સુપરકોમ્પ્યુટિંગ એડવાન્સમેન્ટ્સ: ન્યુરોમોર્ફિક ઓપ્ટિકલ નેટવર્ક્સનો ઉપયોગ કરીને

છેલ્લા કેટલાક દાયકાઓમાં, એક સમયનો જાણીતો અને સચોટ વલણ, 1965માં IBMના ગોર્ડન મૂરે દ્વારા આગાહી કરાયેલ મૂરનો કાયદો, હવે ધીમે ધીમે કમ્પ્યુટિંગ કામગીરીનું નિષ્ક્રિય માપદંડ બની રહ્યું છે. મૂરના કાયદાએ આગાહી કરી હતી કે લગભગ દર બે વર્ષે એકીકૃત સર્કિટમાં ટ્રાન્ઝિસ્ટરની સંખ્યા બમણી થશે, તેટલી જ જગ્યામાં વધુ ટ્રાન્ઝિસ્ટર હશે, જેના કારણે ગણતરીમાં વધારો થશે અને આમ કોમ્પ્યુટરની કામગીરીમાં વધારો થશે. એપ્રિલ 2005 માં, એક મુલાકાતમાં, ગોર્ડન મૂરે પોતે જણાવ્યું હતું કે તેમનું પ્રક્ષેપણ હવે ટકાઉ રહેશે નહીં: “કદના સંદર્ભમાં [ટ્રાન્ઝિસ્ટરના] તમે જોઈ શકો છો કે આપણે અણુઓના કદની નજીક આવી રહ્યા છીએ જે એક મૂળભૂત અવરોધ છે, પરંતુ તે આપણે આટલું આગળ વધીએ તે પહેલાં બે કે ત્રણ પેઢીઓ હશે - પરંતુ તે એટલું દૂર છે જેટલું આપણે ક્યારેય જોઈ શક્યા છીએ. અમે મૂળભૂત મર્યાદા સુધી પહોંચીએ તે પહેલાં અમારી પાસે બીજા 10 થી 20 વર્ષ છે.   

જો કે મૂરનો કાયદો કેટલાક ડેડ-એન્ડને હિટ કરવા માટે વિનાશકારી છે, કમ્પ્યુટિંગના અન્ય સૂચકાંકો લાગુ પડવાની ક્ષમતામાં વધારો જોઈ રહ્યા છે. આપણે આપણા રોજિંદા જીવનમાં જે ટેક્નોલોજીનો ઉપયોગ કરીએ છીએ તેની સાથે, આપણે બધા જોઈ શકીએ છીએ કે કોમ્પ્યુટર નાનું અને નાનું થઈ રહ્યું છે, પરંતુ એ પણ છે કે ઉપકરણની બેટરીઓ લાંબા અને લાંબા સમય સુધી ટકી રહી છે. બેટરી સાથેના પછીના વલણને Koomey’s Law તરીકે ઓળખવામાં આવે છે, જેનું નામ સ્ટેનફોર્ડ યુનિવર્સિટીના પ્રોફેસર જોનાથન કુમીના નામ પરથી રાખવામાં આવ્યું છે. Koomeyનો કાયદો આગાહી કરે છે કે "... નિશ્ચિત કમ્પ્યુટિંગ લોડ પર, તમને જરૂરી બેટરીની માત્રામાં દર દોઢ વર્ષમાં બે ફેક્ટરનો ઘટાડો થશે." તેથી, ઇલેક્ટ્રોનિક પાવર વપરાશ અથવા કમ્પ્યુટર્સની ઊર્જા કાર્યક્ષમતા દર 18 મહિનામાં લગભગ બમણી થઈ રહી છે. તેથી, આ બધા વલણો અને ફેરફારો જે તરફ નિર્દેશ કરે છે અને જાહેર કરે છે તે કમ્પ્યુટિંગનું ભવિષ્ય છે.

કમ્પ્યુટિંગનું ભવિષ્ય

આપણે ઈતિહાસમાં એવા સમયે આવ્યા છીએ જ્યાં આપણે કોમ્પ્યુટીંગને ફરીથી વ્યાખ્યાયિત કરવી પડી રહી છે કારણ કે કેટલાક દાયકાઓ પહેલા જે વલણો અને કાયદાઓની આગાહી કરવામાં આવી હતી તે હવે લાગુ પડતી નથી. ઉપરાંત, જેમ જેમ કોમ્પ્યુટીંગ નેનો અને ક્વોન્ટમ સ્કેલ તરફ ધકેલે છે, ત્યાં સ્પષ્ટ ભૌતિક મર્યાદાઓ અને પડકારો આવવાના છે. સુપરકમ્પ્યુટિંગ, ક્વોન્ટમ કમ્પ્યુટિંગમાં કદાચ સૌથી નોંધપાત્ર પ્રયાસ, સમાંતર ગણતરી માટે ક્વોન્ટમ એન્ટેંગલમેન્ટનો સાચો ઉપયોગ કરવાનો સ્પષ્ટ પડકાર છે, એટલે કે ક્વોન્ટમ ડીકોહેરન્સ પહેલાં ગણતરીઓ કરવી. જો કે, ક્વોન્ટમ કમ્પ્યુટિંગના પડકારો હોવા છતાં છેલ્લા કેટલાક દાયકાઓમાં ઘણી પ્રગતિ થઈ છે. ક્વોન્ટમ કમ્પ્યુટિંગ પર લાગુ પરંપરાગત જ્હોન વોન ન્યુમેન કોમ્પ્યુટર આર્કિટેક્ચરના મોડેલો શોધી શકાય છે. પરંતુ (સુપર)કમ્પ્યુટિંગનું બીજું એટલું જાણીતું ક્ષેત્ર છે, જેને ન્યુરોમોર્ફિક કમ્પ્યુટિંગ કહેવાય છે જે પરંપરાગત વોન ન્યુમેન આર્કિટેક્ચરને અનુસરતું નથી. 

ન્યુરોમોર્ફિક કમ્પ્યુટિંગની કલ્પના કેલ્ટેકના પ્રોફેસર કાર્વર મીડ દ્વારા 1990 માં તેમના સેમિનલ પેપરમાં કરવામાં આવી હતી. મૂળભૂત રીતે, ન્યુરોમોર્ફિક કમ્પ્યુટિંગના સિદ્ધાંતો ક્રિયાના સૈદ્ધાંતિક જૈવિક સિદ્ધાંતો પર આધારિત છે, જેમ કે માનવ મગજ દ્વારા ગણતરીમાં ઉપયોગ કરવામાં આવે છે. ક્લાસિકલ વોન ન્યુમેન કોમ્પ્યુટીંગ થિયરી વિરુદ્ધ ન્યુરોમોર્ફિક કોમ્પ્યુટીંગ થિયરી વચ્ચેનો સંક્ષિપ્ત તફાવત ડોન મનરો દ્વારા એક લેખમાં સંક્ષિપ્ત કરવામાં આવ્યો હતો. એસોસિએશન ફોર કમ્પ્યુટિંગ મશીનરી જર્નલ નિવેદન આના જેવું છે: “પરંપરાગત વોન ન્યુમેન આર્કિટેક્ચરમાં, એક શક્તિશાળી લોજિક કોર (અથવા સમાંતરમાં ઘણા) મેમરીમાંથી મેળવેલા ડેટા પર ક્રમિક રીતે કાર્ય કરે છે. તેનાથી વિપરીત, 'ન્યુરોમોર્ફિક' કમ્પ્યુટિંગ પ્રમાણમાં આદિમ 'ન્યુરોન્સ'ની વિશાળ સંખ્યા વચ્ચે ગણતરી અને મેમરી બંનેનું વિતરણ કરે છે, જે દરેક 'સિનેપ્સ' દ્વારા સેંકડો અથવા હજારો અન્ય ચેતાકોષો સાથે વાતચીત કરે છે.  

ન્યુરોમોર્ફિક કમ્પ્યુટિંગના અન્ય મુખ્ય લક્ષણોમાં ફોલ્ટ અસહિષ્ણુતાનો સમાવેશ થાય છે, જેનો હેતુ માનવ મગજની ચેતાકોષો ગુમાવવાની અને હજુ પણ કાર્ય કરવા સક્ષમ બનવાની ક્ષમતાને મોડેલ કરવાનો છે. સમાન રીતે, પરંપરાગત કમ્પ્યુટિંગમાં એક ટ્રાન્ઝિસ્ટરની ખોટ યોગ્ય કામગીરીને અસર કરે છે. ન્યુરોમોર્ફિક કમ્પ્યુટિંગનો અન્ય એક પરિકલ્પિત અને ઉદ્દેશ્ય લાભ એ છે કે પ્રોગ્રામ કરવાની જરૂર નથી; આ છેલ્લો ધ્યેય માનવ મગજની શીખવાની, પ્રતિસાદ આપવાની અને સિગ્નલો સાથે અનુકૂલન કરવાની ક્ષમતાનું ફરીથી મોડેલિંગ છે. આમ, ન્યુરોમોર્ફિક કમ્પ્યુટિંગ હાલમાં મશીન લર્નિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ કાર્યો માટે શ્રેષ્ઠ ઉમેદવાર છે. 

ન્યુરોમોર્ફિક સુપરકોમ્પ્યુટિંગની પ્રગતિ

આ લેખનો બાકીનો ભાગ ન્યુરોમોર્ફિક સુપરકોમ્પ્યુટિંગની પ્રગતિ વિશે વિચાર કરશે. ખાસ કરીને, તાજેતરમાં એલેક્ઝાન્ડર ટેટ એટ તરફથી આર્ક્સીવ પર પ્રકાશિત સંશોધન. al પ્રિન્સટન યુનિવર્સિટીની બહાર દર્શાવે છે કે સિલિકોન-આધારિત ફોટોનિક ન્યુરલ નેટવર્ક મોડલ પરંપરાગત કમ્પ્યુટિંગ અભિગમને લગભગ 2000-ગણો કરતા વધારે છે. કમ્પ્યુટિંગનું આ ન્યુરોમોર્ફિક ફોટોનિક પ્લેટફોર્મ અલ્ટ્રાફાસ્ટ માહિતી પ્રક્રિયા તરફ દોરી શકે છે. 

ટેટ એટ. al હકદાર કાગળ ન્યુરોમોર્ફિક સિલિકોન ફોટોનિક્સ કમ્પ્યુટિંગ માટે ઇલેક્ટ્રોમેગ્નેટિક રેડિયેશનના ફોટોનિક લાઇટ ફોર્મનો ઉપયોગ કરવાના ગુણદોષનું વર્ણન કરવાનું શરૂ કરે છે. પેપરના પ્રારંભિક મુખ્ય મુદ્દાઓ એ છે કે પ્રકાશનો વ્યાપકપણે માહિતી ટ્રાન્સમિશન માટે ઉપયોગ કરવામાં આવ્યો છે, પરંતુ માહિતી ટ્રાન્સફોર્મેશન માટે નહીં, એટલે કે ડિજિટલ ઓપ્ટિકલ કમ્પ્યુટિંગ. તેવી જ રીતે, ક્વોન્ટમ કમ્પ્યુટિંગ માટે, ડિજિટલ ઓપ્ટિકલ કમ્પ્યુટિંગ માટે મૂળભૂત ભૌતિક પડકારો છે. ત્યારબાદ પેપર અગાઉના સૂચિત ન્યુરોમોર્ફિક ફોટોનિક કમ્પ્યુટિંગ પ્લેટફોર્મ ટેઈટ એટની વિગતોમાં જાય છે. al 2014 માં પ્રકાશિત ટીમ, હકદાર બ્રોડકાસ્ટ અને વજન: સ્કેલેબલ ફોટોનિક સ્પાઇક પ્રોસેસિંગ માટે એક સંકલિત નેટવર્ક. તેમનું નવું પેપર એક સંકલિત ફોટોનિક ન્યુરલ નેટવર્કના પ્રથમ પ્રાયોગિક પ્રદર્શનના પરિણામોનું વર્ણન કરે છે. 

"પ્રસારણ અને વજન" કમ્પ્યુટિંગ આર્કિટેક્ચરમાં, "નોડ્સ" ને એક અનન્ય "તરંગલંબાઇ વાહક" ​​સોંપવામાં આવે છે જે "તરંગલંબાઇ વિભાગ મલ્ટિપ્લેક્સ્ડ (WDM)" છે અને પછી અન્ય "નોડ્સ" પર પ્રસારિત થાય છે. આ આર્કિટેક્ચરમાં "નોડ્સ" માનવ મગજમાં ચેતાકોષના વર્તનનું અનુકરણ કરવા માટે છે. પછી "ડબલ્યુડીએમ" સિગ્નલોને "માઈક્રોરીંગ (એમઆરઆર) વેઈટ બેંક્સ" તરીકે ઓળખાતા સતત-મૂલ્યવાળા ફિલ્ટર્સ દ્વારા પ્રક્રિયા કરવામાં આવે છે અને પછી માપેલા કુલ પાવર ડિટેક્શન વેલ્યુમાં ઇલેક્ટ્રિકલી સમાવવામાં આવે છે. આ છેલ્લા ઇલેક્ટ્રો-ઓપ્ટિક ટ્રાન્સફોર્મેશન/કમ્પ્યુટેશનની બિન-રેખીયતા ચોક્કસપણે ન્યુરોન કાર્યક્ષમતાની નકલ કરવા માટે જરૂરી બિન-રેખીયતા છે, જે ન્યુરોમોર્ફિક સિદ્ધાંતો હેઠળ ગણતરી માટે જરૂરી છે. 

પેપરમાં, તેઓ ચર્ચા કરે છે કે આ પ્રાયોગિક રીતે ચકાસાયેલ ઇલેક્ટ્રો-ઓપ્ટિક ટ્રાન્સફોર્મેશન ડાયનેમિક્સ ગાણિતિક રીતે "2-નોડ સતત-સમયના રિકરન્ટ ન્યુરલ નેટવર્ક" (CTRNN) મોડેલ સાથે સમાન છે. આ અગ્રણી પરિણામો સૂચવે છે કે CTRNN મોડલ માટે ઉપયોગમાં લેવાતા પ્રોગ્રામિંગ ટૂલ્સ સિલિકોન-આધારિત ન્યુરોમોર્ફિક પ્લેટફોર્મ પર લાગુ કરી શકાય છે. આ શોધ ન્યુરોમોર્ફિક સિલિકોન ફોટોનિક્સ માટે CTRNN પદ્ધતિને અનુકૂલિત કરવાનો માર્ગ ખોલે છે. તેમના પેપરમાં, તેઓ તેમના "પ્રસારણ અને વજન" આર્કિટેક્ચર પર આવા મોડેલ અનુકૂલન કરે છે. પરિણામો દર્શાવે છે કે તેમના 49-નોડ આર્કિટેક્ચર પર સિમ્યુલેટેડ CTRNN મોડલ શાસ્ત્રીય કમ્પ્યુટિંગ મોડલ્સને 3 ઓર્ડર્સ દ્વારા આઉટપરફોર્મ કરવા માટે ન્યુરોમોર્ફિક કમ્પ્યુટિંગ આર્કિટેક્ચર આપે છે.