Напредоци во суперкомпјутер: користење невроморфни оптички мрежи

Во последните неколку децении, некогаш добро познатиот и точен тренд, Муровиот закон, предвиден од Гордон Мур од IBM во 1965 година, сега полека станува непостоечка мерка за компјутерските перформанси. Муровиот закон предвидуваше дека на секои две години бројот на транзистори во интегрираното коло ќе се удвојува, дека ќе има повеќе транзистори во истото количество простор, што ќе доведе до зголемени пресметки, а со тоа и перформанси на компјутерот. Во април 2005 година, во едно интервју, самиот Гордон Мур изјави дека неговата проекција најверојатно повеќе нема да биде одржлива: „Во однос на големината [на транзисторите] можете да видите дека се приближуваме до големината на атомите што е основна бариера, но ќе бидат две или три генерации пред да стигнеме толку далеку - но тоа е толку далеку колку што некогаш сме можеле да видиме. Имаме уште 10 до 20 години пред да достигнеме основна граница“.   

Иако законот на Мур е осуден да влезе во ќорсокак, другите показатели за компјутерите забележуваат пораст на применливоста. Со технологијата што ја користиме во секојдневниот живот, сите можеме да ги видиме трендовите на компјутерите да стануваат се помали и помали, но исто така и дека батериите на уредите траат подолго и подолго. Последниот тренд со батериите се нарекува Законот на Куми, именуван по професорот на Универзитетот Стенфорд, Џонатан Куми. Законот на Куми предвидува дека „... при фиксно компјутерско оптоварување, количината на батерија што ви треба ќе падне за два пати секоја година и половина“. Затоа, електронската потрошувачка на енергија или енергетската ефикасност на компјутерите се удвојува на секои 18 месеци. Значи, она кон што упатуваат и откриваат сите овие трендови и промени е иднината на компјутерите.

Иднината на компјутерите

Дојдовме во време во историјата каде што треба да го редефинираме компјутерот бидејќи трендовите и законите предвидени пред неколку децении повеќе не се применливи. Исто така, како што компјутерите туркаат кон нано и квантната скала, постојат очигледни физички ограничувања и предизвици кои треба да се надминат. Можеби најзабележителниот обид за суперкомпјутерство, квантното пресметување, има очигледен предизвик за вистинско искористување на квантната испреплетеност за паралелно пресметување, односно извршување пресметки пред квантната декохеренција. Сепак, и покрај предизвиците на квантното пресметување, има голем напредок во изминатите неколку децении. Може да се најдат модели на традиционалната компјутерска архитектура Џон фон Нојман применети на квантното пресметување. Но, постои уште една не толку добро позната област на (супер)пресметување, наречено невроморфно пресметување кое не ја следи традиционалната архитектура на фон Нојман. 

Невроморфното пресметување беше замислено од професорот од Калтек, Карвер Мид, во својот главен труд во 1990 година. Во основа, принципите на невроморфното пресметување се засноваат на теоретизирани биолошки принципи на дејствување, како оние за кои се смета дека човечкиот мозок ги користи при пресметување. Концизната разлика помеѓу теоријата за невроморфни пресметувања наспроти класичната теорија на фон Нојман беше сумирана во една статија од Дон Монро во Асоцијација за компјутерски машини дневник. Изјавата гласи вака: „Во традиционалната фон Нојман архитектура, моќното логичко јадро (или неколку паралелно) работи секвенцијално на податоците земени од меморијата. Спротивно на тоа, „невроморфното“ пресметување ги дистрибуира и пресметките и меморијата меѓу огромен број релативно примитивни „неврони“, секој од нив комуницира со стотици или илјадници други неврони преку „синапсите“.  

Други клучни карактеристики на невроморфното пресметување вклучуваат нетолеранција на грешки, која има за цел да ја моделира способноста на човечкиот мозок да губи неврони и сепак да може да функционира. Аналогно на тоа, во традиционалното пресметување загубата на еден транзистор влијае на правилното функционирање. Друга замислена и насочена предност на невроморфното пресметување е дека нема потреба да се програмираат; оваа последна цел е повторно моделирање на способноста на човечкиот мозок да учи, да реагира и да се прилагодува на сигналите. Така, невроморфното пресметување во моментов е најдобриот кандидат за задачи за машинско учење и вештачка интелигенција. 

Напредокот на невроморфниот суперкомпјутер

Остатокот од оваа статија ќе истражува во напредокот на невроморфниот суперкомпјутер. Поточно, неодамна објавеното истражување за Arxiv од Александар Таит и др. ал. надвор од Универзитетот Принстон покажува дека моделот на фотонска невронска мрежа базиран на силикон го надминува конвенционалниот компјутерски пристап за речиси 2000 пати. Оваа невроморфна фотонска платформа за пресметување може да доведе до ултрабрза обработка на информации. 

The Tait et. ал. труд со наслов Невроморфна силиконска фотоника започнува со опишување на добрите и лошите страни на користењето на формата на фотонска светлина на електромагнетното зрачење за пресметување. Првичните главни точки на трудот се дека светлината е широко користена за пренос на информации, но не и за трансформација на информации, т.е. дигитално оптичко пресметување. Слично на тоа, за квантното пресметување, постојат фундаментални физички предизвици за дигиталното оптичко пресметување. Трудот потоа навлегува во деталите за претходно предложената невроморфна фотонска компјутерска платформа Tait et. ал. тим објавен во 2014 година, со наслов Емитување и тежина: Интегрирана мрежа за скалабилна обработка на фотонски шилци. Нивниот понов труд ги опишува резултатите од првата експериментална демонстрација на интегрирана фотонска невронска мрежа. 

Во компјутерската архитектура „емитување и тежина“, на „јазлите“ им е доделен единствен „носител на бранова должина“ кој е „мултиплексиран со поделба на бранова должина (WDM)“ и потоа се емитува на други „јазли“. „Јазлите“ во оваа архитектура имаат за цел да симулираат однесување на невронот во човечкиот мозок. Потоа сигналите „WDM“ се обработуваат преку филтри со континуирана вредност наречени „багови на тежина со микросирање (MRR)“ и потоа електрично се сумираат во измерена вредност за откривање на вкупна моќност. Нелинеарноста на оваа последна електро-оптичка трансформација/пресметување е токму нелинеарноста потребна за да се имитира функционалноста на невронот, од суштинско значење за пресметувањето според невроморфните принципи. 

Во трудот, тие разговараат дека овие експериментално потврдени динамики на електро-оптичка трансформација се математички идентични со моделот „2-јазол континуирано време на повторлива невронска мрежа“ (CTRNN). Овие пионерски резултати сугерираат дека програмските алатки кои се користеле за моделите на CTRNN може да се применат на невроморфни платформи базирани на силикон. Ова откритие го отвора патот за прилагодување на методологијата на CTRNN на невроморфната силиконска фотоника. Во нивниот труд, тие прават токму таква адаптација на моделот на нивната архитектура „емитување и тежина“. Резултатите покажуваат дека моделот CTRNN симулиран на нивната архитектура од 49 јазли дава невроморфна компјутерска архитектура за да ги надмине класичните компјутерски модели за 3 реда на големина.