Supertietokoneen edistysaskel: neuromorfisten optisten verkkojen käyttö

Muutaman viime vuosikymmenen aikana aiemmin tunnetusta ja tarkasta trendistä, Mooren laista, jonka IBM:n Gordon Moore ennusti vuonna 1965, on nyt hitaasti tulossa laskentasuorituskyvyn mittari. Mooren laki ennusti, että noin joka toinen vuosi transistorien määrä integroidussa piirissä kaksinkertaistuisi, että samassa tilamäärässä olisi enemmän transistoreita, mikä lisää laskentaa ja siten tietokoneen suorituskykyä. Huhtikuussa 2005 haastattelussa Gordon Moore itse totesi, että hänen ennusteensa ei todennäköisesti enää olisi kestävä: "[transistorien] koon suhteen voit nähdä, että olemme lähestymässä atomien kokoa, mikä on perustavanlaatuinen este, mutta kestää kaksi tai kolme sukupolvea ennen kuin pääsemme niin pitkälle – mutta se on niin kaukana kuin olemme koskaan nähneet. Meillä on vielä 10–20 vuotta, ennen kuin saavutamme perustavanlaatuisen rajan.   

Vaikka Mooren laki on tuomittu umpikujaan, muiden tietojenkäsittelyn indikaattoreiden sovellettavuus on lisääntynyt. Jokapäiväisessä elämässämme käyttämämme tekniikan ansiosta voimme kaikki nähdä tietokoneiden pienentymisen ja myös sen, että laitteiden akut kestävät yhä pidempään. Jälkimmäistä paristotrendiä kutsutaan Koomeyn laiksi, joka on nimetty Stanfordin yliopiston professorin Jonathan Koomeyn mukaan. Koomeyn laki ennustaa, että "… kiinteällä laskentakuormalla tarvitsemasi akun määrä laskee kaksinkertaiseksi puolentoista vuoden välein." Siksi tietokoneiden elektroniikkavirrankulutus tai energiatehokkuus kaksinkertaistuu noin 18 kuukauden välein. Joten mitä kaikki nämä trendit ja muutokset osoittavat ja paljastavat, on tietojenkäsittelyn tulevaisuus.

Tietotekniikan tulevaisuus

Olemme tulleet historiassa aikaan, jolloin joudumme määrittämään tietojenkäsittelyn uudelleen, sillä useita vuosikymmeniä sitten ennustetut trendit ja lait eivät enää sovellu. Lisäksi kun tietojenkäsittely etenee kohti nano- ja kvanttiasteikkoja, edessä on ilmeisiä fyysisiä rajoituksia ja haasteita. Ehkä merkittävimmällä superlaskennan yrityksellä, kvanttilaskentalla, on ilmeinen haaste valjastaa todella kvanttisekoittuminen rinnakkaiseen laskemiseen, toisin sanoen laskelmien suorittamiseen ennen kvanttidekoherenssia. Kvanttilaskennan haasteista huolimatta edistystä on tapahtunut viimeisten vuosikymmenten aikana. Löytyy malleja perinteisestä John von Neumann -tietokonearkkitehtuurista sovellettuina kvanttilaskentaan. Mutta on toinen ei niin tunnettu (super)laskennan alue, jota kutsutaan neuromorfiseksi laskennaksi, joka ei noudata perinteistä von Neumannin arkkitehtuuria. 

Neuromorfisen laskennan visioi Caltechin professori Carver Mead vuonna 1990 alkaneessa tutkimuksessaan. Pohjimmiltaan neuromorfisen laskennan periaatteet perustuvat teoretisoituihin biologisiin toimintaperiaatteisiin, kuten ihmisaivojen uskotaan käyttävän laskennassa. Lyhyt ero neuromorfisen laskentateorian ja klassisen von Neumannin laskentateorian välillä tehtiin yhteenveto Don Monroen artikkelissa. Tietokoneiden yhdistys päiväkirja. Lausunto kuuluu näin: "Perinteisessä von Neumannin arkkitehtuurissa voimakas logiikkaydin (tai useita rinnakkain) toimii peräkkäin muistista haetulla tiedolla. Sitä vastoin "neuromorfinen" laskenta jakaa sekä laskennan että muistin valtavan määrän suhteellisen primitiivisten "neuronien" kesken, joista jokainen kommunikoi satojen tai tuhansien muiden neuronien kanssa "synapsien" kautta.  

Muita neuromorfisen laskennan keskeisiä piirteitä ovat vikasietokyky, jonka tavoitteena on mallintaa ihmisen aivojen kykyä menettää hermosoluja ja silti toimia. Vastaavasti perinteisessä laskennassa yhden transistorin katoaminen vaikuttaa oikeaan toimintaan. Toinen neuromorfisen laskennan suunniteltu ja tavoiteltu etu on se, että sitä ei tarvitse ohjelmoida; tämä viimeinen tavoite on jälleen mallintaa ihmisaivojen kykyä oppia, reagoida ja mukautua signaaleihin. Siksi neuromorfinen laskenta on tällä hetkellä paras ehdokas koneoppimiseen ja tekoälytehtäviin. 

Neuromorfisen supertietokoneen edistysaskel

Tämän artikkelin loppuosassa käsitellään neuromorfisen supertietokoneen edistysaskeleita. Erityisesti äskettäin julkaistu tutkimus Arxivista Alexander Taitilta et. al. Princetonin yliopiston tutkimus osoittaa, että piipohjainen fotonihermoverkkomalli ylittää tavanomaisen laskentatavan lähes 2000-kertaisesti. Tämä neuromorfinen fotoninen tietojenkäsittelyalusta voi johtaa erittäin nopeaan tiedonkäsittelyyn. 

Tait et. al. otsikkopaperi Neuromorfinen piifotoniikka alkaa kuvailla sähkömagneettisen säteilyn fotonivalomuodon käytön etuja ja haittoja laskennassa. Työn alustavia pääkohtia ovat, että valoa on käytetty laajasti tiedon siirtoon, mutta ei tiedon muuntamiseen eli digitaaliseen optiseen laskemiseen. Samoin kvanttilaskentaan liittyy perustavanlaatuisia fyysisiä haasteita digitaaliselle optiselle laskennalle. Tämän jälkeen artikkelissa käsitellään yksityiskohtia aiemmin ehdotetusta neuromorfisesta fotonisesta laskenta-alustasta Tait et. al. joukkue julkaistiin vuonna 2014, nimeltään Lähetys ja paino: Integroitu verkko skaalautuvaan fotonipiikkien käsittelyyn. Heidän uudemmassa artikkelissaan kuvataan tulokset integroidun fotonihermoverkon ensimmäisen kokeellisen esittelyn tuloksista. 

"Lähetys- ja paino"-laskenta-arkkitehtuurissa "solmuille" on määritetty ainutlaatuinen "aallonpituuskantoaalto", joka on "aallonpituusjakomultipleksoitu (WDM)" ja lähetetään sitten muille "solmuille". Tämän arkkitehtuurin "solmut" on tarkoitettu simuloimaan neuronien käyttäytymistä ihmisen aivoissa. Sitten "WDM"-signaalit käsitellään jatkuva-arvoisilla suodattimilla, joita kutsutaan "mikroring-painopankeiksi" (MRR) ja summataan sitten sähköisesti mitatuksi kokonaistehon tunnistusarvoksi. Tämän viimeisen sähköoptisen muunnoksen/laskennan epälineaarisuus on juuri se epälineaarisuus, jota tarvitaan neuronien toiminnallisuuden jäljittelemiseen, mikä on välttämätöntä neuromorfisten periaatteiden mukaiselle laskennalle. 

Kirjoituksessa he keskustelevat siitä, että nämä kokeellisesti varmennettu sähköoptinen muunnosdynamiikka ovat matemaattisesti identtisiä "2-solmun jatkuvan aikaisen toistuvan hermoverkon" (CTRNN) mallin kanssa. Nämä uraauurtavat tulokset viittaavat siihen, että CTRNN-malleissa käytettyjä ohjelmointityökaluja voitaisiin soveltaa piipohjaisiin neuromorfisiin alustoihin. Tämä löytö avaa tien CTRNN-metodologian mukauttamiseen neuromorfiseen piifotoniikkaan. He tekevät paperissaan juuri tällaisen mallisovituksen "lähetys- ja paino"-arkkitehtuuriinsa. Tulokset osoittavat, että niiden 49 solmun arkkitehtuuriin simuloitu CTRNN-malli tuottaa neuromorfisen laskenta-arkkitehtuurin, joka ylittää klassiset laskentamallit kolmella suuruusluokalla.