Սուպերհամակարգչային առաջընթացներ. նեյրոմորֆ օպտիկական ցանցերի օգտագործում

Վերջին մի քանի տասնամյակների ընթացքում երբեմնի հայտնի և ճշգրիտ միտումը՝ Մուրի օրենքը, որը կանխատեսել էր IBM-ից Գորդոն Մուրը 1965 թվականին, այժմ կամաց-կամաց դառնում է հաշվողական կատարողականի անգործունակ չափանիշ: Մուրի օրենքը կանխատեսում էր, որ մոտավորապես երկու տարին մեկ ինտեգրալային միացումում տրանզիստորների թիվը կկրկնապատկվի, որ նույն քանակությամբ տարածության մեջ ավելի շատ տրանզիստորներ կլինեն, ինչը կհանգեցնի հաշվարկների և, հետևաբար, համակարգչային գործունակության ավելացմանը: 2005 թվականի ապրիլին հարցազրույցում Գորդոն Մուրն ինքը հայտարարեց, որ իր կանխատեսումն այլևս չի լինի կայուն. կանցնի երկու կամ երեք սերունդ մինչև այդքան հեռուն հասնելը, բայց դա այնքան հեռու է, որքան մենք երբևէ կարողացել ենք տեսնել: Մենք ունենք ևս 10-ից 20 տարի, մինչև հասնենք հիմնարար սահմանաչափի»:   

Չնայած Մուրի օրենքը դատապարտված է ինչ-որ փակուղի ընկնելու, հաշվողական այլ ցուցանիշները կիրառելիության աճ են տեսնում: Տեխնոլոգիայի շնորհիվ, որը մենք օգտագործում ենք մեր առօրյա կյանքում, մենք բոլորս կարող ենք տեսնել, թե ինչպես են համակարգիչներն ավելի ու ավելի փոքրանում, բայց նաև այն, որ սարքերի մարտկոցներն ավելի ու ավելի երկար են տևում: Մարտկոցների հետ կապված վերջին միտումը կոչվում է Koomey's Law, որն անվանվել է Սթենֆորդի համալսարանի պրոֆեսոր Ջոնաթան Կումիի պատվին: Կումիի օրենքը կանխատեսում է, որ «… ֆիքսված հաշվողական ծանրաբեռնվածության դեպքում ձեզ անհրաժեշտ մարտկոցի քանակը կնվազի երկու անգամ ամեն մեկուկես տարի»: Հետևաբար, համակարգիչների էլեկտրոնային էներգիայի սպառումը կամ էներգաարդյունավետությունը կրկնապատկվում է մոտ 18 ամիսը մեկ։ Այսպիսով, այն, ինչին մատնանշում և բացահայտում են այս բոլոր միտումներն ու փոփոխությունները, համակարգչային ապագան է:

Համակարգչային ապագան

Մենք եկել ենք պատմության մի ժամանակաշրջան, երբ մենք ստիպված ենք վերաիմաստավորել հաշվողական համակարգը, քանի որ մի քանի տասնամյակ առաջ կանխատեսված միտումներն ու օրենքներն այլևս կիրառելի չեն: Բացի այդ, քանի որ հաշվարկները մղվում են դեպի նանո և քվանտային մասշտաբներ, կան ակնհայտ ֆիզիկական սահմանափակումներ և մարտահրավերներ, որոնք պետք է հաղթահարվեն: Թերևս գերհաշվարկման ամենաուշագրավ փորձը՝ քվանտային հաշվարկը, ունի ակնհայտ մարտահրավեր՝ իրականում օգտագործելու քվանտային խճճվածությունը զուգահեռ հաշվարկների համար, այսինքն՝ կատարել հաշվարկներ մինչև քվանտային դեկոհերենցիան: Այնուամենայնիվ, չնայած քվանտային հաշվարկների մարտահրավերներին, վերջին մի քանի տասնամյակներում մեծ առաջընթաց է գրանցվել: Կարելի է գտնել ավանդական Ջոն ֆոն Նեյմանի համակարգչային ճարտարապետության մոդելներ, որոնք կիրառվում են քվանտային հաշվարկների համար: Բայց կա (սուպեր)հաշվարկների մեկ այլ ոչ այնքան հայտնի ոլորտ, որը կոչվում է նեյրոմորֆ հաշվարկ, որը չի հետևում ավանդական ֆոն Նեյմանի ճարտարապետությանը: 

Նեյրոմորֆային հաշվարկը պատկերացվել է Կալտեխի պրոֆեսոր Քարվեր Միդի կողմից դեռևս 1990 թվականին իր հիմնական աշխատության մեջ: Սկզբունքորեն, նեյրոմորֆ հաշվարկման սկզբունքները հիմնված են գործողության տեսական կենսաբանական սկզբունքների վրա, ինչպիսիք են ենթադրվում է, որ օգտագործվում են մարդու ուղեղի կողմից հաշվարկների մեջ: Նեյրոմորֆ հաշվողական տեսության և դասական ֆոն Նեյմանի հաշվողական տեսության միջև համառոտ տարբերակումը ամփոփվել է Դոն Մոնրոյի հոդվածում։ Համակարգչային տեխնիկայի ասոցիացիա ամսագիր. Հայտարարությունը հետևյալն է. «Վոն Նեյմանի ավանդական ճարտարապետության մեջ հզոր տրամաբանական միջուկը (կամ մի քանի զուգահեռ) հաջորդաբար գործում է հիշողությունից բերված տվյալների վրա: Ի հակադրություն, «նեյրոմորֆ» հաշվարկը բաշխում է և՛ հաշվարկը, և՛ հիշողությունը համեմատաբար պարզունակ «նեյրոնների» միջև, որոնցից յուրաքանչյուրը հաղորդակցվում է հարյուրավոր կամ հազարավոր այլ նեյրոնների հետ «սինապսների» միջոցով»։  

Նեյրոմորֆային հաշվարկի այլ հիմնական հատկանիշներն են՝ սխալների անհանդուրժողականությունը, որի նպատակն է մոդելավորել մարդու ուղեղի կարողությունը կորցնելու նեյրոնները և դեռևս կարողանալ աշխատել: Նմանապես, ավանդական հաշվարկներում մեկ տրանզիստորի կորուստը ազդում է պատշաճ աշխատանքի վրա: Նեյրոմորֆային հաշվարկների մեկ այլ կանխատեսված և նպատակային առավելությունն այն է, որ ծրագրավորման կարիք չկա. այս վերջին նպատակը կրկին մոդելավորել է մարդու ուղեղի՝ սովորելու, արձագանքելու և ազդանշաններին հարմարվելու կարողությունը: Այսպիսով, neuromorphic computing-ը ներկայումս լավագույն թեկնածուն է մեքենայական ուսուցման և արհեստական ​​ինտելեկտի առաջադրանքների համար: 

Նեյրոմորֆ սուպերհամակարգչության առաջխաղացումները

Այս հոդվածի մնացած մասը կխորանա նեյրոմորֆ սուպերհամակարգչության առաջընթացների մեջ: Մասնավորապես, վերջերս հրապարակված հետազոտությունը Arxiv-ի վերաբերյալ Alexander Tait et. ալ. Փրինսթոնի համալսարանը ցույց է տալիս, որ սիլիցիումի վրա հիմնված ֆոտոնյարդային ցանցի մոդելը գրեթե 2000 անգամ գերազանցում է սովորական հաշվողական մոտեցումը: Հաշվողական այս նեյրոմորֆ ֆոտոնիկ հարթակը կարող է հանգեցնել տեղեկատվության գերարագ մշակման: 

The Tait et. ալ. վերնագրված թուղթ Նեյրոմորֆ սիլիցիումի ֆոտոնիկա սկսում է նկարագրել էլեկտրամագնիսական ճառագայթման ֆոտոնային լույսի ձևը հաշվարկելու առավելություններն ու թերությունները: Աշխատանքի սկզբնական հիմնական կետերն այն են, որ լույսը լայնորեն օգտագործվել է տեղեկատվության փոխանցման համար, բայց ոչ տեղեկատվության փոխակերպման, այսինքն՝ թվային օպտիկական հաշվարկների համար: Նմանապես, քվանտային հաշվարկների դեպքում թվային օպտիկական հաշվարկների համար կան հիմնարար ֆիզիկական մարտահրավերներ: Թուղթն այնուհետև մանրամասնում է ավելի վաղ առաջարկված նեյրոմորֆ ֆոտոնային հաշվողական հարթակի մանրամասները՝ Tait et. ալ. թիմը, որը հրատարակվել է 2014թ Հեռարձակումը և քաշը. Ինտեգրված ցանց՝ մասշտաբային ֆոտոնիկ հասկի մշակման համար. Նրանց նոր աշխատությունը նկարագրում է ինտեգրված ֆոտոնյարդային ցանցի առաջին փորձարարական ցուցադրության արդյունքները: 

«Հեռարձակման և քաշի» հաշվողական ճարտարապետության մեջ «հանգույցներին» վերագրվում է եզակի «ալիքի երկարության կրիչ», որը «ալիքի երկարության բաժանման մուլտիպլեքսացված է (WDM)», և այնուհետև հեռարձակվում է այլ «հանգույցների»: Այս ճարտարապետության «հանգույցները» նախատեսված են մարդու ուղեղում նեյրոնների վարքը նմանակելու համար: Այնուհետև «WDM» ազդանշանները մշակվում են շարունակական արժեք ունեցող զտիչների միջոցով, որոնք կոչվում են «microring (MRR) քաշային բանկեր», և այնուհետև էլեկտրականորեն ամփոփվում են չափված ընդհանուր հզորության հայտնաբերման արժեքի մեջ: Այս վերջին էլեկտրաօպտիկական փոխակերպման/հաշվարկի ոչ գծայինությունը հենց այն ոչ գծայնությունն է, որն անհրաժեշտ է նեյրոնների ֆունկցիոնալությունը ընդօրինակելու համար, ինչը կարևոր է նեյրոմորֆիկ սկզբունքներով հաշվարկելու համար: 

Փաստաթղթում նրանք քննարկում են, որ այս փորձարարականորեն հաստատված էլեկտրաօպտիկական փոխակերպման դինամիկան մաթեմատիկորեն նույնական է «2 հանգույցի շարունակական ժամանակի կրկնվող նյարդային ցանցի» (CTRNN) մոդելին: Այս պիոներ արդյունքները ցույց են տալիս, որ ծրագրավորման գործիքները, որոնք օգտագործվել են CTRNN մոդելների համար, կարող են կիրառվել սիլիցիումի վրա հիմնված նեյրոմորֆիկ հարթակներում: Այս հայտնագործությունը ճանապարհ է բացում CTRNN-ի մեթոդաբանությունը նեյրոմորֆ սիլիցիումի ֆոտոնիկային հարմարեցնելու համար: Իրենց աշխատության մեջ նրանք հենց այդպիսի մոդելի հարմարեցում են կատարում իրենց «հեռարձակման և քաշի» ճարտարապետությանը: Արդյունքները ցույց են տալիս, որ CTRNN մոդելը, որը մոդելավորվել է իրենց 49 հանգույցների ճարտարապետության վրա, տալիս է նեյրոմորֆ հաշվողական ճարտարապետությունը, որը գերազանցում է դասական հաշվողական մոդելներին 3 կարգի մեծության: