Superskaitļošanas sasniegumi: neiromorfisko optisko tīklu izmantošana

Dažu pēdējo desmitgažu laikā kādreiz labi zināmā un precīzā tendence Mūra likums, ko 1965. gadā prognozēja Gordons Mūrs no IBM, tagad lēnām kļūst par nederīgu skaitļošanas veiktspējas mērauklu. Mūra likums paredzēja, ka aptuveni ik pēc diviem gadiem tranzistoru skaits integrālajā shēmā dubultosies, ka tajā pašā daudzumā būs vairāk tranzistoru, kā rezultātā palielināsies aprēķini un līdz ar to arī datora veiktspēja. 2005. gada aprīlī intervijā pats Gordons Mūrs paziņoja, ka viņa projekcija, visticamāk, vairs nebūs ilgtspējīga: “Runājot par [tranzistoru] izmēru, jūs varat redzēt, ka mēs tuvojamies atomu izmēram, kas ir būtisks šķērslis, taču paies divas vai trīs paaudzes, līdz mēs nonāksim tik tālu, taču tas ir tik tālu, cik mēs jebkad esam spējuši redzēt. Mums ir vēl 10 līdz 20 gadi, līdz mēs sasniegsim fundamentālo robežu.   

Lai gan Mūra likums ir lemts nonākt strupceļā, citi skaitļošanas rādītāji kļūst arvien piemērotāki. Pateicoties tehnoloģijām, ko izmantojam savā ikdienā, mēs visi varam redzēt tendences, ka datori kļūst arvien mazāki, bet arī to, ka ierīču akumulatori darbojas arvien ilgāk. Pēdējā tendence ar baterijām tiek saukta par Kūmija likumu, kas nosaukta Stenfordas universitātes profesora Džonatana Kūmeja vārdā. Kūmeja likums paredz, ka "... pie fiksētas skaitļošanas slodzes jums vajadzīgā akumulatora daudzums samazināsies divas reizes katru pusotru gadu." Tāpēc datoru elektroniskais enerģijas patēriņš jeb energoefektivitāte dubultojas ik pēc 18 mēnešiem. Tātad, uz ko visas šīs tendences un izmaiņas norāda un atklāj, ir skaitļošanas nākotne.

Datortehnikas nākotne

Mēs esam nonākuši vēsturē, kad mums ir jāpārdefinē skaitļošana, jo tendences un likumi, kas tika prognozēti pirms vairākiem gadu desmitiem, vairs nav piemērojami. Turklāt, tā kā skaitļošana virzās uz nano un kvantu mērogiem, ir acīmredzami fiziski ierobežojumi un izaicinājumi, kas jāpārvar. Iespējams, visievērojamākajam superskaitļošanas mēģinājumam, kvantu skaitļošanai, ir acīmredzams izaicinājums patiesi izmantot kvantu sapīšanos paralēliem aprēķiniem, tas ir, veikt aprēķinus pirms kvantu dekoherences. Tomēr, neskatoties uz kvantu skaitļošanas izaicinājumiem, pēdējo desmitgažu laikā ir panākts liels progress. Var atrast tradicionālās Džona fon Neimaņa datoru arhitektūras modeļus, ko izmanto kvantu skaitļošanā. Bet ir vēl viena ne tik labi zināma (super)skaitļošanas joma, ko sauc par neiromorfo skaitļošanu, kas neatbilst tradicionālajai fon Neimaņa arhitektūrai. 

Neiromorfo skaitļošanu savā pamatdarbā 1990. gadā paredzēja Caltech profesors Kārvers Mīds. Pamatā neiromorfās skaitļošanas principi ir balstīti uz teorētiskiem bioloģiskiem darbības principiem, piemēram, tiem, kurus cilvēka smadzenes izmanto aprēķinos. Īsa atšķirība starp neiromorfo skaitļošanas teoriju un klasisko fon Neimaņa skaitļošanas teoriju tika apkopota Dona Monro rakstā. Datoru iekārtu asociācija žurnāls. Paziņojums ir šāds: "Tradicionālajā fon Neimaņa arhitektūrā spēcīgs loģiskais kodols (vai vairāki paralēli) darbojas secīgi ar datiem, kas iegūti no atmiņas. Turpretim “neiromorfā” skaitļošana sadala gan aprēķinus, gan atmiņu starp milzīgu skaitu salīdzinoši primitīvu “neironu”, no kuriem katrs sazinās ar simtiem vai tūkstošiem citu neironu, izmantojot “sinapses”.  

Citas galvenās neiromorfās skaitļošanas iezīmes ir kļūdu nepanesamība, kuras mērķis ir modelēt cilvēka smadzeņu spēju zaudēt neironus un joprojām darboties. Līdzīgi, tradicionālajā skaitļošanā viena tranzistora zudums ietekmē pareizu darbību. Vēl viena iecerētā un mērķtiecīgā neiromorfās skaitļošanas priekšrocība ir tā, ka nav nepieciešams programmēt; šis pēdējais mērķis atkal ir modelēt cilvēka smadzeņu spēju mācīties, reaģēt un pielāgoties signāliem. Tādējādi neiromorfā skaitļošana pašlaik ir labākais kandidāts mašīnmācības un mākslīgā intelekta uzdevumiem. 

Neiromorfās superskaitļošanas sasniegumi

Pārējā šī raksta daļā tiks aplūkoti neiromorfās superskaitļošanas sasniegumi. Konkrēti, nesen publicētie pētījumi par Arxiv no Aleksandra Taita et. al. Prinstonas Universitātes pētījums parāda, ka uz silīciju balstīta fotoniskā neironu tīkla modelis gandrīz 2000 reižu pārspēj parasto skaitļošanas pieeju. Šī neiromorfā fotoniskā skaitļošanas platforma var novest pie īpaši ātras informācijas apstrādes. 

The Tait et. al. papīrs ar nosaukumu Neiromorfā silīcija fotonika sākas ar elektromagnētiskā starojuma fotoniskās gaismas formas izmantošanas plusiem un mīnusiem skaitļošanā. Darba sākotnējie galvenie punkti ir tādi, ka gaisma ir plaši izmantota informācijas pārraidei, bet ne informācijas transformācijai, t.i., digitālajai optiskajai skaitļošanai. Līdzīgi kā kvantu skaitļošanā, digitālajai optiskajai skaitļošanai ir būtiskas fiziskas problēmas. Pēc tam rakstā tiek apskatīta informācija par iepriekš ierosināto neiromorfisko fotonisko skaitļošanas platformu Tait et. al. komanda publicēta 2014. gadā ar nosaukumu Apraide un svars: integrēts tīkls mērogojamai fotonisko smaiļu apstrādei. Viņu jaunākajā rakstā ir aprakstīti integrētā fotoniskā neironu tīkla pirmās eksperimentālās demonstrācijas rezultāti. 

“Apraides un svara” skaitļošanas arhitektūrā “mezgliem” ir piešķirts unikāls “viļņa garuma nesējs”, kas ir “viļņu garuma dalīšanas multiplekss (WDM)” un pēc tam tiek pārraidīts uz citiem “mezgliem”. Šīs arhitektūras “mezgli” ir paredzēti, lai modelētu neironu uzvedību cilvēka smadzenēs. Pēc tam “WDM” signāli tiek apstrādāti, izmantojot nepārtrauktas vērtības filtrus, ko sauc par “mikroringa (MRR) svara bankām”, un pēc tam elektriski summēti izmērītā kopējā jaudas noteikšanas vērtībā. Šīs pēdējās elektrooptiskās transformācijas/skaitļošanas nelinearitāte ir tieši tā nelinearitāte, kas nepieciešama, lai atdarinātu neironu funkcionalitāti, kas ir būtiska skaitļošanai saskaņā ar neiromorfiskajiem principiem. 

Rakstā viņi apspriež, ka šī eksperimentāli pārbaudītā elektrooptiskās transformācijas dinamika ir matemātiski identiska "2 mezglu nepārtraukta laika atkārtota neironu tīkla" (CTRNN) modelim. Šie novatoriskie rezultāti liecina, ka programmēšanas rīkus, kas izmantoti CTRNN modeļiem, varētu izmantot uz silīcija bāzes veidotām neiromorfām platformām. Šis atklājums paver ceļu CTRNN metodoloģijas pielāgošanai neiromorfiskajai silīcija fotonikai. Savā dokumentā viņi veic tieši šādu modeļa pielāgošanu savai "apraides un svara" arhitektūrai. Rezultāti liecina, ka CTRNN modelis, kas simulēts to 49 mezglu arhitektūrā, nodrošina neiromorfu skaitļošanas arhitektūru, kas par 3 kārtībām pārspēj klasiskos skaitļošanas modeļus.