Суперкомпютърни подобрения: използване на невроморфни оптични мрежи

През последните няколко десетилетия, някога добре известната и точна тенденция, законът на Мур, предсказан от Гордън Мур от IBM през 1965 г., сега бавно се превръща в несъществуваща мярка за изчислителна производителност. Законът на Мур прогнозира, че на всеки две години броят на транзисторите в една интегрална схема ще се удвоява, че ще има повече транзистори в същото количество пространство, което води до увеличаване на изчисленията и по този начин на компютърната производителност. През април 2005 г. в интервю самият Гордън Мур заяви, че прогнозата му вероятно вече няма да бъде устойчива: „По отношение на размера [на транзисторите] можете да видите, че се доближаваме до размера на атомите, което е фундаментална бариера, но ще минат две или три поколения, преди да стигнем толкова далеч - но това е толкова далеч, колкото някога сме успели да видим. Имаме още 10 до 20 години, преди да достигнем фундаментален лимит.   

Въпреки че законът на Мур е обречен да стигне до някаква задънена улица, други индикатори на изчисленията виждат нарастване на приложимостта. С технологията, която използваме в ежедневието си, всички можем да видим тенденциите компютрите да стават все по-малки и по-малки, но също така, че батериите на устройствата издържат все по-дълго. Последната тенденция при батериите се нарича закон на Куми, кръстен на професора от Станфордския университет Джонатан Куми. Законът на Koomey прогнозира, че "... при фиксирано изчислително натоварване количеството батерия, от което се нуждаете, ще намалява с коефициент две на всяка година и половина." Следователно електронното потребление на енергия или енергийната ефективност на компютрите се удвоява на всеки 18 месеца. И така, това, което всички тези тенденции и промени сочат и разкриват, е бъдещето на компютрите.

Бъдещето на компютрите

Дойдохме в момент в историята, в който трябва да предефинираме компютрите, тъй като тенденциите и законите, предвидени преди няколко десетилетия, вече не са приложими. Освен това, тъй като компютърните технологии се придвижват към нано и квантовите мащаби, има очевидни физически ограничения и предизвикателства, които трябва да се преодолеят. Може би най-забележителният опит за суперкомпютър, квантовото изчисление, има очевидното предизвикателство да се използва наистина квантовото заплитане за паралелно изчисление, тоест извършване на изчисления преди квантовата декохерентност. Все пак, въпреки предизвикателствата на квантовите изчисления, през последните няколко десетилетия има голям напредък. Могат да се намерят модели на традиционната компютърна архитектура на Джон фон Нойман, приложени към квантовите изчисления. Но има и друго не толкова добре познато царство на (супер) изчисленията, наречено невроморфно изчисление, което не следва традиционната фон Нойманова архитектура. 

Невроморфното изчисление беше предвидено от професора от Калтех Карвър Мийд в неговата основополагаща статия през 1990 г.  По същество принципите на невроморфното изчисление се основават на теоретизирани биологични принципи на действие, като тези, за които се смята, че се използват от човешкия мозък при изчисленията. Кратко разграничение между невроморфната изчислителна теория спрямо класическата изчислителна теория на фон Нойман беше обобщено в статия на Дон Монро в Асоциация за компютърни машини дневник. Изявлението гласи следното: „В традиционната архитектура на фон Нойман мощно логическо ядро ​​(или няколко паралелно) работи последователно върху данни, извлечени от паметта. За разлика от това, „невроморфното“ изчисление разпределя както изчислението, така и паметта между огромен брой относително примитивни „неврони“, всеки от които комуникира със стотици или хиляди други неврони чрез „синапси“.“  

Други ключови характеристики на невроморфното изчисление включват непоносимост към грешки, която има за цел да моделира способността на човешкия мозък да губи неврони и все пак да може да функционира. Аналогично, при традиционните изчисления загубата на един транзистор засяга правилното функциониране. Друго предвидено и насочено предимство на невроморфното изчисление е, че няма нужда от програмиране; тази последна цел отново е моделиране на способността на човешкия мозък да учи, да реагира и да се адаптира към сигнали. По този начин невроморфното изчисление в момента е най-добрият кандидат за задачи с машинно обучение и изкуствен интелект. 

Напредък на невроморфните суперкомпютри

Останалата част от тази статия ще разгледа напредъка на невроморфните суперкомпютри. По-конкретно, наскоро публикувано изследване на Arxiv от Alexander Tait et. ал. от Принстънския университет показва, че базиран на силиций модел на фотонна невронна мрежа превъзхожда конвенционалния изчислителен подход почти 2000 пъти. Тази невроморфна фотонна компютърна платформа може да доведе до свръхбърза обработка на информация. 

Tait et. ал. документ, озаглавен Невроморфна силициева фотоника започва с описание на предимствата и недостатъците на използването на фотонната форма на светлина на електромагнитното излъчване за изчисления. Първоначалните основни точки на статията са, че светлината е била широко използвана за предаване на информация, но не и за трансформация на информация, т.е. цифрови оптични изчисления. По същия начин, за квантовите изчисления има фундаментални физически предизвикателства пред цифровите оптични изчисления. След това документът навлиза в детайлите на по-ранна предложена невроморфна фотонна изчислителна платформа Tait et. ал. екип, публикуван през 2014 г., озаглавен Излъчване и тегло: Интегрирана мрежа за мащабируема обработка на фотонни пикове. Тяхната по-нова статия описва резултатите от първата експериментална демонстрация на интегрирана фотонна невронна мрежа. 

В изчислителната архитектура за „излъчване и тегло“, на „възлите“ се присвоява уникален „носител на дължина на вълната“, който е „мултиплексиран с разделяне на дължината на вълната (WDM)“ и след това се излъчва към други „възли“. „Възлите“ в тази архитектура са предназначени да симулират поведението на невроните в човешкия мозък. След това "WDM" сигналите се обработват чрез филтри с непрекъснати стойности, наречени "банки за тегло на микропръстена (MRR)" и след това се сумират електрически в измерена обща стойност на откриване на мощност. Нелинейността на тази последна електрооптична трансформация/изчисление е точно нелинейността, необходима за имитиране на невронната функционалност, съществена за изчисленията при невроморфни принципи. 

В статията те обсъждат, че тази експериментално проверена динамика на електрооптична трансформация е математически идентична с модела на „2-възлова повтаряща се невронна мрежа в непрекъснато време“ (CTRNN). Тези пионерски резултати предполагат, че инструментите за програмиране, които са били използвани за CTRNN модели, могат да бъдат приложени към базирани на силиций невроморфни платформи. Това откритие отваря пътя за адаптиране на методологията на CTRNN към невроморфната силиконова фотоника. В своята статия те правят точно такава адаптация на модела към своята архитектура за „излъчване и тегло“. Резултатите показват, че моделът CTRNN, симулиран върху тяхната 49-възлова архитектура, дава невроморфна изчислителна архитектура, за да превъзхожда класическите изчислителни модели с 3 порядъка.