Superrekenaarvooruitgang: gebruik van neuromorfiese optiese netwerke

In die laaste paar dekades is die eens bekende en akkurate neiging, Moore's Law, voorspel deur Gordon Moore van IBM in 1965, nou stadigaan besig om 'n afgestorwe maatstaf van rekenaarprestasie te word. Moore se wet het voorspel dat ongeveer elke twee jaar die aantal transistors in 'n geïntegreerde stroombaan sou verdubbel, dat daar meer transistors in dieselfde hoeveelheid spasie sou wees, wat lei tot verhoogde berekening en dus rekenaarwerkverrigting. In April 2005, in 'n onderhoud, het Gordon Moore self gesê sy projeksie sal waarskynlik nie meer volhoubaar wees nie: "In terme van grootte [van transistors] kan jy sien dat ons die grootte van atome nader wat 'n fundamentele versperring is, maar dit sal twee of drie geslagte duur voordat ons so ver kom — maar dit is so ver as wat ons nog ooit kon sien. Ons het nog 10 tot 20 jaar voor ons ’n fundamentele limiet bereik.”   

Alhoewel Moore se wet gedoem is om 'n doodloopstraat te tref, sien ander aanwysers van rekenaars 'n toename in toepaslikheid. Met die tegnologie wat ons in ons daaglikse lewens gebruik, kan ons almal sien hoe die neigings van rekenaars al hoe kleiner word, maar ook dat toestelbatterye langer en langer hou. Laasgenoemde tendens met batterye word Koomey's Law genoem, vernoem na Stanford Universiteit professor Jonathan Koomey. Koomey se wet voorspel dat "... teen 'n vaste rekenaarlading, die hoeveelheid battery wat jy benodig, elke jaar en 'n half met 'n faktor van twee sal daal." Daarom verdubbel elektroniese kragverbruik of energiedoeltreffendheid van rekenaars omtrent elke 18 maande. Dus, waarna al hierdie neigings en veranderinge wys en onthul, is die toekoms van rekenaars.

Die toekoms van rekenaars

Ons het by 'n tyd in die geskiedenis gekom waar ons rekenaars moet herdefinieer aangesien die neigings en wette wat 'n paar dekades gelede voorspel is nie meer van toepassing is nie. Soos rekenaars ook na die nano- en kwantumskale beweeg, is daar ooglopende fisiese beperkings en uitdagings om te oorkom. Miskien is die mees noemenswaardige poging tot superrekenaarkunde, kwantumberekening, die ooglopende uitdaging om kwantumverstrengeling werklik in te span vir parallelle berekening, dit wil sê om berekeninge voor kwantumdekoherensie uit te voer. Ten spyte van die uitdagings van kwantumrekenaarkunde was daar egter baie vordering in die afgelope paar dekades. 'n Mens kan modelle vind van die tradisionele John von Neumann-rekenaarargitektuur wat op kwantumrekenaarkunde toegepas word. Maar daar is 'n ander nie so bekende gebied van (super) rekenaars, genaamd neuromorfiese rekenaar wat nie die tradisionele von Neumann argitektuur volg nie. 

Neuromorfiese rekenaars is in die vooruitsig gestel deur Caltech-professor Carver Mead in sy hoofartikel in 1990. Die beginsels van neuromorfiese rekenaars is basies gebaseer op teoretiseerde biologiese beginsels van aksie, soos dié wat vermoedelik deur die menslike brein in berekening gebruik word. 'n Beknopte onderskeid tussen neuromorfiese rekenaarteorie teenoor klassieke von Neumann rekenaarteorie is saamgevat in 'n artikel deur Don Monroe in die Vereniging vir Rekenaarkunde Masjinerie joernaal. Die stelling lui soos volg: “In die tradisionele von Neumann-argitektuur werk 'n kragtige logikakern (of verskeie in parallel) opeenvolgend op data wat uit die geheue gehaal is. Daarteenoor versprei 'neuromorfiese' rekenaar beide berekening en geheue onder 'n enorme aantal relatief primitiewe 'neurone', wat elk met honderde of duisende ander neurone kommunikeer deur 'sinapse'.”  

Ander sleutelkenmerke van neuromorfiese rekenaars sluit in foutintoleransie, wat daarop gemik is om die menslike brein se vermoë om neurone te verloor en steeds te kan funksioneer, te modelleer. Analoog, in tradisionele rekenaars beïnvloed die verlies van een transistor behoorlike funksionering. Nog 'n beoogde en gerigte voordeel van neuromorfiese rekenaars is dat dit nie nodig is om geprogrammeer te word nie; hierdie laaste doel is weer om die menslike brein se vermoë om te leer, te reageer en aan te pas by seine te modelleer. Dus is neuromorfiese rekenaar tans die beste kandidaat vir masjienleer en kunsmatige intelligensie take. 

Vooruitgang van neuromorfiese superrekenaarkunde

Die res van hierdie artikel sal delf na vooruitgang van neuromorfiese superrekenaarkunde. Spesifiek, onlangs gepubliseerde navorsing oor die Arxiv van Alexander Tait et. al. uit Princeton Universiteit toon dat 'n silikon-gebaseerde fotoniese neurale netwerkmodel 'n konvensionele rekenaarbenadering byna 2000-voudig beter presteer. Hierdie neuromorfiese fotoniese rekenaarplatform kan lei tot ultravinnige inligtingsverwerking. 

Die Tait et. al. papier getiteld Neuromorfiese silikonfotonika begin om die voor- en nadele van die gebruik van die fotoniese ligvorm van elektromagnetiese straling vir rekenaars te beskryf. Die aanvanklike hoofpunte van die referaat is dat lig wyd gebruik is vir inligtingoordrag, maar nie vir inligtingstransformasie nie, dws digitale optiese rekenaar. Net so, vir kwantumrekenaarkunde, is daar fundamentele fisiese uitdagings vir digitale optiese rekenaar. Die referaat gaan dan in op die besonderhede van 'n vroeër voorgestelde neuromorfiese fotoniese rekenaarplatform, die Tait et. al. span gepubliseer in 2014, getiteld Uitsending en gewig: 'n Geïntegreerde netwerk vir skaalbare fotoniese piekverwerking. Hul nuwe artikel beskryf die resultate van die eerste eksperimentele demonstrasie van 'n geïntegreerde fotoniese neurale netwerk. 

In die "uitsaai- en gewig"-rekenaarargitektuur word aan die "nodes" 'n unieke "golflengtedraer" toegeken wat "golflengteverdeling vermenigvuldig (WDM)" is en dan na ander "nodes" uitgesaai word. Die "nodes" in hierdie argitektuur is bedoel om neurongedrag in die menslike brein te simuleer. Dan word "WDM"-seine verwerk via filters met aaneenlopende waardes genaamd "mikroring (MRR) gewigbanke" en dan elektries opgesom in 'n gemete totale kragopsporingswaarde. Die nie-lineariteit van hierdie laaste elektro-optiese transformasie/berekening is presies die nie-lineariteit wat nodig is om neuronfunksionaliteit na te boots, noodsaaklik vir rekenaars onder neuromorfiese beginsels. 

In die referaat bespreek hulle dat hierdie eksperimenteel geverifieerde elektro-optiese transformasie dinamika wiskundig identies is aan 'n "2-node kontinue tyd herhalende neurale netwerk" (CTRNN) model. Hierdie baanbrekersresultate dui daarop dat programmeringsinstrumente wat vir CTRNN-modelle gebruik is, toegepas kan word op silikon-gebaseerde neuromorfiese platforms. Hierdie ontdekking maak die pad oop om CTRNN-metodologie aan te pas by neuromorfiese silikonfotonika. In hul koerant doen hulle net so 'n modelaanpassing op hul "uitsaai- en gewig"-argitektuur. Die resultate toon dat die CTRNN-model gesimuleer op hul 49-node-argitektuur die neuromorfiese rekenaarargitektuur oplewer om klassieke rekenaarmodelle met 3 grootteordes beter te presteer.