利默里克大学的一个研究小组通过设计分子取得了一项重大发现，这可能会彻底改变计算领域。

路易斯安那大学伯纳尔研究所的研究人员发现了在最基本的分子尺度上探测、控制和调整材料的新方法。

该成果已被用于一个由全球专家参与的国际项目，以帮助创建一种全新的人工智能硬件平台，实现计算速度和能源效率的前所未有的提升。

该项研究刚刚发表在科学期刊《自然》上。

UL 团队由 UL 分子建模教授兼爱尔兰药物研究中心 SSPC 主任 Damien Thompson 领导，与印度科学研究所 (IISc) 和德克萨斯 A&M 大学的科学家进行了国际合作，他们相信这一新发现将为健康、能源和环境等社会重大挑战带来创新解决方案。

汤普森教授解释道：“该设计灵感来源于人类大脑，利用原子的自然摆动和抖动来处理和存储信息。当分子在晶格周围旋转和弹跳时，它们会创造出大量单独的记忆状态。

“我们可以追踪设备内部分子的路径，并将每个快照映射到一个独特的电状态。这创建了一种分子的旅行日记，可以像在传统的硅基计算机中一样进行写入和读取，但由于每个条目都比原子小，因此能源和空间经济性得到了极大改善。

“这种创新的解决方案可以为所有计算应用带来巨大好处，从耗能的数据中心到内存密集型的数字地图和在线游戏。”

迄今为止，神经形态平台（一种受人脑启发的计算方法）仅适用于低精度操作，例如人工神经网络中的推理。这是因为包括信号处理、神经网络训练和自然语言处理在内的核心计算任务需要比现有神经形态电路所能提供的更高的计算分辨率。

因此，实现高分辨率一直是神经形态计算中最艰巨的挑战。

该团队对底层计算架构的重新概念化实现了所需的高分辨率，以每秒每瓦 4.1 万亿次运算 (TOPS/W) 的空前能源效率执行资源密集型工作负载。

该团队的突破将神经形态计算扩展到小众应用之外，此举可能释放人工智能长期期待的变革性优势，并增强从云端到边缘的数字电子核心。

印度理工学院项目负责人 Sreetosh Goswami 教授表示：“通过精确控制大量可用的分子动力学状态，我们创建了最精确、14 位、功能齐全的神经形态加速器，并将其集成到电路板中，可以处理信号处理、人工智能和机器学习工作负载，例如人工神经网络、自动编码器和生成对抗网络。

“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，解决人工智能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的材料和工艺范围并进一步提高处理能力，进一步的增强即将到来。

汤普森教授解释说：“我们的最终目标是用基于节能环保材料的高性能‘万物件’取代我们现在所认为的计算机，这种万物件可以在整个环境中提供分布式无处不在的信息处理，并集成到从衣服到食品包装到建筑材料的日常用品中。”