Kemajuan superkomputer: menggunakan jaringan optik neuromorfik

Dalam beberapa dekade terakhir, tren yang dulu terkenal dan akurat, Hukum Moore, yang diprediksi oleh Gordon Moore dari IBM pada tahun 1965, kini perlahan-lahan menjadi ukuran kinerja komputasi yang sudah tidak ada lagi. Hukum Moore memperkirakan bahwa setiap dua tahun jumlah transistor dalam sirkuit terpadu akan berlipat ganda, dan akan ada lebih banyak transistor dalam jumlah ruang yang sama, sehingga meningkatkan komputasi dan kinerja komputer. Pada bulan April 2005, dalam sebuah wawancara, Gordon Moore sendiri menyatakan bahwa proyeksinya kemungkinan besar tidak akan berkelanjutan lagi: “Dalam hal ukuran [transistor] Anda dapat melihat bahwa kita sedang mendekati ukuran atom yang merupakan penghalang mendasar, namun hal ini akan memakan waktu dua atau tiga generasi sebelum kita bisa mencapai sejauh itu—namun sejauh ini kita belum bisa melihatnya. Kita mempunyai waktu 10 hingga 20 tahun lagi sebelum kita mencapai batas mendasar.”   

Meskipun hukum Moore kemungkinan akan menemui jalan buntu, indikator-indikator komputasi lainnya mengalami peningkatan dalam hal penerapannya. Dengan teknologi yang kita gunakan dalam kehidupan sehari-hari, kita semua dapat melihat tren komputer menjadi semakin kecil dan baterai perangkat juga bertahan lebih lama. Tren baterai yang terakhir disebut Hukum Koomey, diambil dari nama profesor Universitas Stanford, Jonathan Koomey. Hukum Koomey memperkirakan bahwa "… pada beban komputasi tetap, jumlah baterai yang Anda perlukan akan berkurang dua kali lipat setiap satu setengah tahun." Oleh karena itu, konsumsi daya elektronik atau efisiensi energi komputer meningkat dua kali lipat setiap 18 bulan. Jadi, apa yang ditunjukkan dan diungkapkan oleh semua tren dan perubahan ini adalah masa depan komputasi.

Masa depan komputasi

Kita telah sampai pada suatu masa dalam sejarah di mana kita harus mendefinisikan ulang komputasi karena tren dan undang-undang yang diprediksi beberapa dekade lalu tidak lagi berlaku. Selain itu, seiring dengan kemajuan komputasi menuju skala nano dan kuantum, terdapat keterbatasan fisik dan tantangan yang harus diatasi. Mungkin upaya paling menonjol dalam superkomputer, komputasi kuantum, memiliki tantangan nyata untuk benar-benar memanfaatkan keterjeratan kuantum untuk komputasi paralel, yaitu melakukan komputasi sebelum dekoherensi kuantum. Namun, terlepas dari tantangan komputasi kuantum, terdapat banyak kemajuan dalam beberapa dekade terakhir. Kita dapat menemukan model arsitektur komputer tradisional John von Neumann yang diterapkan pada komputasi kuantum. Namun ada bidang komputasi (super) lain yang kurang dikenal, yang disebut komputasi neuromorfik yang tidak mengikuti arsitektur tradisional von Neumann. 

Komputasi neuromorfik dibayangkan oleh profesor Caltech, Carver Mead, dalam makalahnya yang penting pada tahun 1990. Pada dasarnya, prinsip-prinsip komputasi neuromorfik didasarkan pada prinsip-prinsip tindakan biologis yang diteorikan, seperti prinsip-prinsip yang dianggap digunakan oleh otak manusia dalam komputasi. Perbedaan singkat antara teori komputasi neuromorfik versus teori komputasi klasik von Neumann dirangkum dalam sebuah artikel oleh Don Monroe di Association for Computing Machinery jurnal. Pernyataannya berbunyi seperti ini: “Dalam arsitektur von Neumann tradisional, inti logika yang kuat (atau beberapa inti logika secara paralel) beroperasi secara berurutan pada data yang diambil dari memori. Sebaliknya, komputasi ‘neuromorfik’ mendistribusikan komputasi dan memori di antara sejumlah besar ‘neuron’ yang relatif primitif, yang masing-masing berkomunikasi dengan ratusan atau ribuan neuron lain melalui ‘sinapsis’.”  

Fitur utama lainnya dari komputasi neuromorfik termasuk intoleransi kesalahan, yang bertujuan untuk memodelkan kemampuan otak manusia dalam kehilangan neuron dan tetap dapat berfungsi. Secara analogi, dalam komputasi tradisional, hilangnya satu transistor mempengaruhi berfungsinya. Keuntungan lain yang diharapkan dan dituju dari komputasi neuromorfik adalah tidak adanya kebutuhan untuk diprogram; tujuan terakhir ini sekali lagi memodelkan kemampuan otak manusia untuk belajar, merespons, dan beradaptasi terhadap sinyal. Dengan demikian, komputasi neuromorfik saat ini merupakan kandidat terbaik untuk tugas pembelajaran mesin dan kecerdasan buatan. 

Kemajuan superkomputer neuromorfik

Sisa artikel ini akan mempelajari kemajuan superkomputer neuromorfik. Secara khusus, penelitian yang baru-baru ini diterbitkan tentang Arxiv dari Alexander Tait et. Al. dari Universitas Princeton menunjukkan bahwa model jaringan saraf fotonik berbasis silikon mengungguli pendekatan komputasi konvensional hampir 2000 kali lipat. Platform komputasi fotonik neuromorfik ini dapat menghasilkan pemrosesan informasi yang sangat cepat. 

Tait dkk. Al. makalah berjudul Fotonik Silikon Neuromorfik mulai menjelaskan pro dan kontra penggunaan bentuk cahaya fotonik dari radiasi elektromagnetik untuk komputasi. Poin utama awal dari makalah ini adalah bahwa cahaya telah banyak digunakan untuk transmisi informasi namun belum untuk transformasi informasi, yaitu komputasi optik digital. Mirip dengan komputasi kuantum, terdapat tantangan fisik mendasar pada komputasi optik digital. Makalah ini kemudian membahas rincian platform komputasi fotonik neuromorfik yang diusulkan sebelumnya, Tait et. Al. tim diterbitkan pada tahun 2014, berjudul Siaran dan bobot: Jaringan terintegrasi untuk pemrosesan lonjakan fotonik yang dapat diskalakan. Makalah terbaru mereka menjelaskan hasil demonstrasi eksperimental pertama dari jaringan saraf fotonik terintegrasi. 

Dalam arsitektur komputasi “siaran dan berat”, “node” diberi “pembawa panjang gelombang” unik yaitu “wavelength Division multiplexing (WDM)” dan kemudian disiarkan ke “node” lain. “Node” dalam arsitektur ini dimaksudkan untuk mensimulasikan perilaku neuron di otak manusia. Kemudian sinyal “WDM” diproses melalui filter bernilai kontinu yang disebut “bank bobot microring (MRR)” dan kemudian dijumlahkan secara elektrik menjadi nilai deteksi daya total yang diukur. Non-linearitas dari transformasi/komputasi elektro-optik terakhir ini justru merupakan non-linearitas yang diperlukan untuk meniru fungsi neuron, yang penting untuk komputasi berdasarkan prinsip neuromorfik. 

Dalam makalah tersebut, mereka membahas bahwa dinamika transformasi elektro-optik yang diverifikasi secara eksperimental ini secara matematis identik dengan model “2-node continuous-time recurrent neural network” (CTRNN). Hasil perintis ini menunjukkan bahwa alat pemrograman yang telah digunakan untuk model CTRNN dapat diterapkan pada platform neuromorfik berbasis silikon. Penemuan ini membuka jalan untuk mengadaptasi metodologi CTRNN ke fotonik silikon neuromorfik. Dalam makalah mereka, mereka melakukan adaptasi model ke dalam arsitektur “siaran dan bobot” mereka. Hasilnya menunjukkan bahwa model CTRNN yang disimulasikan ke dalam arsitektur 49-node menghasilkan arsitektur komputasi neuromorfik yang mengungguli model komputasi klasik sebesar 3 kali lipat.