随着可以想象枯竭摩尔定律微芯片上的晶体管数量每两年翻一番，这意味着人们正在寻找新的途径，随着时间的推移，这种方法将带来可靠的增量处理增益。
《应用物理评论》(Applied Physics Reviews)本月发布的一份名为explainer的研究报告称，一种可能性是，受大脑工作方式启发的机器可能会取代人脑，从根本上把计算能力转移到一个革命性的新层面。
“今天最先进的计算机每秒处理的指令量和昆虫的大脑差不多，”他说这篇论文的作者杰克·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。
该组织认为，深度神经网络(DNNs)应该是基础。DNN基本上是动态的深度学习，层次从数据中提取高级和低级的细节特征(例如边缘和形状)。肯德尔和库马尔解释说，与传统的计算机相比，人脑可以对大量数据集进行分类，并更好地识别数据，因此人脑应该是一个起点。
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，他们认为要达到下一个水平，有10个基本要素需要正确处理:
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-从遥远的地方获取数据会浪费资源，而人类的大脑确实不会这样做;它们把信息储存在执行思考的同一个突触上。结合记忆体的电子处理半导体的引进记忆电阻器。可以在这里。(几周前我写过关于取得进步与存储晶体管组合。这种组合可能具有类似的资源优势。)
模拟计算-作者指出，数字是模拟的，不是数字的。大多数现实世界中的数字都不是0和1，因此，为了提高效率，任何新的计算体系结构都需要接受这个概念，适应并处理由此产生的固有精度问题。
可塑性-需要进行实时调优以适应事物的变化。
概率计算-作者建议计算机应该变得不那么精确，就像人类的大脑一样。提出一定程度的概率比精确计算要快，而且需要的信息更少。
可扩展性-网络的深度允许复杂性。通过引入更多的层，可以获得更多的伸缩性。
稀疏-大型网络，包括神经计算机，不能连接每个节点，就像不是所有的神经元都在大脑中相互连接一样。这是一种浪费资源的冗余。轮辐式拓扑工作得更好，可以更好地扩展。研究人员说，同样的情况也会发生在下一代计算机上。
学习(信贷分配)- 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-必须处理结果的因果关系。因果干扰是一个问题，而机器学习通常在这方面存在问题。
非线性大脑不像电脑那样是线性的。“大脑在混沌的边缘运行，以产生最优的学习和计算，”研究小组说。下一个计算机架构需要包含类似大脑的非线性，但也要像今天的电子产品一样在线性范围内运作。
“我们目前的硬件跟不上，”肯德尔和库马尔在他们的论文中说。“计算的未来将不是在一个芯片上塞入更多的组件，而是重新思考处理器架构，”这应该是一种神经形态。