スーパーコンピューティングの進歩: ニューロモーフィック光ネットワークの使用

1965 年に IBM のゴードン・ムーアによって予測された、かつてはよく知られ正確な傾向であったムーアの法則は、ここ数十年で、コンピューティング パフォーマンスの尺度として徐々に使われなくなりつつあります。ムーアの法則は、集積回路内のトランジスタの数が約 2005 年ごとに 10 倍になり、同じスペースにさらに多くのトランジスタが存在し、計算能力の向上、ひいてはコンピュータのパフォーマンスの向上につながると予測しました。 20 年 XNUMX 月、ゴードン ムーア自身がインタビューで、自分の予測はもはや持続可能ではないであろうと述べました。私たちがそこまで到達するまでには XNUMX ～ XNUMX 世代かかるでしょう。しかし、それは私たちがこれまで目にしたことのないほど遠いものです。根本的な限界に達するまでには、さらにXNUMX年からXNUMX年かかるだろう。」   

ムーアの法則はいつか行き詰まりを迎える運命にありますが、コンピューティングの他の指標の適用可能性は高まりつつあります。私たちが日常生活で使用するテクノロジーにより、コンピューターはますます小型化する傾向にありますが、デバイスのバッテリーの寿命もますます長くなっていることがわかります。バッテリーに関する後者の傾向は、スタンフォード大学教授ジョナサン・クーミーにちなんで「クーミーの法則」と呼ばれています。クーミーの法則は、「コンピューティング負荷が一定であれば、必要なバッテリーの量は 18 年半ごとに XNUMX 分の XNUMX に減少する」と予測しています。したがって、コンピュータの電力消費量またはエネルギー効率は、約 XNUMX か月ごとに XNUMX 倍になります。したがって、これらすべてのトレンドと変化が示し、明らかにしているのは、コンピューティングの未来です。

コンピューティングの未来

数十年前に予測されたトレンドや法則はもはや適用できず、コンピューティングを再定義しなければならない歴史の時代が到来しました。また、コンピューティングがナノスケールと量子スケールに向かって進むにつれて、明らかに物理的な制限と克服すべき課題が存在します。おそらくスーパーコンピューティングにおける最も注目すべき試みである量子コンピューティングには、並列計算に量子もつれを真に利用する、つまり量子デコヒーレンスが起こる前に計算を実行するという明白な課題があります。しかし、量子コンピューティングの課題にもかかわらず、過去数十年間で大きな進歩が見られました。量子コンピューティングに適用された伝統的なジョン フォン ノイマン コンピュータ アーキテクチャのモデルを見つけることができます。しかし、（スーパー）コンピューティングには、従来のフォン・ノイマン アーキテクチャに従わない、ニューロモーフィック コンピューティングと呼ばれる、あまり知られていない別の領域があります。 

ニューロモーフィック コンピューティングは、カリフォルニア工科大学のカーバー ミード教授が 1990 年に独創的な論文で構想しました。 基本的に、ニューロモーフィック コンピューティングの原理は、人間の脳が計算に利用すると考えられているものと同様、理論化された生物学的作用原理に基づいています。ニューロモーフィック コンピューティング理論と古典的なフォン ノイマン コンピューティング理論の簡潔な違いは、Don Monroe による記事にまとめられています。 計算機学会 ジャーナル。そのステートメントは次のようになります。「従来のノイマン型アーキテクチャでは、強力なロジック コア (または複数の並列コア) がメモリから取得したデータを順番に動作させます。対照的に、「ニューロモーフィック」コンピューティングは、計算とメモリの両方を膨大な数の比較的原始的な「ニューロン」に分散させ、それぞれが「シナプス」を通じて数百、数千の他のニューロンと通信します。」  

ニューロモーフィック コンピューティングのその他の重要な機能には、ニューロンを失っても機能できる人間の脳の能力をモデル化することを目的としたフォールト イントレランスが含まれます。同様に、従来のコンピューティングでは、1 つのトランジスタの損失が適切な機能に影響を与えます。ニューロモーフィック コンピューティングのもう 1 つの想定され、意図された利点は、プログラムする必要がないことです。この最後の目的は、信号を学習し、応答し、適応する人間の脳の能力をモデル化することです。したがって、ニューロモーフィック コンピューティングは現在、機械学習および人工知能タスクの最適な候補です。 

ニューロモーフィック スーパーコンピューティングの進歩

この記事の残りの部分では、ニューロモーフィック スーパーコンピューティングの進歩について詳しく説明します。具体的には、Alexander Tait らによる Arxiv に関する研究が最近発表されました。アル。プリンストン大学の研究者らは、シリコンベースのフォトニック ニューラル ネットワーク モデルが従来のコンピューティング アプローチよりも 2000 倍近く優れていることを示しています。このニューロモーフィックなフォトニック コンピューティング プラットフォームは、超高速の情報処理につながる可能性があります。 

テイトら。アル。というタイトルの論文 ニューロモーフィックシリコンフォトニクス は、コンピューティングに電磁放射のフォトニック光の形態を使用することの長所と短所の説明から始めます。この論文の最初の要点は、光は情報伝達には広く使用されてきたが、情報変換、つまりデジタル光コンピューティングには使用されていないということである。量子コンピューティングと同様に、デジタル光コンピューティングにも基本的な物理的な課題があります。次に、この論文では、以前に提案されたニューロモーフィック フォトニック コンピューティング プラットフォームである Tait et の詳細について説明します。アル。 2014 年に出版されたチームのタイトル ブロードキャストとウェイト: スケーラブルなフォトニック スパイク処理のための統合ネットワーク。彼らの新しい論文では、統合フォトニック ニューラル ネットワークの最初の実験的デモンストレーションの結果について説明しています。 

「ブロードキャストおよびウェイト」コンピューティング アーキテクチャでは、「ノード」には「波長分割多重 (WDM)」された固有の「波長搬送波」が割り当てられ、その後他の「ノード」にブロードキャストされます。このアーキテクチャの「ノード」は、人間の脳内のニューロンの動作をシミュレートすることを目的としています。次に、「WDM」信号は「マイクロリング (MRR) 重みバンク」と呼ばれる連続値フィルターを介して処理され、電気的に合計されて合計パワー検出値が測定されます。この最後の電気光学変換/計算の非線形性は、まさにニューロンの機能を模倣するために必要な非線形性であり、ニューロモーフィック原理に基づく計算に不可欠です。 

この論文では、実験的に検証された電気光学変換ダイナミクスが「2ノード連続時間リカレントニューラルネットワーク」(CTRNN)モデルと数学的に同一であると論じています。これらの先駆的な結果は、CTRNN モデルに使用されてきたプログラミング ツールがシリコン ベースのニューロモーフィック プラットフォームに適用できる可能性があることを示唆しています。この発見により、CTRNN 手法をニューロモーフィック シリコン フォトニクスに適応させる道が開かれました。彼らの論文では、まさにそのようなモデルを「ブロードキャストとウェイト」アーキテクチャに適応させています。結果は、49 ノード アーキテクチャ上でシミュレーションされた CTRNN モデルにより、ニューロモーフィック コンピューティング アーキテクチャが古典的なコンピューティング モデルを 3 桁上回るパフォーマンスを発揮することが示されました。