Προόδους υπερυπολογιστών: χρήση νευρομορφικών οπτικών δικτύων

Τις τελευταίες δεκαετίες, η πάλαι ποτέ γνωστή και ακριβής τάση, ο νόμος του Μουρ, που προβλέφθηκε από τον Γκόρντον Μουρ της IBM το 1965, γίνεται πλέον σιγά-σιγά ένα ανενεργό μέτρο υπολογιστικής απόδοσης. Ο νόμος του Moore προέβλεψε ότι περίπου κάθε δύο χρόνια ο αριθμός των τρανζίστορ σε ένα ολοκληρωμένο κύκλωμα θα διπλασιαζόταν, ότι θα υπήρχαν περισσότερα τρανζίστορ στον ίδιο χώρο, οδηγώντας σε αυξημένο υπολογισμό και συνεπώς στην απόδοση του υπολογιστή. Τον Απρίλιο του 2005, σε μια συνέντευξη, ο ίδιος ο Gordon Moore δήλωσε ότι η προβολή του πιθανότατα δεν θα ήταν πλέον βιώσιμη: «Όσον αφορά το μέγεθος [των τρανζίστορ] μπορείτε να δείτε ότι πλησιάζουμε το μέγεθος των ατόμων που είναι ένα θεμελιώδες εμπόδιο, αλλά θα περάσουν δύο ή τρεις γενιές πριν φτάσουμε τόσο μακριά — αλλά αυτό είναι τόσο μακριά όσο μπορέσαμε να δούμε ποτέ. Έχουμε άλλα 10 με 20 χρόνια πριν φτάσουμε σε ένα θεμελιώδες όριο».   

Αν και ο νόμος του Μουρ είναι καταδικασμένος να φτάσει σε αδιέξοδο, άλλοι δείκτες υπολογιστών βλέπουν αύξηση της δυνατότητας εφαρμογής. Με την τεχνολογία που χρησιμοποιούμε στην καθημερινή μας ζωή, όλοι μπορούμε να δούμε τις τάσεις των υπολογιστών να γίνονται όλο και μικρότεροι, αλλά και ότι οι μπαταρίες των συσκευών διαρκούν όλο και περισσότερο. Η τελευταία τάση με τις μπαταρίες ονομάζεται Koomey's Law, που πήρε το όνομά της από τον καθηγητή του Πανεπιστημίου Stanford Jonathan Koomey. Ο νόμος του Koomey προβλέπει ότι «… σε ένα σταθερό υπολογιστικό φορτίο, η ποσότητα της μπαταρίας που χρειάζεστε θα πέφτει κατά δύο φορές κάθε ενάμιση χρόνο». Επομένως, η ηλεκτρονική κατανάλωση ενέργειας ή η ενεργειακή απόδοση των υπολογιστών διπλασιάζεται περίπου κάθε 18 μήνες. Αυτό, λοιπόν, που δείχνουν και αποκαλύπτουν όλες αυτές οι τάσεις και αλλαγές είναι το μέλλον των υπολογιστών.

Το μέλλον των υπολογιστών

Έχουμε φτάσει σε μια περίοδο της ιστορίας όπου πρέπει να επαναπροσδιορίσουμε την πληροφορική καθώς οι τάσεις και οι νόμοι που είχαν προβλεφθεί πριν από αρκετές δεκαετίες δεν ισχύουν πλέον. Επίσης, καθώς η πληροφορική ωθεί προς τη νανο και την κβαντική κλίμακα, υπάρχουν προφανείς φυσικοί περιορισμοί και προκλήσεις που πρέπει να ξεπεραστούν. Ίσως η πιο αξιοσημείωτη προσπάθεια υπερυπολογισμού, ο κβαντικός υπολογισμός, έχει την προφανή πρόκληση να αξιοποιήσει πραγματικά την κβαντική εμπλοκή για παράλληλους υπολογισμούς, δηλαδή να εκτελέσει υπολογισμούς πριν από την κβαντική αποσυνοχή. Ωστόσο, παρά τις προκλήσεις του κβαντικού υπολογισμού, έχει σημειωθεί μεγάλη πρόοδος τις τελευταίες δεκαετίες. Μπορεί κανείς να βρει μοντέλα της παραδοσιακής αρχιτεκτονικής υπολογιστών John von Neumann που εφαρμόζονται στον κβαντικό υπολογισμό. Αλλά υπάρχει ένα άλλο όχι τόσο γνωστό βασίλειο του (υπερ)υπολογισμού, που ονομάζεται νευρομορφικός υπολογισμός που δεν ακολουθεί την παραδοσιακή αρχιτεκτονική του von Neumann. 

Ο νευρομορφικός υπολογισμός οραματίστηκε ο καθηγητής του Caltech, Carver Mead, στη θεμελιώδη εργασία του το 1990. Βασικά, οι αρχές του νευρομορφικού υπολογισμού βασίζονται σε θεωρητικές βιολογικές αρχές δράσης, όπως αυτές που πιστεύεται ότι χρησιμοποιούνται από τον ανθρώπινο εγκέφαλο στον υπολογισμό. Μια συνοπτική διάκριση μεταξύ της νευρομορφικής θεωρίας υπολογιστών έναντι της κλασικής θεωρίας υπολογιστών von Neumann συνοψίστηκε σε ένα άρθρο του Don Monroe στο Σύλλογος για την Πληροφορική Μηχανήματα εφημερίδα. Η δήλωση έχει ως εξής: «Στην παραδοσιακή αρχιτεκτονική von Neumann, ένας ισχυρός λογικός πυρήνας (ή αρκετοί παράλληλα) λειτουργεί διαδοχικά σε δεδομένα που λαμβάνονται από τη μνήμη. Αντίθετα, ο «νευρομορφικός» υπολογισμός κατανέμει τόσο τον υπολογισμό όσο και τη μνήμη σε έναν τεράστιο αριθμό σχετικά πρωτόγονων «νευρώνων», που ο καθένας επικοινωνεί με εκατοντάδες ή χιλιάδες άλλους νευρώνες μέσω «συνάψεων».  

Άλλα βασικά χαρακτηριστικά του νευρομορφικού υπολογισμού περιλαμβάνουν τη δυσανεξία σε σφάλματα, η οποία στοχεύει να μοντελοποιήσει την ικανότητα του ανθρώπινου εγκεφάλου να χάνει νευρώνες και να εξακολουθεί να είναι σε θέση να λειτουργεί. Αντίστοιχα, στους παραδοσιακούς υπολογιστές η απώλεια ενός τρανζίστορ επηρεάζει την καλή λειτουργία. Ένα άλλο προβλεπόμενο και επιδιωκόμενο πλεονέκτημα του νευρομορφικού υπολογισμού είναι ότι δεν υπάρχει ανάγκη προγραμματισμού. Αυτός ο τελευταίος στόχος είναι και πάλι η μοντελοποίηση της ικανότητας του ανθρώπινου εγκεφάλου να μαθαίνει, να ανταποκρίνεται και να προσαρμόζεται στα σήματα. Έτσι, ο νευρομορφικός υπολογισμός είναι επί του παρόντος ο καλύτερος υποψήφιος για εργασίες μηχανικής μάθησης και τεχνητής νοημοσύνης. 

Προόδους του νευρομορφικού υπερυπολογισμού

Το υπόλοιπο αυτού του άρθρου θα εμβαθύνει στις εξελίξεις του νευρομορφικού υπερυπολογισμού. Συγκεκριμένα, πρόσφατα δημοσιευμένη έρευνα για το Arxiv από τους Alexander Tait et. al. από το Πανεπιστήμιο του Πρίνστον δείχνει ότι ένα μοντέλο φωτονικού νευρωνικού δικτύου με βάση το πυρίτιο ξεπερνά σχεδόν 2000 φορές μια συμβατική υπολογιστική προσέγγιση. Αυτή η νευρομορφική φωτονική πλατφόρμα υπολογιστών θα μπορούσε να οδηγήσει σε εξαιρετικά γρήγορη επεξεργασία πληροφοριών. 

Οι Tait et. al. χαρτί με τίτλο Νευρομορφική φωτονική πυριτίου αρχίζει να περιγράφει τα πλεονεκτήματα και τα μειονεκτήματα της χρήσης της μορφής φωτονικού φωτός της ηλεκτρομαγνητικής ακτινοβολίας για υπολογιστές. Τα αρχικά κύρια σημεία της εργασίας είναι ότι το φως έχει χρησιμοποιηθεί ευρέως για μετάδοση πληροφοριών, αλλά όχι για μετασχηματισμό πληροφοριών, δηλαδή ψηφιακούς οπτικούς υπολογιστές. Ομοίως, στον κβαντικό υπολογισμό, υπάρχουν θεμελιώδεις φυσικές προκλήσεις στον ψηφιακό οπτικό υπολογιστή. Στη συνέχεια, το έγγραφο πηγαίνει στις λεπτομέρειες μιας παλαιότερης προτεινόμενης νευρομορφικής φωτονικής πλατφόρμας υπολογιστών, το Tait et. al. ομάδα που εκδόθηκε το 2014, με τίτλο Μετάδοση και βάρος: Ένα ολοκληρωμένο δίκτυο για επεκτάσιμη επεξεργασία φωτονικών ακίδων. Η νεότερη εργασία τους περιγράφει τα αποτελέσματα της πρώτης πειραματικής επίδειξης ενός ολοκληρωμένου φωτονικού νευρωνικού δικτύου. 

Στην υπολογιστική αρχιτεκτονική «μετάδοση και βάρος», στους «κόμβους» εκχωρείται ένας μοναδικός «φορέας μήκους κύματος» που είναι «πολυπλέξη διαίρεσης μήκους κύματος (WDM)» και στη συνέχεια μεταδίδεται σε άλλους «κόμβους». Οι «κόμβοι» σε αυτήν την αρχιτεκτονική προορίζονται να προσομοιώσουν τη συμπεριφορά των νευρώνων στον ανθρώπινο εγκέφαλο. Στη συνέχεια, τα σήματα "WDM" υποβάλλονται σε επεξεργασία μέσω φίλτρων συνεχούς τιμής που ονομάζονται "κοκκίδες βάρους μικρορινγκ (MRR)" και στη συνέχεια αθροίζονται ηλεκτρικά σε μια μετρούμενη τιμή ανίχνευσης συνολικής ισχύος. Η μη γραμμικότητα αυτού του τελευταίου ηλεκτρο-οπτικού μετασχηματισμού/υπολογισμού είναι ακριβώς η μη γραμμικότητα που απαιτείται για τη μίμηση της λειτουργικότητας των νευρώνων, απαραίτητη για τον υπολογισμό σύμφωνα με τις νευρομορφικές αρχές. 

Στην εργασία, συζητούν ότι αυτές οι πειραματικά επαληθευμένες δυναμικές ηλεκτρο-οπτικών μετασχηματισμών είναι μαθηματικά πανομοιότυπες με ένα μοντέλο «2 κόμβων συνεχούς χρόνου επαναλαμβανόμενου νευρικού δικτύου» (CTRNN). Αυτά τα πρωτοποριακά αποτελέσματα υποδηλώνουν ότι τα εργαλεία προγραμματισμού που έχουν χρησιμοποιηθεί για μοντέλα CTRNN θα μπορούσαν να εφαρμοστούν σε νευρομορφικές πλατφόρμες με βάση το πυρίτιο. Αυτή η ανακάλυψη ανοίγει το δρόμο για την προσαρμογή της μεθοδολογίας CTRNN στη φωτονική νευρομορφικού πυριτίου. Στο έγγραφό τους, κάνουν ακριβώς μια τέτοια προσαρμογή μοντέλου στην αρχιτεκτονική «μετάδοσης και βάρους» τους. Τα αποτελέσματα δείχνουν ότι το μοντέλο CTRNN που προσομοιώνεται στην αρχιτεκτονική των 49 κόμβων αποδίδει τη νευρομορφική υπολογιστική αρχιτεκτονική για να ξεπεράσει τα κλασικά υπολογιστικά μοντέλα κατά 3 τάξεις μεγέθους.