摘要：研究团队通过设计可以彻底改变计算的分子来做出重大发现。...

利默里克大学的一名研究团队通过设计可以彻底改变计算的分子而进行了重大发现。

UL Bernal Institute的研究人员发现了最基本的分子量表的探测，控制和调整材料的新方法。

该结果已用于全球涉及专家的国际项目中，以帮助创建一种用于人工智能的全新类型的硬件平台，从而实现了计算速度和能源效率的前所未有的改进。

该研究刚刚发表在《科学杂志》上自然。

UL团队由UL的分子建模教授兼SSPC主任，爱尔兰制药研究中心主任Damien Thompson在与印度科学学院（IISC）和德克萨斯A＆M大学的科学家进行国际合作中，相信这一新发现将导致对社会大挑战的新发现。

汤普森教授解释说：“该设计使用自然的摇摆和摇动原子来处理和存储信息，从人的大脑中汲取灵感。由于分子枢轴并在其水晶晶格周围弹跳，它们创造了多种单个记忆状态。

“我们可以设备内部的分子的路径，并将每个快照映射到独特的电气状态。它会像在基于硅的常规计算机中一样创建可以写入和读取的分子的旅游日记，但是在这里，能量和太空经济大大改善，因为每个条目都比原子小。

“框外解决方案可能会对所有计算应用程序（从饥饿的数据中心到内存密集的数字地图和在线游戏）都有巨大的好处。”

迄今为止的神经形态平台（一种受人脑启发的计算方法）仅用于低临界性操作，例如在人工神经网络中推断。这是因为核心计算任务在内，包括信号处理，神经网络培训和自然语言处理需要比现有神经形态电路所提供的计算分辨率要高得多。

因此，实现高分辨率一直是神经形态计算中最艰巨的挑战。

该团队对基础计算体系结构的重新概念化实现了所需的高分辨率，执行了资源密集型工作负载，其前所未有的能源效率为4.1 TERA/秒钟，每瓦（TOPS/W）。

该团队的突破将神经形态计算扩展到了利基应用程序之外，这可能会释放人工智能的长期以来的变革性益处，并将数字电子设备的核心从云到边缘增强。

Project lead at IISc Professor Sreetosh Goswami said: "By precisely controlling the vast array of available molecular kinetic states, we created the most accurate, 14-bit, fully functional neuromorphic accelerator integrated into a circuit board that can handle signal processing, AI and machine learning workloads such as artificial neural networks, auto-encoders, and generative adversarial networks.

“最重要的是，利用加速器的高精度，我们可以在边缘训练神经网络，这是AI硬件中最紧迫的挑战之一。”

随着团队致力于扩大用于创建平台并进一步提高处理能力的材料和流程的范围，随着团队的努力，进一步的增强即将到来。

汤普森教授解释说：“最终的目的是取代我们现在认为的作为具有高性能“所有软件”的计算机，该计算机基于节能和环保的材料，提供分布式无处不在的信息处理，整个环境中，整合了整个环境中，从衣服到食品包装到建筑材料。”