სუპერკომპიუტერული მიღწევები: ნეირომორფული ოპტიკური ქსელების გამოყენებით

ბოლო რამდენიმე ათწლეულის განმავლობაში, ოდესღაც კარგად ცნობილი და ზუსტი ტენდენცია, მურის კანონი, რომელიც იწინასწარმეტყველა IBM-ის გორდონ მურმა 1965 წელს, ახლა ნელ-ნელა ხდება გამოთვლითი მუშაობის მცდარი საზომი. მურის კანონი იწინასწარმეტყველა, რომ დაახლოებით ორ წელიწადში ერთხელ ტრანზისტორების რაოდენობა ინტეგრირებულ წრეში გაორმაგდება, რომ იგივე რაოდენობის სივრცეში იქნება მეტი ტრანზისტორი, რაც გამოიწვევს გაანგარიშების გაზრდას და, შესაბამისად, კომპიუტერის მუშაობას. 2005 წლის აპრილში, ინტერვიუში, გორდონ მურმა თავად თქვა, რომ მისი პროექცია, სავარაუდოდ, აღარ იქნება მდგრადი: „[ტრანზისტორების] ზომით თქვენ ხედავთ, რომ ჩვენ ვუახლოვდებით ატომების ზომას, რომელიც ფუნდამენტური ბარიერია, მაგრამ იქნება ორი-სამი თაობა მანამ, სანამ აქამდე მივალთ, მაგრამ ეს იმდენად შორს არის, როგორც ჩვენ ოდესმე შევძელით. ჩვენ გვაქვს კიდევ 10-20 წელი, სანამ მივაღწევთ ფუნდამენტურ ზღვარს.   

მიუხედავად იმისა, რომ მურის კანონი განწირულია გარკვეული ჩიხისთვის, გამოთვლის სხვა ინდიკატორები ხედავენ გამოყენებადობის ზრდას. ტექნოლოგიით, რომელსაც ვიყენებთ ყოველდღიურ ცხოვრებაში, ჩვენ ყველანი ვხედავთ კომპიუტერების უფრო და უფრო მცირე ზომის ტენდენციებს, მაგრამ ასევე, რომ მოწყობილობის ბატარეები უფრო და უფრო დიდხანს ძლებს. ამ უკანასკნელ ტენდენციას ბატარეებთან დაკავშირებით ეწოდება Koomey's Law, რომელსაც სტენფორდის უნივერსიტეტის პროფესორის ჯონათან კუმის სახელი ეწოდა. კუმის კანონი პროგნოზირებს, რომ "... ფიქსირებული გამოთვლითი დატვირთვის დროს, ბატარეის რაოდენობა, რომელიც გჭირდებათ, ყოველ წელიწადნახევარში ორჯერ დაეცემა". ამრიგად, ელექტროენერგიის მოხმარება ან კომპიუტერების ენერგოეფექტურობა ორმაგდება ყოველ 18 თვეში ერთხელ. ასე რომ, ის, რასაც ყველა ეს ტენდენცია და ცვლილება მიუთითებს და ავლენს, არის კომპიუტერული მომავალი.

გამოთვლების მომავალი

ჩვენ მივედით ისტორიის დროში, როდესაც ჩვენ გვიწევს გამოთვლების ხელახალი განსაზღვრა, რადგან რამდენიმე ათეული წლის წინ პროგნოზირებული ტენდენციები და კანონები აღარ გამოიყენება. გარდა ამისა, როდესაც გამოთვლები უბიძგებს ნანო და კვანტურ მასშტაბებს, აშკარაა ფიზიკური შეზღუდვები და გამოწვევები. შესაძლოა, სუპერგამოთვლების ყველაზე თვალსაჩინო მცდელობა, კვანტურ გამოთვლას, აქვს აშკარა გამოწვევა კვანტური ჩახლართულობის ჭეშმარიტად გამოყენებას პარალელური გამოთვლებისთვის, ანუ გამოთვლების შესრულება კვანტურ დეკოჰერენტამდე. თუმცა, კვანტური გამოთვლის გამოწვევების მიუხედავად, ბოლო რამდენიმე ათწლეულის განმავლობაში დიდი პროგრესი იყო. შეგიძლიათ იპოვოთ ტრადიციული ჯონ ფონ ნეუმანის კომპიუტერული არქიტექტურის მოდელები, რომლებიც გამოიყენება კვანტურ გამოთვლებზე. მაგრამ არსებობს (სუპერ)გამოთვლის კიდევ ერთი არც ისე ცნობილი სფერო, რომელსაც ნეირომორფული გამოთვლა ეწოდება, რომელიც არ მიჰყვება ფონ ნეუმანის ტრადიციულ არქიტექტურას. 

ნეირომორფული გამოთვლები წარმოიდგინა კალტექს პროფესორმა კარვერ მიდმა ჯერ კიდევ 1990 წელს თავის მთავარ ნაშრომში.  ძირითადად, ნეირომორფული გამოთვლის პრინციპები ემყარება მოქმედების თეორიულ ბიოლოგიურ პრინციპებს, როგორიცაა ის, რაც ადამიანის ტვინს გამოიყენებს გამოთვლებში. ლაკონური განსხვავება ნეირომორფული გამოთვლითი თეორიისა და კლასიკური ფონ ნეუმანის გამოთვლის თეორიას შორის იყო შეჯამებული დონ მონროს სტატიაში. კომპიუტერული ტექნიკის ასოციაცია ჟურნალი. განცხადება ასე ჟღერს: ”ტრადიციულ ფონ ნეუმანის არქიტექტურაში ძლიერი ლოგიკური ბირთვი (ან რამდენიმე პარალელურად) მოქმედებს თანმიმდევრულად მეხსიერებიდან ამოღებულ მონაცემებზე. ამის საპირისპიროდ, "ნეირომორფული" გამოთვლა ანაწილებს როგორც გამოთვლას, ასევე მეხსიერებას შედარებით პრიმიტიული "ნეირონების" უზარმაზარ რაოდენობას შორის, რომელთაგან თითოეული ურთიერთობს ასობით ან ათასობით სხვა ნეირონთან "სინაფსების" საშუალებით."  

ნეირომორფული გამოთვლის სხვა ძირითად მახასიათებლებს მიეკუთვნება შეცდომის შეუწყნარებლობა, რომელიც მიზნად ისახავს ადამიანის ტვინის უნარის მოდელირებას, დაკარგოს ნეირონები და კვლავ შეძლოს ფუნქციონირება. ანალოგიურად, ტრადიციულ გამოთვლებში ერთი ტრანზისტორის დაკარგვა გავლენას ახდენს სწორ ფუნქციონირებაზე. ნეირომორფული გამოთვლის კიდევ ერთი გათვალისწინებული და მიზანმიმართული უპირატესობა არის დაპროგრამების საჭიროება; ეს უკანასკნელი მიზანი კვლავ არის ადამიანის ტვინის სწავლის, რეაგირებისა და სიგნალებისადმი ადაპტაციის უნარის მოდელირება. ამრიგად, ნეირომორფული გამოთვლები ამჟამად საუკეთესო კანდიდატია მანქანათმცოდნეობის და ხელოვნური ინტელექტის ამოცანებისთვის. 

ნეირომორფული სუპერკომპიუტერის მიღწევები

ამ სტატიის დანარჩენი ნაწილი განიხილავს ნეირომორფული სუპერკომპიუტერის მიღწევებს. კერძოდ, ახლახან გამოქვეყნდა კვლევა Arxiv-ზე ალექსანდრე ტაიტისა და. ალ. პრინსტონის უნივერსიტეტიდან ჩანს, რომ სილიკონზე დაფუძნებული ფოტონიკური ნერვული ქსელის მოდელი თითქმის 2000-ჯერ აღემატება ჩვეულებრივ გამოთვლით მიდგომას. გამოთვლის ამ ნეირომორფულ ფოტონულ პლატფორმას შეუძლია გამოიწვიოს ინფორმაციის ულტრასწრაფი დამუშავება. 

ტაიტი და. ალ. ქაღალდი სახელწოდებით ნეირომორფული სილიკონის ფოტონიკა იწყებს გამოთვლებისთვის ელექტრომაგნიტური გამოსხივების ფოტონიკური სინათლის ფორმის გამოყენების დადებითი და უარყოფითი მხარეების აღწერას. ნაშრომის საწყისი ძირითადი პუნქტებია ის, რომ სინათლე ფართოდ იყო გამოყენებული ინფორმაციის გადაცემისთვის, მაგრამ არა ინფორმაციის ტრანსფორმაციისთვის, ანუ ციფრული ოპტიკური გამოთვლებისთვის. ანალოგიურად, კვანტურ გამოთვლებს ციფრული ოპტიკური გამოთვლების ფუნდამენტური ფიზიკური გამოწვევები აქვს. შემდეგ ნაშრომი ეწვია ადრე შემოთავაზებულ ნეირომორფული ფოტონიკური გამოთვლითი პლატფორმის დეტალებს Tait et. ალ. გუნდი გამოქვეყნდა 2014 წელს, სახელწოდებით მაუწყებლობა და წონა: ინტეგრირებული ქსელი მასშტაბირებადი ფოტონიკური მწვერვალების დამუშავებისთვის. მათი ახალი ნაშრომი აღწერს ინტეგრირებული ფოტონური ნერვული ქსელის პირველი ექსპერიმენტული დემონსტრირების შედეგებს. 

"მაუწყებლობისა და წონის" გამოთვლის არქიტექტურაში "კვანძებს" ენიჭებათ უნიკალური "ტალღის სიგრძის გადამზიდავი", რომელიც არის "ტალღის სიგრძის გაყოფა მულტიპლექსირებული (WDM)" და შემდეგ გადაიცემა სხვა "კვანძებზე". ამ არქიტექტურაში „კვანძები“ მიზნად ისახავს ადამიანის ტვინში ნეირონების ქცევის სიმულაციას. შემდეგ "WDM" სიგნალები მუშავდება უწყვეტი ღირებულების ფილტრების მეშვეობით, სახელწოდებით "microring (MRR) წონის ბანკები" და შემდეგ ელექტრონულად ჯამდება მთლიანი სიმძლავრის გამოვლენის გაზომილ მნიშვნელობაში. ამ ბოლო ელექტროოპტიკური ტრანსფორმაციის/გამოთვლის არაწრფივობა არის ზუსტად ის არაწრფივიობა, რომელიც საჭიროა ნეირონების ფუნქციონირების მიბაძვისთვის, რაც აუცილებელია ნეირომორფული პრინციპების მიხედვით გამოთვლისთვის. 

ნაშრომში ისინი განიხილავენ, რომ ეს ექსპერიმენტულად დამოწმებული ელექტრო-ოპტიკური ტრანსფორმაციის დინამიკა მათემატიკურად იდენტურია „2-კვანძის უწყვეტი დროის მორეციდივე ნერვული ქსელის“ (CTRNN) მოდელის. ეს პიონერული შედეგები ვარაუდობს, რომ პროგრამირების ხელსაწყოები, რომლებიც გამოყენებული იყო CTRNN მოდელებისთვის, შეიძლება გამოყენებულ იქნას სილიკონზე დაფუძნებულ ნეირომორფულ პლატფორმებზე. ეს აღმოჩენა ხსნის გზას CTRNN მეთოდოლოგიის ადაპტაციისთვის ნეირომორფული სილიციუმის ფოტონიკასთან. მათ ნაშრომში ისინი სწორედ ასეთ მოდელის ადაპტაციას აკეთებენ თავიანთ „მაუწყებლობისა და წონის“ არქიტექტურაზე. შედეგები აჩვენებს, რომ CTRNN მოდელი, რომელიც სიმულირებულია მათ 49-კვანძიან არქიტექტურაზე, იძლევა ნეირომორფულ გამოთვლით არქიტექტურას, რათა აღემატებოდეს კლასიკურ გამოთვლით მოდელებს 3 რიგით სიდიდით.