Суперкомпьютерийн дэвшил: нейроморф оптик сүлжээг ашиглах

Сүүлийн хэдэн арван жилд IBM-ийн Гордон Мурын 1965 онд таамаглаж байсан нэгэн цагт алдартай бөгөөд үнэн зөв хандлага болох Мурын хууль аажмаар тооцооллын гүйцэтгэлийн хэмжүүр болж байна. Мурын хуулинд ойролцоогоор хоёр жил тутамд нэгдсэн хэлхээний транзисторын тоо хоёр дахин нэмэгдэж, ижил хэмжээний зайд илүү олон транзистор байх болно гэж таамаглаж байсан нь тооцоолол, улмаар компьютерийн гүйцэтгэлийг нэмэгдүүлэхэд хүргэдэг. 2005 оны 10-р сард Гордон Мур нэгэн ярилцлагадаа өөрийн төсөөлөл цаашид тогтвортой байхаа больсон гэж хэлсэн: "[Транзисторын] хэмжээний хувьд бид үндсэн саад болох атомын хэмжээтэй ойртож байгааг харж болно, гэхдээ Бид хоёр, гурван үеийн дараа ийм хол явах болно, гэхдээ энэ нь бидний харж байгаагүй хол юм. Суурь хязгаарт хүрэхээс өмнө бидэнд дахиад 20-XNUMX жил байна."   

Хэдийгээр Мурын хууль зарим нэг мухардалд орох магадлалтай ч тооцооллын бусад үзүүлэлтүүд хэрэгжих чадвар нэмэгдэж байна. Бидний өдөр тутмын амьдралдаа ашигладаг технологийн тусламжтайгаар компьютер улам бүр жижгэрч байгаа ч төхөөрөмжийн батерей удаан, удаан үргэлжилж байгааг бид бүгд харж байна. Батерейны сүүлийн чиг хандлагыг Стэнфордын их сургуулийн профессор Жонатан Кумигийн нэрээр нэрлэсэн Кумейгийн хууль гэж нэрлэдэг. Koomey-ийн хуулинд "... Тогтмол тооцооллын ачаалалтай үед танд хэрэгтэй батерейны хэмжээ жил хагасын хугацаанд хоёр дахин багасна" гэж таамаглаж байна. Тиймээс цахим эрчим хүчний хэрэглээ буюу компьютерийн эрчим хүчний хэмнэлт 18 сар тутамд хоёр дахин нэмэгддэг. Тэгэхээр энэ бүх чиг хандлага, өөрчлөлтүүд юуг чиглүүлж, харуулж байгаа нь компьютерийн ирээдүй юм.

Компьютерийн ирээдүй

Хэдэн арван жилийн өмнө таамаглаж байсан чиг хандлага, хууль тогтоомжууд цаашид хэрэгжихээ больсон тул бид тооцоололыг дахин тодорхойлох шаардлагатай болсон түүхэн цаг үед ирлээ. Түүнчлэн, тооцоолол нь нано болон квант хэмжүүр рүү түлхэж байгаа тул бие махбодийн тодорхой хязгаарлалт, бэрхшээл тулгардаг. Магадгүй суперкомпьютерийн хамгийн алдартай оролдлого болох квант тооцоолол нь параллель тооцоололд зориулж квантын орооцолдолтыг үнэхээр ашиглах, өөрөөр хэлбэл квантын декогерентээс өмнө тооцоолол хийх нь тодорхой сорилттой байж магадгүй юм. Гэсэн хэдий ч квант тооцооллын сорилтыг үл харгалзан сүүлийн хэдэн арван жилд ихээхэн ахиц дэвшил гарсан. Квантын тооцоололд ашигласан уламжлалт Жон фон Нейманы компьютерийн архитектурын загваруудыг олж болно. Гэхдээ фон Нейманы уламжлалт архитектурыг дагаж мөрддөггүй нейроморф тооцоолол гэж нэрлэгддэг (супер) тооцооллын өөр нэг тийм ч сайн мэддэггүй салбар байдаг. 

Нейроморф тооцооллыг Калтекийн профессор Карвер Мид 1990 онд өөрийн үндсэн илтгэлдээ дурдсан байдаг. Үндсэндээ нейроморф тооцооллын зарчмууд нь хүний ​​тархи тооцоололд ашигладаг гэж үздэгтэй адил үйл ажиллагааны онолчлогдсон биологийн зарчимд суурилдаг. Нейроморф тооцооллын онол ба сонгодог фон Нейманы тооцооллын онолын хоорондох товч ялгааг Дон Монрогийн нийтлэлд нэгтгэн дүгнэсэн болно. Тооцоолох төхөөрөмжийн холбоо сэтгүүл. Энэхүү мэдэгдэл нь: "Фон Нейманы уламжлалт архитектурт хүчирхэг логик цөм (эсвэл хэд хэдэн зэрэгцээ) санах ойноос татаж авсан өгөгдөл дээр дараалан ажилладаг. Үүний эсрэгээр, "нейроморф" тооцоолол нь тооцоолол болон санах ойг хоёуланг нь харьцангуй анхдагч "нейрон" -ын хооронд хуваарилдаг бөгөөд тус бүр нь "синапс" -аар дамжуулан хэдэн зуу, мянган бусад нейронуудтай харилцдаг."  

Нейроморфик тооцооллын бусад гол шинж чанарууд нь хүний ​​тархины мэдрэлийн эсүүдээ алдаж, үйл ажиллагаагаа явуулах чадварыг загварчлах зорилготой алдааны үл тэвчих байдал юм. Үүнтэй адилаар уламжлалт тооцоололд нэг транзисторын алдагдал нь хэвийн ажиллахад нөлөөлдөг. Нейроморфик тооцооллын өөр нэг төсөөлж, зорилтот давуу тал нь програмчлах шаардлагагүй юм; Энэ сүүлчийн зорилго нь хүний ​​тархины сурах, хариу үйлдэл үзүүлэх, дохиололд дасан зохицох чадварыг дахин загварчлах явдал юм. Тиймээс нейроморфик тооцоолол нь одоогоор машин сурах болон хиймэл оюун ухааны даалгаварт хамгийн сайн нэр дэвшигч юм. 

Нейроморф суперкомпьютерийн дэвшил

Энэ нийтлэлийн үлдсэн хэсэг нь нейроморфик суперкомпьютерийн дэвшлийн талаар судлах болно. Тодруулбал, саяхан Alexander Tait et-ийн Arxiv-ийн талаархи судалгааг нийтэлсэн. аль. Принстоны их сургуулийн судалгаагаар цахиурт суурилсан фотоник мэдрэлийн сүлжээний загвар нь ердийн тооцооллын арга барилаас бараг 2000 дахин илүү үр дүнтэй болохыг харуулж байна. Энэхүү нейроморф фотоник компьютерийн платформ нь мэдээллийг хэт хурдан боловсруулахад хүргэдэг. 

Tait et. аль. нэртэй цаас Нейроморф цахиурын фотоник цахилгаан соронзон цацрагийн фотоник гэрлийн хэлбэрийг тооцоолоход ашиглах давуу болон сул талуудыг тайлбарлаж эхэлдэг. Уг нийтлэлийн эхний гол зүйл бол гэрлийг мэдээлэл дамжуулахад өргөн ашигладаг байсан ч мэдээллийг хувиргах, өөрөөр хэлбэл дижитал оптик тооцоололд ашиглаагүй явдал юм. Квантын тооцооллын нэгэн адил дижитал оптик тооцоололд бие махбодийн үндсэн сорилтууд байдаг. Дараа нь уг нийтлэлд өмнө нь санал болгож байсан нейроморф фотоник тооцооллын платформ болох Tait et-ийн талаар дэлгэрэнгүй тайлбарласан болно. аль. нэртэй 2014 онд хэвлэгдсэн баг Нэвтрүүлэг ба жин: Фотоник баяжуулалтыг өргөтгөх боломжтой нэгдсэн сүлжээ. Тэдний шинэ баримт бичигт нэгдсэн фотоник мэдрэлийн сүлжээний анхны туршилтын үзүүлэнгийн үр дүнг тайлбарлав. 

"Нэвтрүүлэг ба жин" тооцоолох архитектурт "зангилаанууд" нь "долгионы уртыг хуваах (WDM)" өвөрмөц "долгионы урт зөөгч" -ийг хуваарилж, дараа нь бусад "зангилаа" руу дамжуулдаг. Энэхүү архитектурын "зангилаанууд" нь хүний ​​тархины мэдрэлийн эсийн үйл ажиллагааг дуурайлган хийх зорилготой юм. Дараа нь "WDM" дохиог "микрорингийн (MRR) жингийн банкууд" гэж нэрлэгддэг тасралтгүй үнэ цэнэтэй шүүлтүүрээр боловсруулж, дараа нь хэмжсэн нийт хүчийг илрүүлэх утгыг цахилгаанаар нэгтгэдэг. Энэхүү сүүлчийн цахилгаан оптик хувиргалт/тооцооллын шугаман бус байдал нь нейроморфийн зарчмаар тооцоолоход зайлшгүй шаардлагатай нейроны үйл ажиллагааг дуурайхад шаардлагатай шугаман бус байдал юм. 

Уг нийтлэлд тэд туршилтаар баталгаажуулсан цахилгаан оптик хувиргах динамик нь "2 зангилаа тасралтгүй цагийн давтагдах мэдрэлийн сүлжээ" (CTRNN) загвартай математикийн хувьд адилхан болохыг тэд ярилцсан. Эдгээр анхдагч үр дүн нь CTRNN загварт ашигласан програмчлалын хэрэгслүүдийг цахиурт суурилсан нейроморф платформд ашиглаж болохыг харуулж байна. Энэхүү нээлт нь CTRNN аргачлалыг нейроморф цахиурын фотоникт дасан зохицох замыг нээж байна. Тэд өөрсдийн нийтлэлдээ яг ийм загварыг өөрсдийн "нэвтрүүлэг ба жин" архитектурт тохируулан хийдэг. Үр дүн нь 49 зангилааны архитектурт загварчлагдсан CTRNN загвар нь нейроморф тооцооллын архитектурыг сонгодог тооцооллын загвараас 3 шатлалаар давж гарсныг харуулж байна.