Alors que les ordinateurs sont devenus plus petits et plus puissants et que les superordinateurs et l'informatique parallèle sont devenus la norme, nous sommes sur le point de nous heurter à un mur d'énergie et de miniaturisation. Maintenant, Les chercheurs de Penn State ont conçu un appareil 2D qui peut fournir plus que des réponses par oui ou non et pourrait être plus intelligent que les architectures informatiques actuelles.

« La mise à l'échelle de la complexité est également en déclin en raison de la non-évolutivité de l'architecture informatique traditionnelle de von Neumann et de l'ère imminente du« Dark Silicon » qui présente une grave menace pour la technologie des processeurs multicœurs, " les chercheurs notent dans le numéro en ligne d'aujourd'hui (13 septembre) de Communication Nature .

L'ère du silicium sombre est déjà dans une certaine mesure et fait référence à l'incapacité de tous ou de la plupart des appareils d'une puce informatique à être mis sous tension en même temps. Cela se produit en raison d'une trop grande chaleur générée par un seul appareil. L'architecture Von Neumann est la structure standard de la plupart des ordinateurs modernes et repose sur une approche numérique - "réponses "oui" ou "non" - où les instructions et les données du programme sont stockées dans la même mémoire et partagent le même canal de communication.

"À cause de ce, les opérations de données et l'acquisition d'instructions ne peuvent pas être effectuées en même temps, " dit Saptarshi Das, professeur assistant en sciences de l'ingénieur et en mécanique. "Pour une prise de décision complexe utilisant des réseaux de neurones, vous pourriez avoir besoin d'un groupe de superordinateurs essayant d'utiliser des processeurs parallèles en même temps - un million d'ordinateurs portables en parallèle - qui occuperaient un terrain de football. Appareils de santé portables, par exemple, ne peut pas fonctionner de cette façon."

La solution, selon Das, est de créer un cerveau inspiré, analogique, des réseaux de neurones statistiques qui ne reposent pas sur des appareils simplement allumés ou éteints, mais fournissent une gamme de réponses probabilistes qui sont ensuite comparées à la base de données apprise dans la machine. Pour faire ça, les chercheurs ont développé un transistor à effet de champ gaussien composé de matériaux 2D :le bisulfure de molybdène et le phosphore noir. Ces appareils sont plus économes en énergie et produisent moins de chaleur, ce qui les rend idéales pour la mise à l'échelle des systèmes.

"Le cerveau humain fonctionne de manière transparente avec 20 watts de puissance, " a déclaré Das. " Il est plus économe en énergie, contenant 100 milliards de neurones, et il n'utilise pas l'architecture von Neumann."

Les chercheurs notent que ce ne sont pas seulement l'énergie et la chaleur qui sont devenues des problèmes, mais qu'il devient difficile de s'adapter davantage dans des espaces plus petits.

"La mise à l'échelle de la taille s'est arrêtée, " a déclaré Das. " Nous ne pouvons installer qu'environ 1 milliard de transistors sur une puce. Nous avons besoin de plus de complexité comme le cerveau."

L'idée de réseaux de neurones probabilistes existe depuis les années 1980, mais il fallait des dispositifs spécifiques pour sa mise en œuvre.

"Semblable au fonctionnement d'un cerveau humain, les caractéristiques clés sont extraites d'un ensemble d'échantillons d'apprentissage pour aider le réseau de neurones à apprendre, " dit Amritanand Sebastian, étudiant diplômé en sciences de l'ingénieur et mécanique.

Les chercheurs ont testé leur réseau neuronal sur des électroencéphalographes humains, représentation graphique des ondes cérébrales. Après avoir alimenté le réseau avec de nombreux exemples d'EEG, le réseau pourrait alors prendre un nouveau signal EEG et l'analyser et déterminer si le sujet dormait.

"Nous n'avons pas besoin d'une période de formation ou d'une base d'informations aussi étendue pour un réseau de neurones probabilistes que nous en avons besoin pour un réseau de neurones artificiels, " dit Das.

Les chercheurs voient le calcul statistique des réseaux de neurones avoir des applications en médecine, car les décisions diagnostiques ne sont pas toujours à 100 % oui ou non. Ils se rendent également compte que pour le meilleur impact, les dispositifs de diagnostic médical doivent être petits, portable et consomme peu d'énergie.

Das et ses collègues appellent leur appareil une synapse gaussienne et il est basé sur une configuration à deux transistors où le bisulfure de molybdène est un conducteur d'électrons, tandis que le phosphore noir conduit à travers les électrons manquants, ou des trous. L'appareil est essentiellement composé de deux résistances variables en série et la combinaison produit un graphique à deux queues, qui correspond à une fonction gaussienne.