随着可以想象枯竭摩尔定律- 该晶体管的微芯片上的数量每两年增加一倍 - 搜索是对新路径，这导致可靠的增量处理增益随着时间的推移。
一种可能性是，机器通过大脑工作方式如何能够接管，从根本上转移到计算一个革命性的新层，根据应用物理评论本月初发布了一个解释器研究的启发。
“今天的国家的最先进的计算机处理大约每秒许多指令作为昆虫的大脑，”说纸张的作者杰克·肯德尔，雨在神经，并苏哈斯·库马尔，惠普实验室。这两个写的是处理器架构现在必须完全重新思考，如果摩尔定律将延续，并复制“一[人]大脑的自然处理系统”是前进的方向。
深层神经网络（DNNs）应该是基础，集团相信。甲DNN基本上是从数据的动态深度学习其中层拉高，低级别的细节特征（边缘和形状，例如）。肯德尔和Kumar解释说，人的大脑，这DNN副本，可以通过排序大规模数据集，一般识别数据好于传统的计算机，因此，它应该是出发点。
这种事情正在尝试已经。现有的人工智能（AI）是在让电脑来学习像人脑刺伤。就像大脑，AI引擎从数据中的模式学习。算法相结合，与处理能力，并奖励抛出当机器得到它的权利。
脑启发的神经形态的电脑，但是，将采取进一步的计算步骤中，研究小组认为。神经形态计算模拟物在一种混合数字 - 模拟电路的神经生物学体系结构，在像体的方式做生物。
该组织表示，他们认为有10个基本需要被正确得到去这一个新的水平：
并行性- 类似于大脑是如何工作迅速，必须进行大量的数学运算同时发生。它是我们现在看到的图形处理单元（GPU），其中使用并行计算称为矩阵乘法创建大型图形的延伸。
内存计算- 它浪费资源来从遥远的地方的数据，以及人类大脑，事实上，不这样做;它们存储在执行思想相同的突触信息。引进，结合存储电子处理半导体 -忆阻器 -可以帮助这里。（我写了几个星期前约取得进步与存储晶体管组合。这种组合可以有类似的资源优势。）
模拟计算- 数字是模拟的，不是数字，作者指出。大多数现实世界的数字不是零和的，所以，为了提高效率，任何新的计算架构需要接受这一概念，适应和处理固有的精度问题，这些问题的结果。
可塑性- 实时调整需要考虑的地方，考虑的东西改变。
概率计算- 作者认为计算机应该得到不太精确，就像人的大脑。想出某种程度的概率比精确的计算速度更快，而且它需要更少的信息。
可扩展性- 网络的深度允许的复杂性。通过引入更多的层，一个增益更缩放。
稀疏- 大型网络，包括神经计算机无法连接每一个节点，就像不是所有的神经元在大脑中相互连接。这是一个冗余是浪费资源。中枢辐射型拓扑结构的工作更好，可以更好地进行缩放。研究人员表示，这同样应该在未来的电脑发生。
学习（债权转让）- 突触权重的调整（影响突触的强度和量都）需要相关提出了新的信息的关注。
因果关系- 在一个结果因果的关系必须得到解决。因果关系的干扰是一个问题，和机器学习一般已与获得此位权的问题。
非线性- 大脑是不是线性的，就像一台计算机。“大脑在混乱中产生最优化的学习和计算的边缘工作，”球队说。接下来的计算机体系结构需要涵盖脑一样非线性，但是线性内还经营，像今天的电子产品。
“我们现在的硬件无法跟上，”肯德尔和Kumar在他们的论文，也看材料说。“计算的未来不会是大约一个芯片上死记硬背多个组件，但在重新考虑处理器架构”，其应该是神经形态。