Kemajuan superkomputer: nggunakake jaringan optik neuromorphic

Ing sawetara dekade pungkasan, tren sing kondhang lan akurat, Hukum Moore, sing diprediksi dening Gordon Moore saka IBM ing taun 1965, saiki alon-alon dadi ukuran kinerja komputasi sing ora aktif. Hukum Moore prédhiksi manawa saben rong taun jumlah transistor ing sirkuit terpadu bakal tikel kaping pindho, sing bakal ana luwih akeh transistor ing papan sing padha, ndadékaké komputasi tambah lan kinerja komputer. Ing April 2005, ing sawijining wawancara, Gordon Moore dhewe nyatakake proyeksi kasebut ora bakal bisa lestari maneh: "Ing babagan ukuran [transistor] sampeyan bisa ndeleng manawa kita wis nyedhaki ukuran atom sing dadi penghalang dhasar, nanging bakal dadi loro utawa telung generasi sadurunge kita tekan adoh-nanging sing adoh saka kita wis tau bisa ndeleng. Kita duwe 10 nganti 20 taun liyane sadurunge tekan watesan dhasar.   

Sanajan angger-anggering Toret Moore ditakoni bakal mati, pratondho komputasi liyane katon munggah ing aplikasi. Kanthi teknologi sing digunakake ing urip saben dina, kita kabeh bisa ndeleng tren komputer sing saya cilik lan luwih cilik, nanging uga baterei piranti saya suwe saya suwe. Tren pungkasan karo baterei diarani Hukum Koomey, dijenengi saka profesor Universitas Stanford Jonathan Koomey. Hukum Koomey prédhiksi yen "... ing beban komputasi tetep, jumlah baterei sing sampeyan butuhake bakal mudhun kanthi faktor loro saben setengah taun." Mula, konsumsi daya elektronik utawa efisiensi energi komputer tikel kaping pindho saben 18 wulan. Dadi, kabeh tren lan owah-owahan iki ngarahake lan mbukak yaiku masa depan komputasi.

Masa depan komputasi

Kita wis tekan wektu ing sejarah nalika kita kudu nemtokake maneh komputasi amarga tren lan hukum sing diprediksi pirang-pirang dekade kepungkur ora bisa ditrapake maneh. Uga, nalika komputasi nyurung skala nano lan kuantum, ana watesan lan tantangan fisik sing jelas. Mbok menawa upaya superkomputer sing paling misuwur, komputasi kuantum, nduweni tantangan nyata kanggo nggunakake entanglement kuantum kanggo komputasi paralel, yaiku, nindakake komputasi sadurunge dekoherensi kuantum. Nanging, senadyan tantangan komputasi kuantum, wis akeh kemajuan ing sawetara dekade kepungkur. Siji bisa nemokake model arsitektur komputer John von Neumann tradisional sing ditrapake kanggo komputasi kuantum. Nanging ana wilayah liyane (super) komputasi sing ora kondhang, sing diarani komputasi neuromorphic sing ora ngetutake arsitektur von Neumann tradisional. 

Komputasi neuromorfik dibayangke dening profesor Caltech Carver Mead ing makalah seminale ing taun 1990.  Ing dhasare, prinsip komputasi neuromorfik adhedhasar prinsip-prinsip aksi biologis, kaya sing dianggep digunakake dening otak manungsa ing komputasi. Bedane ringkes antarane teori komputasi neuromorphic versus teori komputasi von Neumann klasik diringkes ing artikel dening Don Monroe ing Asosiasi Mesin Mesin jurnal. Pernyataan kasebut kaya mangkene: "Ing arsitektur von Neumann tradisional, inti logika sing kuat (utawa sawetara sing sejajar) beroperasi sacara berurutan ing data sing dijupuk saka memori. Ing kontras, komputasi 'neuromorphic' nyebarake komputasi lan memori ing antarane jumlah 'neuron' sing relatif primitif, saben sesambungan karo atusan utawa ewu neuron liyane liwat 'sinapsis.'  

Fitur utama komputasi neuromorphic liyane kalebu intoleransi fault, sing tujuane kanggo model kemampuan otak manungsa kanggo ilang neuron lan isih bisa dienggo. Analogi, ing komputasi tradisional, mundhut siji transistor mengaruhi fungsi sing bener. Kauntungan liyane sing dibayangake lan dituju saka komputasi neuromorphic ora perlu diprogram; Yahoo pungkasan iki maneh modeling kemampuan otak manungsa kanggo sinau, nanggapi lan adaptasi kanggo sinyal. Dadi, komputasi neuromorphic saiki dadi calon paling apik kanggo sinau mesin lan tugas intelijen buatan. 

Kemajuan supercomputing neuromorphic

Liyane saka artikel iki bakal nliti kemajuan superkomputer neuromorphic. Khusus, mentas diterbitake riset ing Arxiv saka Alexander Tait et. al. metu saka Universitas Princeton nuduhake yen model jaringan saraf fotonik basis silikon ngluwihi pendekatan komputasi konvensional kanthi meh 2000 kali lipat. Platform komputasi fotonik neuromorfik iki bisa nyebabake pangolahan informasi sing paling cepet. 

The Tait et. al. makalah kanthi irah-irahan Neuromorphic Silicon Photonics wiwit njlèntrèhaké pro lan cons nggunakake wangun cahya photonic saka radiation elektromagnetik kanggo komputerisasi. Titik utama kertas kasebut yaiku cahya wis akeh digunakake kanggo transmisi informasi nanging ora kanggo transformasi informasi, yaiku komputasi optik digital. Kajaba iku, kanggo komputasi kuantum, ana tantangan fisik dhasar kanggo komputasi optik digital. Kertas kasebut banjur dadi rincian babagan platform komputasi fotonik neuromorphic sing diusulake sadurunge Tait et. al. tim diterbitake ing 2014, kanthi judhul Siaran lan bobot: Jaringan terpadu kanggo pangolahan spike fotonik sing bisa diukur. Makalah sing luwih anyar nggambarake asil demonstrasi eksperimen pisanan saka jaringan saraf fotonik terpadu. 

Ing arsitektur komputasi "siaran lan bobot", "simpul" ditugasake "pembawa gelombang" sing unik yaiku "divisi panjang gelombang multiplexed (WDM)" lan banjur disiarkan menyang "node" liyane. "Simpul" ing arsitektur iki dimaksudake kanggo niru prilaku neuron ing otak manungsa. Banjur sinyal "WDM" diproses liwat saringan sing terus-terusan sing diarani "bank bobot microring (MRR)" banjur dijumlahake kanthi listrik dadi nilai deteksi daya total sing diukur. Non-linearitas transformasi / komputasi elektro-optik pungkasan iki yaiku non-linearitas sing dibutuhake kanggo niru fungsi neuron, penting kanggo komputasi miturut prinsip neuromorfik. 

Ing makalah kasebut, dheweke ngrembug manawa dinamika transformasi elektro-optik sing diverifikasi kanthi eksperimen iki kanthi matématika identik karo model "2-node continuous-time recurrent neural network" (CTRNN). Asil pionir kasebut nuduhake manawa alat pemrograman sing wis digunakake kanggo model CTRNN bisa ditrapake ing platform neuromorphic berbasis silikon. Panemuan iki mbukak dalan kanggo adaptasi metodologi CTRNN menyang fotonik silikon neuromorfik. Ing makalah kasebut, dheweke nindakake adaptasi model kasebut menyang arsitektur "siaran lan bobot". Asil nuduhake yen model CTRNN simulasi menyang arsitektur 49-node sing ngasilake arsitektur komputasi neuromorphic kanggo outperform model komputasi klasik dening 3 urutan gedhene.