Las computadoras han llegado tan lejos en poder y capacidad, rivalizando y eclipsando a los cerebros humanos en su capacidad para almacenar y procesar datos, hacer predicciones y comunicarse. Pero hay un ámbito donde el cerebro humano sigue dominando: la eficiencia energética.
“Las computadoras más eficientes todavía tienen alrededor de cuatro órdenes de magnitud – 10.000 veces más – requerimientos de energía que el cerebro humano para tareas específicas como el procesamiento y reconocimiento de imágenes, a pesar de que matemáticamente funcionan mejor que el cerebro en tareas como la aritmética. “. dijo Kostav Banerjee, profesor de ingeniería eléctrica e informática de la UC Santa Bárbara, un experto mundial en el campo de la nanoelectrónica. “Hacer que las computadoras sean más eficientes energéticamente es fundamental porque el consumo mundial de energía mediante dispositivos electrónicos integrados ocupa el puesto número 4 en el ranking mundial de consumo de energía a nivel nacional, y está creciendo rápidamente cada año. Debido a aplicaciones como la inteligencia”. Además, dijo, el problema de la informática energéticamente ineficiente es particularmente apremiante en el contexto del calentamiento global, “destacando la necesidad urgente de desarrollar tecnologías informáticas más eficientes energéticamente”.
La computación neuromórfica (NM) ha surgido como un enfoque prometedor para cerrar la brecha de eficiencia energética. Al imitar la estructura y funciones del cerebro humano, donde el procesamiento ocurre en paralelo a través de una serie de neuronas de baja potencia, es posible alcanzar una eficiencia energética similar a la del cerebro. En un artículo publicado en la revista Comunicaciones de la naturalezaBanerjee y sus compañeros de trabajo Arnab Paul, Zhichun Chai, Junkai Jiang y Wei Cao, junto con los investigadores de Intel Labs Vivek D. y Mike Davis, utilizaron un túnel 2D basado en dicalcogenuro de metal de transición (TMD) para crear uno de esos dispositivos de alta energía. Recomendar plataformas efectivas. Transistores de efecto de campo (TFET). Los investigadores afirman que su plataforma puede aumentar las necesidades energéticas del cerebro humano en dos órdenes de magnitud (unas 100 veces).
Corriente de fuga y oscilación por debajo del umbral
El concepto de computación neuromórfica existe desde hace décadas, aunque la investigación en torno a él se ha intensificado relativamente recientemente. Los avances en circuitos que permiten conjuntos de transistores más pequeños y densos y, por lo tanto, un mayor procesamiento y funcionalidad para un menor consumo de energía, solo están arañando la superficie de lo que se puede hacer para permitir la computación inspirada en el cerebro. Si a eso le sumamos el apetito generado por sus numerosas aplicaciones potenciales, como la IA y el Internet de las cosas, queda claro que las opciones de plataformas de hardware para la computación neuromórfica deben ampliarse para avanzar.
Ingrese al transistor de túnel 2D del equipo. Aprovechando los esfuerzos de investigación de larga data de Banerjee para desarrollar transistores de alto rendimiento y baja potencia para satisfacer el creciente apetito por el procesamiento sin un aumento correspondiente en los requisitos de energía, estos transistores atómicamente delgados a nanoescala responden menos al voltaje, y los investigadores La plataforma NM como base puede imitar las operaciones de alta eficiencia energética del cerebro humano. Además de la corriente baja en estado apagado, los TFET 2D también tienen una oscilación subumbral (SS) baja, un parámetro que determina la eficiencia con la que el transistor puede cambiar de apagado a encendido. Según Banerjee, un SS más bajo significa un voltaje de funcionamiento más bajo y una conmutación más rápida y eficiente.
“Las arquitecturas informáticas neuromórficas están diseñadas para funcionar con circuitos de activación muy escasos, lo que significa que imitan cómo las neuronas del cerebro se activan sólo cuando es necesario”, dijo el autor principal, Arnab Paul. A diferencia de la arquitectura más tradicional de von Neumann de las computadoras actuales, en la que los datos se procesan secuencialmente, la memoria y los componentes de procesamiento están separados y reciben energía continua durante toda la operación, un sistema A impulsado por eventos como la computadora NM se activa solo cuando hay información para procesar. , y la memoria y el procesamiento se distribuyen en una serie de transistores. Empresas como Intel e IBM han desarrollado plataformas inspiradas en el cerebro, implementando miles de millones de transistores interconectados y generando importantes ahorros de energía.
Sin embargo, según los investigadores, todavía hay margen de mejora en la eficiencia energética.
“En estos sistemas, la mayor parte de la energía se pierde a través de la corriente de fuga cuando los transistores están apagados, en lugar de durante su estado activo”, explicó Banerjee. Un fenómeno común en el mundo de la electrónica, las corrientes de fuga son pequeñas cantidades de electricidad que fluyen a través de un circuito incluso cuando está apagado (pero aún conectado a la corriente). Según el artículo, los chips NM actuales utilizan transistores de efecto de campo semiconductores de óxido metálico (MOSFET) tradicionales que tienen una alta corriente en estado encendido, pero también una alta fuga en estado apagado. “Dado que la eficiencia energética de estos chips está limitada por fugas fuera del estado, nuestro enfoque (usar transistores de túnel con corriente fuera del estado muy baja) puede mejorar en gran medida la eficiencia energética”, dijo Banerjee.
Cuando se integran en un circuito neuromórfico, que simula la activación y el reinicio de una neurona, los TFET se comparan con los MOSFET de última generación, en particular los FinFET (un diseño de MOSFET que incorpora “alas” verticales (demostraron serlo). conmutación más eficiente desde el punto de vista energético y proporciona un mejor control de las fugas). Los TFET aún se encuentran en la etapa experimental, pero el rendimiento y la eficiencia energética de los circuitos neuromórficos basados en ellos los convierten en un candidato prometedor para la próxima generación de computación inspirada en el cerebro.
Según los coautores Vivek D (Intel Fellow) y Mike Davis (Director del Laboratorio de Computación Neuromórfica de Intel), “una vez implementada, esta plataforma puede escalar el consumo de energía de los chips en dos órdenes de magnitud en relación con el cerebro humano. Sin tener en cuenta los circuitos de interfaz y los elementos de almacenamiento de memoria, esto representa una mejora significativa con respecto a lo que se puede lograr hoy”.
Con el tiempo, se podrían realizar versiones tridimensionales de estos circuitos neuromórficos basados en 2D-TFET para proporcionar una emulación aún más cercana del cerebro humano, añadió Banerjee, uno de los visionarios clave detrás de los circuitos integrados 3D ampliamente reconocidos como testigos de una amplia difusión comercial. proliferación. .
