随着传统计算的进步放缓，新的计算形式正走在前沿。在宾夕法尼亚州立大学，一个工程师团队正试图开创一种模拟大脑神经网络效率的计算方式，同时利用大脑的模拟性质。

现代计算是数字化的，由两种状态组成，开-关或一加零。模拟计算机，就像大脑一样，有许多可能的状态。这是打开或关闭电灯开关与将调光器开关调至不同照明量之间的区别。

根据团队负责人、宾夕法尼亚州立大学工程科学与力学助理教授 Saptarshi Das 的说法，神经形态或大脑启发的计算已经研究了 40 多年。新鲜的是，随着数字计算的极限已经达到，对高速图像处理(例如自动驾驶汽车)的需求已经增长。大数据的兴起需要大脑结构特别适合的模式识别类型，这是追求神经形态计算的另一个驱动力。

“我们拥有强大的计算机，毫无疑问，问题是你必须将内存存储在一个地方，然后在其他地方进行计算，”达斯说。

将这些数据从内存穿梭到逻辑再返回需要大量能量并减慢计算速度。此外，这种计算机架构需要很大的空间。如果计算和内存存储可以位于同一个空间，这个瓶颈就可以消除。

“我们正在创建人工神经网络，旨在模拟大脑的能量和区域效率，”Das 小组的博士生、最近发表在Nature Communications上的一篇论文的第一作者 Thomas Shranghamer 解释说。“大脑非常紧凑，可以放在肩膀上，而现代超级计算机占用的空间有两三个网球场那么大。”

就像连接大脑中可以重新配置的神经元的突触一样，该团队正在构建的人工神经网络可以通过对石墨烯(单原子厚的碳原子层)施加一个短暂的电场来重新配置。在这项工作中，他们展示了至少 16 种可能的记忆状态，而不是大多数基于氧化物的忆阻器或记忆电阻器中的两种。

“我们所展示的是，我们可以使用简单的石墨烯场效应晶体管精确控制大量存储状态，”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很有趣。

除了 Das 和 Shranghamer 之外，这篇题为“用于高精度神经形态计算的石墨烯忆阻突触”的论文的另一作者是工程科学和力学博士生 Aaryan Oberoi。