随着传统计算的进展减缓，新的计算形式正走在前列。在宾夕法尼亚州立大学，一个工程师团队正在尝试开创一种模仿大脑神经网络效率的计算类型，同时利用大脑的模拟性质。

现代计算是数字的，由开/关或一和零两种状态组成。像大脑一样的模拟计算机具有许多可能的状态。打开或关闭电灯开关与将调光器开关切换到不同的照明量之间的区别。

研究小组负责人，宾夕法尼亚州立大学工程科学与力学助理教授Saptarshi Das认为，神经形态或受大脑启发的计算已经研究了40多年。随着达到数字计算的极限，对自动驾驶汽车等高速图像处理的需求也在增长。大数据的兴起是追求神经形态计算的另一个驱动力，而大数据的兴起要求模式识别的类型特别适合大脑结构。

戴斯说：“毫无疑问，我们拥有功能强大的计算机，问题是您必须将内存存储在一个地方，然后在其他地方进行计算。”

此数据从内存到逻辑再往回穿梭耗费大量精力并减慢了计算速度。另外，这种计算机体系结构需要大量空间。如果计算和内存存储可以位于同一空间中，则可以消除此瓶颈。

“我们正在创建人工神经网络，试图模仿大脑的能量和区域效率，” Das研究组的博士生，最近在《自然通讯》上发表的论文的第一作者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只有两个或三个网球场。”

就像可以重新配置的连接大脑神经元的突触一样，可以通过向石墨烯（碳原子的单原子厚层）上施加短暂的电场来重新配置团队正在构建的人工神经网络。在这项工作中，它们显示了至少16种可能的存储状态，这与大多数基于氧化物的忆阻器或存储电阻中的两种状态相反。

达斯说：“我们已经表明，我们可以使用简单的石墨烯场效应晶体管来精确控制大量的存储状态。”

该团队认为将这项技术提高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有趣的工作。

除了Das和Shranghamer，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。