Superarvutite edusammud: neuromorfsete optiliste võrkude kasutamine

Viimastel aastakümnetel on kunagisest hästituntud ja täpsest trendist, Moore'i seadusest, mille ennustas Gordon Moore IBMist 1965. aastal, nüüd aeglaselt muutumas arvuti jõudluse mõõdupuu. Moore'i seadus ennustas, et umbes iga kahe aasta järel kahekordistub transistoride arv integraallülituses, et samas ruumis on rohkem transistore, mis suurendab arvutusi ja seega ka arvuti jõudlust. 2005. aasta aprillis ütles Gordon Moore ise ühes intervjuus, et tema projektsioon ei ole tõenäoliselt enam jätkusuutlik: „[transistoride] suuruse osas on näha, et läheneme aatomite suurusele, mis on põhitõke, kuid läheb kaks või kolm põlvkonda, enne kui me nii kaugele jõuame – aga see on nii kaugel, kui me kunagi näinud oleme. Meil on veel 10–20 aastat aega, enne kui jõuame põhimõttelise piirini.   

Kuigi Moore'i seadus on määratud sattuma ummikusse, on teiste andmetöötluse näitajate kohaldatavus tõusnud. Igapäevaelus kasutatava tehnoloogia abil näeme kõik, kuidas arvutid muutuvad järjest väiksemaks, aga ka seda, et seadmete akud kestavad aina kauem. Viimast akude suundumust nimetatakse Koomey seaduseks, mis sai nime Stanfordi ülikooli professori Jonathan Koomey järgi. Koomey seadus ennustab, et "… fikseeritud arvutuskoormuse korral väheneb vajaliku aku kogus iga pooleteise aastaga kaks korda." Seetõttu kahekordistub arvutite elektrooniline voolutarve või energiatõhusus umbes iga 18 kuu järel. Niisiis, see, millele kõik need suundumused ja muutused viitavad ja paljastavad, on andmetöötluse tulevik.

Arvutustehnika tulevik

Oleme ajaloos jõudnud aega, kus peame andmetöötluse uuesti määratlema, kuna mitu aastakümmet tagasi ennustatud suundumused ja seadused ei ole enam kohaldatavad. Samuti, kuna andmetöötlus liigub nano- ja kvantskaalade poole, on ees ilmsed füüsilised piirangud ja väljakutsed. Võib-olla kõige tähelepanuväärsemal superarvutamise katsel, kvantarvutamisel, on ilmne väljakutse kasutada kvantpõimumist tõeliselt paralleelseks arvutamiseks, st teha arvutusi enne kvantdekoherentsi. Vaatamata kvantarvutite väljakutsetele on viimastel aastakümnetel tehtud palju edusamme. Võib leida traditsioonilise John von Neumanni arvutiarhitektuuri mudeleid, mida kasutatakse kvantarvutuses. Kuid on veel üks mitte nii tuntud (super)arvuti valdkond, mida nimetatakse neuromorfseks andmetöötluseks, mis ei järgi traditsioonilist von Neumanni arhitektuuri. 

Neuromorfset andmetöötlust nägi ette Caltechi professor Carver Mead juba 1990. aastal oma peamises artiklis. Põhimõtteliselt põhinevad neuromorfse andmetöötluse põhimõtted teoretiseeritud bioloogilistel toimimispõhimõtetel, nagu need, mida arvatakse inimaju arvutustes kasutama. Neuromorfse andmetöötlusteooria ja klassikalise von Neumanni arvutusteooria vaheline kokkuvõtlik erinevus võeti kokku Don Monroe artiklis. Arvutite masinate liit ajakiri. Väide kõlab järgmiselt: "Traditsioonilises von Neumanni arhitektuuris töötab võimas loogikasuum (või mitu paralleelselt) mälust hangitud andmetel järjestikku. Seevastu "neuromorfne" andmetöötlus jaotab nii arvutused kui ka mälu tohutu hulga suhteliselt primitiivsete "neuronite" vahel, millest igaüks suhtleb sadade või tuhandete teiste neuronitega "sünapside" kaudu.  

Teised neuromorfse andmetöötluse põhiomadused hõlmavad tõrketalumatust, mille eesmärk on modelleerida inimese aju võimet kaotada neuroneid ja olla endiselt võimeline toimima. Analoogiliselt mõjutab traditsioonilises andmetöötluses ühe transistori kadu nõuetekohast toimimist. Teine neuromorfse andmetöötluse kavandatud ja sihipärane eelis on see, et puudub vajadus programmeerida; see viimane eesmärk on taas modelleerida inimaju võimet õppida, reageerida ja kohaneda signaalidega. Seega on neuromorfne andmetöötlus praegu parim kandidaat masinõppe ja tehisintellekti ülesannete täitmiseks. 

Neuromorfse superarvutite edusammud

Ülejäänud selles artiklis käsitletakse neuromorfse superarvutite edusamme. Täpsemalt hiljuti avaldatud uurimustöö Arxivi kohta Alexander Taitilt et. al. Princetoni ülikooli uurimus näitab, et ränipõhine fotoonilise närvivõrgu mudel ületab tavapärast arvutusmeetodit peaaegu 2000 korda. See andmetöötluse neuromorfne fotooniline platvorm võib viia ülikiire teabetöötluseni. 

Tait jt. al. paber pealkirjaga Neuromorfne ränifotoonika alustab elektromagnetilise kiirguse fotoonilise valguse andmetöötluses kasutamise plusside ja miinuste kirjeldamisega. Töö algsed põhipunktid on, et valgust on laialdaselt kasutatud teabe edastamiseks, kuid mitte teabe transformeerimiseks, st digitaalseks optiliseks andmetöötluseks. Sarnaselt kvantandmetöötlusega on digitaalsel optilisel andmetöötlusel fundamentaalsed füüsilised väljakutsed. Seejärel käsitletakse artiklis varem pakutud neuromorfse fotoonilise andmetöötlusplatvormi Tait et üksikasju. al. meeskond avaldati 2014. aastal pealkirjaga Ülekanne ja kaal: integreeritud võrk skaleeritava fotooniliste piikide töötlemiseks. Nende uuem artikkel kirjeldab integreeritud fotoonilise närvivõrgu esimese eksperimentaalse demonstratsiooni tulemusi. 

„Edastamise ja kaalu” arvutusarhitektuuris on „sõlmedele” määratud ainulaadne „lainepikkuse kandja”, mis on „lainepikkusjaotusega multipleksitud (WDM)” ja edastatakse seejärel teistele „sõlmedele”. Selle arhitektuuri "sõlmed" on mõeldud inimese aju neuronite käitumise simuleerimiseks. Seejärel töödeldakse WDM-signaale pideva väärtusega filtrite kaudu, mida nimetatakse mikroringi (MRR) kaalupankadeks, ja summeeritakse seejärel elektriliselt mõõdetud koguvõimsuse tuvastamise väärtuseks. Selle viimase elektro-optilise teisenduse/arvutuse mittelineaarsus on just neuronite funktsionaalsuse jäljendamiseks vajalik mittelineaarsus, mis on neuromorfiliste põhimõtete alusel arvutamise jaoks hädavajalik. 

Artiklis arutatakse, et need eksperimentaalselt kontrollitud elektro-optilise teisenduse dünaamika on matemaatiliselt identsed "2-sõlmelise pideva ajaga korduva närvivõrgu" (CTRNN) mudeliga. Need teedrajavad tulemused viitavad sellele, et CTRNN-mudelite jaoks kasutatud programmeerimistööriistu saab rakendada ränipõhistele neuromorfsetele platvormidele. See avastus avab tee CTRNN-i metoodika kohandamiseks neuromorfse räni fotoonikaga. Oma artiklis teevad nad just sellise mudeli kohandamise oma "edastuse ja kaalu" arhitektuuriga. Tulemused näitavad, et nende 49-sõlmelisele arhitektuurile simuleeritud CTRNN-mudel annab neuromorfse andmetöötluse arhitektuuri, mis ületab klassikalisi arvutusmudeleid 3 suurusjärgu võrra.