随着传统计算进程的放缓，新的计算形式正在出现。在宾夕法尼亚州立大学，一组工程师正试图开发一种模拟大脑神经网络效率的计算方法，同时利用大脑的模拟特性。

 

现代计算机是数字化的，由两种状态组成，杏耀的信誉即开-关或1 - 0。模拟计算机就像大脑一样，有许多可能的状态。这是打开或关闭一个灯开关和转动一个调光器开关到不同数量的照明之间的区别。

 

研究小组组长、宾夕法尼亚州立大学工程科学与力学助理教授Saptarshi Das表示，神经形态或大脑启发计算的研究已经进行了40多年。新情况是，随着数字计算达到极限，高速图像处理的需求，例如自动驾驶汽车，已经增长。大数据的兴起是追求神经形态计算的另一个驱动力，它需要大脑结构特别适合的模式识别类型。

 

“我们有强大的计算机，毫无疑问，问题是你必须把内存存储在一个地方，然后在其他地方进行计算，”Das说。

 

数据在内存和逻辑之间来回穿梭，会消耗大量能量，降低计算速度。此外，这种计算机结构需要很大的空间。如果计算和内存存储可以位于相同的空间，这个瓶颈就可以消除。

 

Das小组的博士生Thomas Shranghamer解释说:“我们正在创建人工神经网络，试图模拟大脑的能量和区域效率。”Thomas Shranghamer是最近发表在《自然通讯》上的一篇论文的第一作者。“大脑是如此紧凑，可以放在你的肩膀上，而现代的超级计算机占据的空间有两个或三个网球场那么大。”

 

就像连接大脑神经元的突触可以被重新配置一样，该团队正在构建的人工神经网络也可以通过对单层石墨烯施加短暂的电场来重新配置。石墨烯是碳原子的单原子厚度层。在这项工作中，他们展示了至少16种可能的记忆状态，而在大多数以氧化物为基础的记忆电阻器中只有两种。

 

“我们所展示的是， 杏耀 ，我们可以用简单的石墨烯场效应晶体管精确地控制大量的存储状态，”Das说。

 

该团队认为，将这项技术提升到商业规模是可行的。随着许多最大的半导体公司积极追求神经形态计算，Das相信他们会发现这项工作的兴趣。

 

除了Das和Shranghamer，杏耀yl这篇题为“用于高精度神经形态计算的石墨烯记忆突触”的论文的另一位作者是工程科学与力学博士生Aaryan Oberoi。