存储逻辑和内存单元,必须顺序操作,这增加了延迟和能源消耗。随着更多的晶体管被挤在同一个芯片上,多个核心被连接成处理器,最终能源需求和冷却需求将碰壁。

这是黑暗硅时代。由于发出的热量太多,单个芯片上的大量晶体管无法在不造成热损害的情况下一次性通电。这种限制要求芯片上的部分计算组件在任何时刻都处于关机状态——处于“黑暗”状态,这严重限制了计算能力。对诸如如何连接晶体管等可变因素进行修补可能会优化效能,但最终这只是一个创可贴,而不是一种治疗方法。

相反,大脑部署了“数十亿的信息处理单元和神经元,这些神经元通过数万亿突触连接起来,以完成大规模的并行、同步、连贯和并行计算,”研究团队说。这就是我们未来的路线图。

被钟声救了

虽然有大量的神经形态芯片 - 用于模仿神经元和突触的结构或功能 - 团队采用略微不同的方法。他们专注于重新创建一种以硬件形式重新创建一种称为概率神经网络(PNN)的人工神经网络。

自60年代作为软件以来,PNNS已经存在,而且它们通常用于分类问题。PNN的数学核心与今天使用的大多数深度学习模型不同,但结构相对相似。PNN通常具有四个层,并且原始数据从第一层行进到最后一个。两个中间层,模式和求和,以允许最后一层制作投票的方式处理数据 - 它从一组潜在可能的可能性中选择“最佳”答案。

为了直接以硬件形式实现PNN,该团队设计了由两种不同的材料制成的高斯突触:MOS2和黑色磷。每个表示晶体管,并且在单个突触中串联连接。两个晶体管“谈话”彼此的方式不是线性的。当MOS2组件开启时,电流指数升高,直到它达到最大水平,然后掉落。连接强度就像钟形曲线 - 或数学Lingo,高斯分布广泛用于概率(以及设备获取其名称的位置)。

如何调整每个组件打开或关闭,这反过来控制晶体管之间的通信。反过来,这是模仿PNN的内部工作,研究作者Amritanand Sebastian。

用人工突触解码生物学

作为概念的证明,该团队决定回归神经科学。大脑产生的电波可以被头皮顶部的电极接收。研究小组表示,脑电波的处理数据非常复杂,在传统计算机上运行的人工神经网络通常很难对这些数据进行分类。

研究团队将10名受试者10个晚上的高斯突触记录输入他们的大脑,每个人有32个频道。PNN能快速识别不同的脑电波成分,尤其擅长识别睡眠中常见的频率。

“我们不需要大量的培训期或概率神经网络的信息,因为我们需要人工神经网络,”DAS说。

由于晶体管材料中的怪癖,芯片具有一些令人羡慕的特性。对于一个,它是非常低的力量。要分析8小时的EEG数据,它仅消耗350微型微型;要把它进入视角,人体大脑通常会扭转20瓦。Sebastian解释说,这意味着高斯突触“促进了能量的缩放”。

对于另一个,材料允许大小缩放,而不会失去其固有的电性能。最后,使用PNN也解决了复杂性缩放问题,因为它可以使用比传统人工神经网络更少的组件来处理非线性决策。

这并不意味着我们至少还没有杀死三头野兽。但展望未来,该团队认为他们的结果可以进一步激励更多的超低功耗设备来解决计算的未来。

“我们对高斯突触的实验演示仅使用了两个晶体管,这在器件级别上显著提高了面积和能源效率,并在电路、架构和系统级别上提供了级联效益。这将激发人们对pnn硬件实现的兴趣,以解决广泛的模式分类问题。”作者总结道。

图片信用:照片由Umbertouns

范雪来是一位神经科学家出身的科学作家。她在不列颠哥伦比亚大学(University of British Columbia)完成了神经科学博士学位,在那里她开发了神经退化的新疗法。在研究生物大脑时,她开始对人工智能和所有生物技术着迷。毕业后,她搬到了加州大学旧金山分校,研究以血液为基础的因素,使衰老的大脑恢复活力。她是……

遵循搁置: