Superkompiuterių pažanga: naudojant neuromorfinius optinius tinklus

Per pastaruosius kelis dešimtmečius kažkada gerai žinoma ir tiksli tendencija, Moore'o įstatymas, kurį 1965 m. numatė Gordonas Moore'as iš IBM, dabar pamažu tampa nebeveikiančiu skaičiavimo našumo matu. Moore'o įstatymas numatė, kad maždaug kas dvejus metus tranzistorių skaičius integrinėje grandinėje padvigubės, kad tame pačiame plote bus daugiau tranzistorių, todėl padidės skaičiavimas, taigi ir kompiuterio našumas. 2005 m. balandžio mėn. interviu pats Gordonas Moore'as pareiškė, kad jo projekcija greičiausiai nebebus tvari: „Kalbant apie [tranzistorių] dydį, matote, kad artėjame prie atomų dydžio, o tai yra esminė kliūtis, bet praeis dvi ar trys kartos, kol pasieksime taip toli, bet tai yra taip toli, kaip mes kada nors galėjome pamatyti. Turime dar 10–20 metų, kol pasieksime esminę ribą.   

Nors Moore'o įstatymas yra pasmerktas atsidurti aklavietėje, kiti skaičiavimo rodikliai vis labiau pritaikomi. Naudodamiesi technologijomis, kurias naudojame kasdieniame gyvenime, visi matome, kad kompiuteriai mažėja ir mažėja, bet taip pat, kad įrenginių baterijos tarnauja vis ilgiau. Pastaroji tendencija su baterijomis vadinama Koomey įstatymu, pavadinta Stanfordo universiteto profesoriaus Jonathano Koomey vardu. Koomey dėsnis numato, kad „...esant fiksuotai skaičiavimo apkrovai, jums reikiamos baterijos kiekis sumažės du kartus kas pusantrų metų“. Todėl kompiuterių elektros energijos suvartojimas arba energijos vartojimo efektyvumas padvigubėja maždaug kas 18 mėnesių. Taigi, ką visos šios tendencijos ir pokyčiai rodo ir atskleidžia, yra kompiuterijos ateitis.

Kompiuterijos ateitis

Atėjome į istorijos laikotarpį, kai turime iš naujo apibrėžti kompiuteriją, nes tendencijos ir dėsniai, numatyti prieš kelis dešimtmečius, nebegalioja. Be to, kompiuterijai žengiant link nano ir kvantinių mastelių, yra akivaizdžių fizinių apribojimų ir iššūkių. Turbūt žymiausias superkompiuterijos bandymas, kvantinis skaičiavimas, turi akivaizdų iššūkį iš tikrųjų panaudoti kvantinį susipynimą lygiagrečiam skaičiavimui, ty atlikti skaičiavimus prieš kvantinį dekoherenciją. Tačiau, nepaisant kvantinio skaičiavimo iššūkių, per pastaruosius kelis dešimtmečius buvo padaryta didelė pažanga. Galima rasti tradicinės Johno von Neumanno kompiuterių architektūros modelių, taikomų kvantiniam skaičiavimui. Tačiau yra dar viena ne tokia gerai žinoma (super)kompiuterijos sritis, vadinama neuromorfiniu skaičiavimu, kuri nesilaiko tradicinės von Neumann architektūros. 

Neuromorfinį skaičiavimą numatė Caltech profesorius Carveris Meadas dar 1990 m. savo pagrindiniame darbe. Iš esmės neuromorfinio skaičiavimo principai yra pagrįsti teoriniais biologiniais veikimo principais, tokiais, kaip manoma, kad žmogaus smegenys juos naudoja skaičiavimuose. Glaustas skirtumas tarp neuromorfinės skaičiavimo teorijos ir klasikinės von Neumanno skaičiavimo teorijos buvo apibendrintas Don Monroe straipsnyje. Kompiuterinių mašinų asociacija žurnalas. Teiginys skamba taip: „Tradicinėje von Neumann architektūroje galingas loginis branduolys (arba keli lygiagrečiai) nuosekliai veikia iš atminties gautais duomenimis. Priešingai, „neuromorfinis“ skaičiavimas paskirsto ir skaičiavimus, ir atmintį tarp didžiulio skaičiaus santykinai primityvių „neuronų“, kurių kiekvienas bendrauja su šimtais ar tūkstančiais kitų neuronų per „sinapses“.  

Kiti pagrindiniai neuromorfinio skaičiavimo bruožai yra gedimų netoleravimas, kuriuo siekiama modeliuoti žmogaus smegenų gebėjimą prarasti neuronus ir vis tiek veikti. Analogiškai tradiciniame skaičiavime vieno tranzistoriaus praradimas turi įtakos tinkamam veikimui. Kitas numatytas ir tikslingas neuromorfinio skaičiavimo pranašumas yra tai, kad nereikia programuoti; paskutinis tikslas – modeliuoti žmogaus smegenų gebėjimą mokytis, reaguoti ir prisitaikyti prie signalų. Taigi neuromorfinis skaičiavimas šiuo metu yra geriausias kandidatas į mašinų mokymąsi ir dirbtinio intelekto užduotis. 

Neuromorfinio superkompiuterio pažanga

Likusioje šio straipsnio dalyje bus nagrinėjama neuromorfinio superkompiuterio pažanga. Konkrečiai, neseniai paskelbti tyrimai apie Arxiv iš Alexander Tait ir kt. al. Prinstono universiteto tyrimas rodo, kad silicio pagrindu sukurtas fotoninio neuroninio tinklo modelis beveik 2000 kartų lenkia įprastą skaičiavimo metodą. Ši neuromorfinė fotoninė skaičiavimo platforma gali paskatinti itin greitą informacijos apdorojimą. 

Tait ir kt. al. popierius pavadinimu Neuromorfinė silicio fotonika pradeda apibūdinti elektromagnetinės spinduliuotės fotoninės šviesos formos panaudojimo skaičiavimams privalumus ir trūkumus. Pradiniai pagrindiniai darbo punktai yra tai, kad šviesa buvo plačiai naudojama informacijos perdavimui, bet ne informacijos transformavimui, t. y. skaitmeniniam optiniam skaičiavimui. Panašiai, kaip ir kvantinis kompiuteris, skaitmeninis optinis skaičiavimas turi esminių fizinių iššūkių. Straipsnyje aprašoma anksčiau pasiūlyta neuromorfinė fotoninė skaičiavimo platforma Tait et. al. komanda, paskelbta 2014 m., pavadinimu Transliacija ir svoris: integruotas tinklas keičiamam fotoninių spyglių apdorojimui. Jų naujesniame dokumente aprašomi pirmojo eksperimentinio integruoto fotoninio neuroninio tinklo demonstravimo rezultatai. 

„Transliavimo ir svorio“ skaičiavimo architektūroje „mazgams“ priskiriamas unikalus „bangos ilgio nešiklis“, kuris yra „bangos ilgio dalijimosi tankinimas (WDM)“ ir transliuojamas į kitus „mazgus“. Šios architektūros „mazgai“ yra skirti imituoti neuronų elgesį žmogaus smegenyse. Tada „WDM“ signalai apdorojami per nuolatinės vertės filtrus, vadinamus „mikroringo (MRR) svorio bankais“, o tada elektriškai sumuojami į išmatuotą bendrą galios aptikimo vertę. Šios paskutinės elektrooptinės transformacijos / skaičiavimo netiesiškumas yra būtent netiesiškumas, reikalingas neuronų funkcionalumui imituoti, būtinas skaičiavimams pagal neuromorfinius principus. 

Straipsnyje jie aptaria, kad ši eksperimentiškai patikrinta elektrooptinės transformacijos dinamika yra matematiškai identiška „2 mazgų nuolatinio laiko pasikartojančio neuroninio tinklo“ (CTRNN) modeliui. Šie novatoriški rezultatai rodo, kad programavimo įrankiai, kurie buvo naudojami CTRNN modeliams, gali būti pritaikyti silicio pagrindu veikiančioms neuromorfinėms platformoms. Šis atradimas atveria kelią pritaikyti CTRNN metodiką neuromorfinei silicio fotonikai. Savo darbe jie atlieka būtent tokį modelio pritaikymą savo „transliavimo ir svorio“ architektūrai. Rezultatai rodo, kad CTRNN modelis, imituotas jų 49 mazgų architektūroje, sukuria neuromorfinę skaičiavimo architektūrą, kuri 3 dydžiais lenkia klasikinius skaičiavimo modelius.