Superkompüter inkişafı: neyromorfik optik şəbəkələrdən istifadə

Son bir neçə onillikdə bir vaxtlar məşhur və dəqiq tendensiya, 1965-ci ildə IBM-dən Qordon Mur tərəfindən proqnozlaşdırılan Mur Qanunu indi yavaş-yavaş hesablama performansının ləğv edilmiş ölçüsünə çevrilir. Mur Qanunu təqribən hər iki ildən bir inteqral sxemdəki tranzistorların sayının iki dəfə artacağını, eyni həcmdə daha çox tranzistorun olacağını, hesablamaların artmasına və beləliklə də kompüterin performansına səbəb olacağını proqnozlaşdırırdı. 2005-ci ilin aprelində Gordon Mur özü verdiyi müsahibədə onun proqnozunun çox güman ki, dayanıqlı olmayacağını bildirdi: “[Tranzistorların] ölçüsü baxımından biz fundamental maneə olan atomların ölçüsünə yaxınlaşdığımızı görə bilərsiniz, lakin iki və ya üç nəsil keçəcək ki, biz o qədər uzağa çata bilək, amma bu, indiyə qədər görə bildiyimiz qədər uzaqdır. Əsas limitə çatana qədər daha 10-20 ilimiz var”.   

Baxmayaraq ki, Mur qanunu bəzi çıxılmaz vəziyyətə düşməyə məhkumdur, hesablamanın digər göstəriciləri tətbiq olunma qabiliyyətinin artdığını görür. Gündəlik həyatımızda istifadə etdiyimiz texnologiya ilə biz hamımız kompüterlərin getdikcə kiçilməsi tendensiyalarını görə bilərik, eyni zamanda cihazın batareyalarının daha uzun və daha uzun ömür sürdüyünü görə bilərik. Batareyalarla bağlı sonuncu tendensiya Stenford Universitetinin professoru Conatan Komeyin adını daşıyan Koomey Qanunu adlanır. Koomey qanunu proqnozlaşdırır ki, "... sabit hesablama yükü ilə sizə lazım olan batareyanın miqdarı hər il yarım iki dəfə azalacaq." Buna görə də, elektron enerji istehlakı və ya kompüterlərin enerji səmərəliliyi təxminən hər 18 ayda iki dəfə artır. Beləliklə, bütün bu tendensiyalar və dəyişikliklərin göstərdiyi və ortaya qoyduğu şey hesablamanın gələcəyidir.

Hesablamanın gələcəyi

Biz tarixdə elə bir dövrə gəlmişik ki, bir neçə onilliklər əvvəl proqnozlaşdırılan tendensiyalar və qanunlar artıq tətbiq olunmur, çünki biz hesablamaları yenidən müəyyən etməli oluruq. Həmçinin, hesablama nano və kvant miqyasına doğru irəlilədikcə, aşkar fiziki məhdudiyyətlər və qarşıda duran problemlər var. Superkompüter, kvant hesablamasında bəlkə də ən diqqətəlayiq cəhd, paralel hesablama üçün kvant qarışıqlığından həqiqətən istifadə etmək, yəni kvant dekoherensindən əvvəl hesablamaları yerinə yetirmək kimi açıq problemə malikdir. Bununla belə, kvant hesablamasının çətinliklərinə baxmayaraq, son bir neçə onillikdə xeyli irəliləyiş var. Kvant hesablamalarına tətbiq edilən ənənəvi John von Neumann kompüter arxitekturasının modellərini tapmaq olar. Ancaq ənənəvi fon Neuman memarlığına əməl etməyən, neyromorfik hesablama adlanan (super) hesablamanın o qədər də məşhur olmayan başqa bir sahəsi var. 

Neyromorfik hesablama Caltech professoru Karver Mead tərəfindən 1990-cı ildə özünün əsas məqaləsində nəzərdə tutulmuşdu.  Prinsipcə, neyromorfik hesablamanın prinsipləri insan beyni tərəfindən hesablamada istifadə edildiyi düşünülənlər kimi nəzəriyyələşdirilmiş bioloji fəaliyyət prinsiplərinə əsaslanır. Neyromorfik hesablama nəzəriyyəsi ilə klassik fon Neyman hesablama nəzəriyyəsi arasındakı qısa fərq Don Monronun məqaləsində ümumiləşdirilmişdir. Hesablama Maşınları Assosiasiyası jurnal. Bəyanat belədir: “Ənənəvi fon Neuman arxitekturasında güclü məntiq nüvəsi (və ya bir neçə paralel) yaddaşdan alınan məlumatlar üzərində ardıcıl olaraq işləyir. Bunun əksinə olaraq, “neyromorfik” hesablama həm hesablamanı, həm də yaddaşı çoxlu sayda nisbətən primitiv “neyronlar” arasında paylayır, hər biri “sinapslar” vasitəsilə yüzlərlə və ya minlərlə digər neyronlarla əlaqə saxlayır.”  

Neyromorfik hesablamanın digər əsas xüsusiyyətlərinə insan beyninin neyronları itirmək və hələ də fəaliyyət göstərə bilmə qabiliyyətini modelləşdirməyi hədəfləyən qüsurlara dözümsüzlük daxildir. Analoji olaraq, ənənəvi hesablamada bir tranzistorun itməsi düzgün işləməyə təsir göstərir. Neyromorfik hesablamanın başqa bir nəzərdə tutulan və məqsədyönlü üstünlüyü ondan ibarətdir ki, proqramlaşdırılmağa ehtiyac yoxdur; bu son məqsəd yenə insan beyninin öyrənmək, cavab vermək və siqnallara uyğunlaşma qabiliyyətini modelləşdirməkdir. Beləliklə, neyromorfik hesablama hazırda maşın öyrənməsi və süni intellekt tapşırıqları üçün ən yaxşı namizəddir. 

Neyromorfik super hesablamanın irəliləyişləri

Bu məqalənin qalan hissəsi neyromorfik super hesablamanın irəliləyişlərini araşdıracaq. Xüsusilə, Alexander Tait et.-dən Arxiv haqqında bu yaxınlarda dərc edilmiş araşdırma. al. Princeton Universitetindən bir araşdırma göstərir ki, silikon əsaslı fotonik neyron şəbəkə modeli adi hesablama yanaşmasını təxminən 2000 dəfə üstələyir. Bu neyromorfik fotonik hesablama platforması məlumatın ultra sürətli emalına səbəb ola bilər. 

Tait et. al. adlı kağız Neyromorfik Silikon Fotonikası hesablama üçün elektromaqnit şüalanmanın fotonik işıq formasından istifadənin müsbət və mənfi tərəflərini təsvir etməyə başlayır. Məqalənin ilkin əsas məqamları ondan ibarətdir ki, işığın informasiyanın ötürülməsi üçün geniş şəkildə istifadə edilməsinə baxmayaraq, informasiyanın transformasiyası, yəni rəqəmsal optik hesablamalar üçün deyil. Eynilə, kvant hesablamaları üçün rəqəmsal optik hesablama üçün əsas fiziki problemlər var. Daha sonra məqalə daha əvvəl təklif edilmiş neyromorfik fotonik hesablama platforması Tait et-in təfərrüatlarına daxil olur. al. adlı 2014-cü ildə nəşr olunan komanda Yayım və çəki: Ölçəklənən fotonik sünbülün emalı üçün inteqrasiya olunmuş şəbəkə. Onların yeni məqaləsi inteqrasiya olunmuş fotonik neyron şəbəkəsinin ilk eksperimental nümayişinin nəticələrini təsvir edir. 

“Yayım və çəki” hesablama arxitekturasında “qovşaqlara” unikal “dalğa uzunluğu daşıyıcısı” təyin edilir ki, bu da “dalğa uzunluğunun bölünməsi (WDM)” və sonra digər “qovşaqlara” yayımlanır. Bu arxitekturadakı "qovşaqlar" insan beynindəki neyron davranışını simulyasiya etmək üçün nəzərdə tutulub. Daha sonra “WDM” siqnalları “mikrolaşdırma (MRR) çəki bankları” adlanan davamlı qiymətli filtrlər vasitəsilə işlənir və sonra elektriklə cəmlənir və ölçülmüş ümumi güc aşkarlama dəyərinə çevrilir. Bu sonuncu elektro-optik transformasiyanın/hesablamanın qeyri-xəttiliyi, neyromorfik prinsiplər altında hesablama üçün vacib olan neyron funksionallığını təqlid etmək üçün lazım olan qeyri-xəttilikdir. 

Məqalədə onlar bu eksperimental olaraq yoxlanılmış elektro-optik transformasiya dinamikasının riyazi olaraq “2 düyünlü davamlı zamanlı təkrarlanan neyron şəbəkəsi” (CTRNN) modeli ilə eyni olduğunu müzakirə edirlər. Bu qabaqcıl nəticələr CTRNN modelləri üçün istifadə edilən proqramlaşdırma vasitələrinin silikon əsaslı neyromorfik platformalara tətbiq oluna biləcəyini göstərir. Bu kəşf CTRNN metodologiyasını neyromorfik silisium fotonikasına uyğunlaşdırmaq üçün yol açır. Qəzetlərində onlar "yayım və çəki" arxitekturasına məhz belə bir model uyğunlaşmasını edirlər. Nəticələr göstərir ki, onların 49 qovşaqlı arxitekturasına simulyasiya edilmiş CTRNN modeli neyromorfik hesablama arxitekturasını klassik hesablama modellərini 3 böyüklük dərəcəsi ilə üstələməyə imkan verir.