ភាពជឿនលឿននៃកុំព្យូទ័រទំនើប៖ ការប្រើប្រាស់បណ្តាញអុបទិក neuromorphic
ភាពជឿនលឿននៃកុំព្យូទ័រទំនើប៖ ការប្រើប្រាស់បណ្តាញអុបទិក neuromorphic
ក្នុងរយៈពេលប៉ុន្មានទសវត្សរ៍ចុងក្រោយនេះ និន្នាការដែលធ្លាប់ស្គាល់ និងត្រឹមត្រូវ ច្បាប់ Moore ដែលត្រូវបានព្យាករណ៍ដោយ Gordon Moore នៃក្រុមហ៊ុន IBM ក្នុងឆ្នាំ 1965 ឥឡូវនេះកំពុងក្លាយជារង្វាស់នៃដំណើរការកុំព្យូទ័រដែលមិនដំណើរការ។ ច្បាប់របស់ Moore បានព្យាករណ៍ថា រៀងរាល់ពីរឆ្នាំម្តង ចំនួននៃត្រង់ស៊ីស្ទ័រនៅក្នុងសៀគ្វីរួមបញ្ចូលគ្នានឹងកើនឡើងទ្វេដង ដែលថានឹងមានត្រង់ស៊ីស្ទ័រកាន់តែច្រើនក្នុងបរិមាណដូចគ្នា ដែលនាំឱ្យមានការបង្កើនការគណនា ហើយដូច្នេះដំណើរការកុំព្យូទ័រ។ នៅក្នុងខែមេសា ឆ្នាំ 2005 នៅក្នុងបទសម្ភាសន៍មួយ លោក Gordon Moore ផ្ទាល់បានថ្លែងថា ការព្យាករណ៍របស់គាត់ទំនងជានឹងលែងមាននិរន្តរភាពទៀតហើយ៖ “បើនិយាយពីទំហំ [នៃត្រង់ស៊ីស្ទ័រ] អ្នកអាចមើលឃើញថា យើងកំពុងខិតជិតទំហំអាតូម ដែលជាឧបសគ្គជាមូលដ្ឋាន ប៉ុន្តែវា នឹងមានពីរឬបីជំនាន់មុនពេលយើងទៅដល់ឆ្ងាយ—ប៉ុន្តែវានៅឆ្ងាយដូចដែលយើងមិនធ្លាប់បានឃើញ។ យើងមានពេល១០ទៅ២០ឆ្នាំទៀត មុនពេលយើងឈានដល់កម្រិតមូលដ្ឋាន»។
ទោះបីជាច្បាប់របស់ Moore នឹងត្រូវវិនាសនឹងឈានដល់ទីបញ្ចប់ក៏ដោយ សូចនាករផ្សេងទៀតនៃការគណនាកំពុងមើលឃើញការកើនឡើងនៃការអនុវត្ត។ ជាមួយនឹងបច្ចេកវិទ្យាដែលយើងប្រើប្រាស់ក្នុងជីវិតប្រចាំថ្ងៃរបស់យើង យើងទាំងអស់គ្នាអាចឃើញនិន្នាការនៃកុំព្យូទ័រកាន់តែតូចទៅៗ ប៉ុន្តែក៏ថាថ្មរបស់ឧបករណ៍ប្រើប្រាស់បានយូរ និងយូរផងដែរ។ និន្នាការចុងក្រោយជាមួយថ្មត្រូវបានគេហៅថាច្បាប់ Koomey ដែលដាក់ឈ្មោះតាមសាស្រ្តាចារ្យសាកលវិទ្យាល័យ Stanford លោក Jonathan Koomey ។ ច្បាប់របស់ Koomey ព្យាករណ៍ថា "... នៅពេលបន្ទុកកុំព្យូទ័រថេរ បរិមាណថ្មដែលអ្នកត្រូវការនឹងធ្លាក់ចុះដោយកត្តាពីរក្នុងមួយឆ្នាំកន្លះ។" ដូច្នេះ ការប្រើប្រាស់ថាមពលអេឡិចត្រូនិច ឬប្រសិទ្ធភាពថាមពលរបស់កុំព្យូទ័រកំពុងកើនឡើងទ្វេដងរៀងរាល់ 18 ខែម្តង។ ដូច្នេះ អ្វីដែលនិន្នាការ និងការផ្លាស់ប្តូរទាំងអស់នេះកំពុងចង្អុលឆ្ពោះទៅរក និងបង្ហាញឱ្យឃើញគឺអនាគតនៃការគណនា។
អនាគតនៃការគណនា
យើងបានមកដល់ពេលវេលាមួយក្នុងប្រវត្តិសាស្ត្រ ដែលយើងត្រូវកំណត់ឡើងវិញនូវការគណនាឡើងវិញ ដោយសារនិន្នាការ និងច្បាប់ដែលបានព្យាករណ៍កាលពីប៉ុន្មានទសវត្សរ៍មុន លែងអាចអនុវត្តបានទៀតហើយ។ ផងដែរ នៅពេលដែលការគណនាឆ្ពោះទៅរកមាត្រដ្ឋាន nano និង quantum វាមានដែនកំណត់ជាក់ស្តែង និងបញ្ហាប្រឈមដែលនឹងមកដល់។ ប្រហែលជាការប៉ុនប៉ងគួរឱ្យកត់សម្គាល់បំផុតនៅ supercomputing, quantum computing មានបញ្ហាប្រឈមជាក់ស្តែងក្នុងការទាញយក quantum entanglement យ៉ាងពិតប្រាកដសម្រាប់ការគណនាប៉ារ៉ាឡែល ពោលគឺការអនុវត្តការគណនាមុនពេល decoherence quantum ។ ទោះជាយ៉ាងណាក៏ដោយ ទោះបីជាមានបញ្ហាប្រឈមនៃការគណនា Quantum មានការរីកចម្រើនច្រើនក្នុងប៉ុន្មានទសវត្សរ៍កន្លងមកនេះ។ មនុស្សម្នាក់អាចរកឃើញគំរូនៃស្ថាបត្យកម្មកុំព្យូទ័រ John von Neumann បុរាណដែលបានអនុវត្តចំពោះការគណនាកង់ទិច។ ប៉ុន្តែមានអាណាចក្រមួយទៀតដែលមិនសូវល្បីឈ្មោះនៃកុំព្យូទ័រ (ទំនើប) ហៅថា កុំព្យូទ័រ neuromorphic ដែលមិនអនុវត្តតាមស្ថាបត្យកម្ម វ៉ុន ណឺម៉ាន់ ប្រពៃណី។
ការគណនាសរសៃប្រសាទត្រូវបានគិតគូរដោយសាស្ត្រាចារ្យ Caltech លោក Carver Mead ត្រឡប់មកវិញនៅក្នុងឯកសារសិក្ខាសាលារបស់គាត់ក្នុងឆ្នាំ 1990។ ជាមូលដ្ឋាន គោលការណ៍នៃការគណនាសរសៃប្រសាទគឺផ្អែកលើទ្រឹស្តីនៃសកម្មភាពជីវសាស្ត្រ ដូចជាគំនិតដែលត្រូវបានប្រើប្រាស់ដោយខួរក្បាលមនុស្សក្នុងការគណនា។ ភាពខុសគ្នាយ៉ាងខ្លីរវាងទ្រឹស្ដីកុំព្យូទ័រ neuromorphic ធៀបនឹងទ្រឹស្តីកុំព្យូទ័របុរាណ von Neumann ត្រូវបានសង្ខេបនៅក្នុងអត្ថបទមួយដោយ Don Monroe នៅក្នុង សមាគមសម្រាប់គ្រឿងម៉ាស៊ីនកុំព្យូទ័រ ទិនានុប្បវត្តិ។ សេចក្តីថ្លែងការណ៍មានដូចនេះ៖ “នៅក្នុងស្ថាបត្យកម្ម von Neumann ប្រពៃណី ស្នូលតក្កវិជ្ជាដ៏មានអានុភាព (ឬច្រើនស្របគ្នា) ដំណើរការជាបន្តបន្ទាប់លើទិន្នន័យដែលទាញយកពីអង្គចងចាំ។ ផ្ទុយទៅវិញ កុំព្យូទ័រ 'neuromorphic' ចែកចាយទាំងការគណនា និងការចងចាំក្នុងចំណោមចំនួនដ៏ធំនៃ 'ណឺរ៉ូនដើម' ដែលទាក់ទងគ្នាជាមួយណឺរ៉ូនរាប់រយ ឬរាប់ពាន់នាក់ផ្សេងទៀតតាមរយៈ 'synapses' ។
លក្ខណៈសំខាន់ៗផ្សេងទៀតនៃការគណនា neuromorphic រួមមានការមិនអត់ឱនចំពោះកំហុស ដែលមានបំណងយកគំរូតាមសមត្ថភាពខួរក្បាលរបស់មនុស្សក្នុងការបាត់បង់កោសិកាប្រសាទ ហើយនៅតែអាចដំណើរការបាន។ Analogously នៅក្នុងការគណនាប្រពៃណីការបាត់បង់ត្រង់ស៊ីស្ទ័រមួយប៉ះពាល់ដល់ដំណើរការត្រឹមត្រូវ។ អត្ថប្រយោជន៍ដែលមើលឃើញនិងមានគោលបំណងមួយផ្សេងទៀតនៃការគណនា neuromorphic គឺមិនចាំបាច់ត្រូវបានកម្មវិធី; គោលបំណងចុងក្រោយនេះ គឺជាគំរូម្តងទៀតនៃសមត្ថភាពខួរក្បាលរបស់មនុស្សក្នុងការរៀន ឆ្លើយតប និងសម្របខ្លួនទៅនឹងសញ្ញា។ ដូច្នេះ កុំព្យូទ័រ neuromorphic បច្ចុប្បន្នគឺជាបេក្ខជនដ៏ល្អបំផុតសម្រាប់ការរៀនម៉ាស៊ីន និងកិច្ចការបញ្ញាសិប្បនិម្មិត។
វឌ្ឍនភាពនៃ supercomputing neuromorphic
អត្ថបទដែលនៅសេសសល់នឹងបង្ហាញអំពីភាពជឿនលឿននៃ supercomputing neuromorphic ។ ជាពិសេសថ្មីៗនេះ ការស្រាវជ្រាវដែលបានចេញផ្សាយនៅលើ Arxiv ពី Alexander Tait et ។ អាល់ ចេញពីសាកលវិទ្យាល័យព្រីនស្តុន បង្ហាញថា គំរូបណ្តាញសរសៃប្រសាទ photonic ដែលមានមូលដ្ឋានលើស៊ីលីកុន ដំណើរការលើសពីវិធីសាស្រ្តគណនាធម្មតាជិត 2000 ដង។ វេទិកាកុំព្យូទ័រ neuromorphic photonic នេះអាចនាំឱ្យមានដំណើរការព័ត៌មានលឿនបំផុត។
The Tait et ។ អាល់ ក្រដាសដែលមានចំណងជើង ណឺរ៉ូម៉ូហ្វីកស៊ីលីកុន តូនិច ចាប់ផ្តើមការពិពណ៌នាអំពីគុណសម្បត្តិ និងគុណវិបត្តិនៃការប្រើប្រាស់ទម្រង់ពន្លឺ photonic នៃវិទ្យុសកម្មអេឡិចត្រូម៉ាញ៉េទិចសម្រាប់កុំព្យូទ័រ។ ចំណុចសំខាន់ដំបូងនៃក្រដាសគឺថា ពន្លឺត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយសម្រាប់ការបញ្ជូនព័ត៌មាន ប៉ុន្តែមិនមែនសម្រាប់ការបំប្លែងព័ត៌មាននោះទេ ពោលគឺកុំព្យូទ័រអុបទិកឌីជីថល។ ដូចគ្នាដែរ ចំពោះការគណនាកង់ទិច មានបញ្ហាប្រឈមជាមូលដ្ឋានចំពោះកុំព្យូទ័រអុបទិកឌីជីថល។ ក្រដាសបន្ទាប់មកចូលទៅក្នុងសេចក្តីលម្អិតនៃវេទិកាកុំព្យូទ័រ neuromorphic photonic ដែលបានស្នើឡើងមុន Tait et ។ អាល់ ក្រុមដែលបានបោះពុម្ពក្នុងឆ្នាំ 2014 ដែលមានចំណងជើង ការផ្សាយ និងទម្ងន់៖ បណ្តាញរួមបញ្ចូលគ្នាសម្រាប់ដំណើរការ photonic spike ដែលអាចធ្វើមាត្រដ្ឋានបាន។. ក្រដាសថ្មីរបស់ពួកគេពណ៌នាអំពីលទ្ធផលនៃការពិសោធន៍សាកល្បងដំបូងនៃបណ្តាញសរសៃប្រសាទដែលរួមបញ្ចូលគ្នា។
នៅក្នុងស្ថាបត្យកម្មកុំព្យូទ័រ "ការផ្សាយ និងទម្ងន់" "ថ្នាំង" ត្រូវបានចាត់តាំងជា "ក្រុមហ៊ុនបញ្ជូនប្រវែងរលក" តែមួយគត់ ដែលជា "ការចែករលក ពហុគុណ (WDM)" ហើយបន្ទាប់មកចាក់ផ្សាយទៅ "ថ្នាំង" ផ្សេងទៀត។ “ថ្នាំង” នៅក្នុងស្ថាបត្យកម្មនេះ សំដៅលើការក្លែងធ្វើឥរិយាបទណឺរ៉ូននៅក្នុងខួរក្បាលមនុស្ស។ បន្ទាប់មកសញ្ញា “WDM” ត្រូវបានដំណើរការតាមរយៈតម្រងតម្លៃបន្តដែលហៅថា “មីក្រូរីង (MRR) weight banks” ហើយបន្ទាប់មកបានបូកសរុបតាមអេឡិចត្រូនិកទៅជាតម្លៃវាស់ថាមពលសរុបដែលបានវាស់។ ភាពមិនលីនេអ៊ែរនៃបំលែង/ការគណនាអេឡិចត្រូអុបទិកចុងក្រោយនេះគឺច្បាស់ណាស់ថា ភាពមិនលីនេអ៊ែរដែលតម្រូវឱ្យធ្វើត្រាប់តាមមុខងារណឺរ៉ូន ដែលចាំបាច់សម្រាប់ការគណនាក្រោមគោលការណ៍ neuromorphic ។
នៅក្នុងក្រដាស ពួកគេពិភាក្សាថា ឌីណាមិកបំប្លែងអេឡិចត្រូអុបទិកដែលបានផ្ទៀងផ្ទាត់ដោយពិសោធន៍ទាំងនេះគឺដូចគ្នាបេះបិទតាមគណិតវិទ្យាទៅនឹងគំរូ "បណ្តាញសរសៃប្រសាទដែលកើតឡើងដដែលៗ 2-node" (CTRNN)។ លទ្ធផលត្រួសត្រាយផ្លូវទាំងនេះបង្ហាញថាឧបករណ៍សរសេរកម្មវិធីដែលត្រូវបានប្រើសម្រាប់ម៉ូដែល CTRNN អាចត្រូវបានអនុវត្តចំពោះវេទិកា neuromorphic ដែលមានមូលដ្ឋានលើស៊ីលីកុន។ របកគំហើញនេះបើកផ្លូវឆ្ពោះទៅរកការសម្របតាមវិធីសាស្ត្រ CTRNN ទៅនឹងរូបវិទ្យាស៊ីលីកុន neuromorphic ។ នៅក្នុងក្រដាសរបស់ពួកគេ ពួកគេធ្វើការកែប្រែគំរូបែបនេះទៅលើស្ថាបត្យកម្ម "ការផ្សាយ និងទម្ងន់" របស់ពួកគេ។ លទ្ធផលបង្ហាញថា គំរូ CTRNN ក្លែងធ្វើនៅលើស្ថាបត្យកម្ម 49-node របស់ពួកគេ ផ្តល់លទ្ធផលនៃស្ថាបត្យកម្មកុំព្យូទ័រ neuromorphic ដើម្បីដំណើរការគំរូកុំព្យូទ័របុរាណដោយ 3 លំដាប់នៃរ៉ិចទ័រ។