Kemajuan superkomputer: menggunakan rangkaian optik neuromorfik

Dalam beberapa dekad yang lalu, trend yang terkenal dan tepat, Undang-undang Moore, yang diramalkan oleh Gordon Moore dari IBM pada tahun 1965, kini perlahan-lahan menjadi ukuran prestasi pengkomputeran yang tidak berfungsi. Undang-undang Moore meramalkan bahawa kira-kira setiap dua tahun bilangan transistor dalam litar bersepadu akan berganda, bahawa akan terdapat lebih banyak transistor dalam jumlah ruang yang sama, yang membawa kepada peningkatan pengiraan dan seterusnya prestasi komputer. Pada April 2005, dalam satu temu bual, Gordon Moore sendiri menyatakan unjurannya mungkin tidak lagi mampan: “Dari segi saiz [transistor] anda boleh lihat bahawa kita sedang menghampiri saiz atom yang merupakan penghalang asas, tetapi ia akan menjadi dua atau tiga generasi sebelum kita sampai sejauh itu—tetapi itu adalah sejauh yang kita dapat lihat. Kami mempunyai 10 hingga 20 tahun lagi sebelum kami mencapai had asas.”   

Walaupun undang-undang Moore ditakdirkan untuk menemui jalan buntu, penunjuk pengkomputeran lain melihat peningkatan dalam kebolehgunaan. Dengan teknologi yang kita gunakan dalam kehidupan seharian kita, kita semua dapat melihat trend komputer yang semakin kecil dan semakin kecil tetapi bateri peranti juga tahan lebih lama dan lebih lama. Trend terakhir dengan bateri dipanggil Undang-undang Koomey, dinamakan sempena profesor Universiti Stanford Jonathan Koomey. Undang-undang Koomey meramalkan bahawa "... pada beban pengkomputeran tetap, jumlah bateri yang anda perlukan akan jatuh sebanyak dua faktor setiap setengah tahun." Oleh itu, penggunaan kuasa elektronik atau kecekapan tenaga komputer meningkat dua kali ganda kira-kira setiap 18 bulan. Jadi, apa yang ditunjukkan dan didedahkan oleh semua trend dan perubahan ini ialah masa depan pengkomputeran.

Masa depan pengkomputeran

Kita telah tiba pada masa dalam sejarah di mana kita perlu mentakrifkan semula pengkomputeran kerana trend dan undang-undang yang diramalkan beberapa dekad yang lalu tidak lagi terpakai. Selain itu, apabila pengkomputeran mendorong ke arah skala nano dan kuantum, terdapat batasan fizikal dan cabaran yang jelas untuk diatasi. Mungkin percubaan yang paling ketara dalam pengkomputeran super, pengkomputeran kuantum, mempunyai cabaran yang jelas untuk benar-benar memanfaatkan jalinan kuantum untuk pengiraan selari, iaitu, melakukan pengiraan sebelum penyahpaduan kuantum. Walau bagaimanapun, di sebalik cabaran pengkomputeran kuantum terdapat banyak kemajuan dalam beberapa dekad yang lalu. Seseorang boleh menemui model seni bina komputer John von Neumann tradisional yang digunakan untuk pengkomputeran kuantum. Tetapi terdapat satu lagi bidang pengkomputeran (super) yang tidak begitu terkenal, yang dinamakan pengkomputeran neuromorfik yang tidak mengikut seni bina von Neumann tradisional. 

Pengkomputeran neuromorfik telah dibayangkan oleh profesor Caltech Carver Mead dalam makalah seminalnya pada tahun 1990.  Pada asasnya, prinsip pengkomputeran neuromorfik adalah berdasarkan prinsip tindakan biologi berteori, seperti yang difikirkan akan digunakan oleh otak manusia dalam pengiraan. Perbezaan ringkas antara teori pengkomputeran neuromorfik berbanding teori pengkomputeran von Neumann klasik telah diringkaskan dalam artikel oleh Don Monroe dalam Persatuan Jentera Pengkomputeran jurnal. Kenyataannya seperti ini: "Dalam seni bina von Neumann tradisional, teras logik yang kuat (atau beberapa secara selari) beroperasi secara berurutan pada data yang diambil dari ingatan. Sebaliknya, pengkomputeran 'neuromorphic' mengedarkan kedua-dua pengiraan dan ingatan di antara sejumlah besar 'neuron' yang agak primitif, masing-masing berkomunikasi dengan beratus-ratus atau beribu-ribu neuron lain melalui 'sinaps.'  

Ciri utama pengkomputeran neuromorfik lain termasuk intoleransi kesalahan, yang bertujuan untuk memodelkan keupayaan otak manusia untuk kehilangan neuron dan masih boleh berfungsi. Secara analog, dalam pengkomputeran tradisional kehilangan satu transistor menjejaskan fungsi yang betul. Satu lagi kelebihan pengkomputeran neuromorfik yang dibayangkan dan disasarkan ialah tidak perlu diprogramkan; matlamat terakhir ini sekali lagi memodelkan keupayaan otak manusia untuk belajar, bertindak balas dan menyesuaikan diri dengan isyarat. Oleh itu, pengkomputeran neuromorfik kini merupakan calon terbaik untuk pembelajaran mesin dan tugasan kecerdasan buatan. 

Kemajuan superkomputer neuromorfik

Selebihnya artikel ini akan menyelidiki kemajuan superkomputer neuromorfik. Khususnya, penyelidikan yang diterbitkan baru-baru ini mengenai Arxiv daripada Alexander Tait et. al. daripada Universiti Princeton menunjukkan bahawa model rangkaian neural fotonik berasaskan silikon mengatasi pendekatan pengkomputeran konvensional dengan hampir 2000 kali ganda. Platform pengkomputeran fotonik neuromorfik ini boleh membawa kepada pemprosesan maklumat yang sangat pantas. 

Tait et. al. kertas bertajuk Fotonik Silikon Neuromorfik bermula dengan menerangkan kebaikan dan keburukan menggunakan bentuk cahaya fotonik sinaran elektromagnet untuk pengkomputeran. Perkara utama awal kertas ini ialah cahaya telah digunakan secara meluas untuk penghantaran maklumat tetapi bukan untuk transformasi maklumat, iaitu pengkomputeran optik digital. Begitu juga, untuk pengkomputeran kuantum, terdapat cabaran fizikal asas kepada pengkomputeran optik digital. Makalah itu kemudiannya masuk ke butiran platform pengkomputeran fotonik neuromorfik yang dicadangkan sebelum ini iaitu Tait et. al. pasukan yang diterbitkan pada 2014, bertajuk Siaran dan berat: Rangkaian bersepadu untuk pemprosesan spike fotonik berskala. Kertas baru mereka menerangkan hasil demonstrasi percubaan pertama rangkaian neural fotonik bersepadu. 

Dalam seni bina pengkomputeran "siaran dan berat", "nod" diberikan "pembawa panjang gelombang" unik iaitu "pembilangan pembahagian panjang gelombang (WDM)" dan kemudian disiarkan ke "nod" lain. "Nod" dalam seni bina ini bertujuan untuk mensimulasikan tingkah laku neuron dalam otak manusia. Kemudian isyarat "WDM" diproses melalui penapis bernilai berterusan yang dipanggil "bank berat mikro (MRR)" dan kemudian dijumlahkan secara elektrik ke dalam jumlah nilai pengesanan kuasa yang diukur. Ketidak-linearan bagi transformasi/pengiraan elektro-optik terakhir ini ialah ketak-linearan yang diperlukan untuk meniru kefungsian neuron, penting untuk pengkomputeran di bawah prinsip neuromorfik. 

Dalam kertas kerja, mereka membincangkan bahawa dinamik transformasi elektro-optik yang disahkan secara eksperimen ini adalah sama secara matematik dengan model "rangkaian neural berulang masa berterusan 2-nod" (CTRNN). Keputusan perintis ini mencadangkan bahawa alat pengaturcaraan yang telah digunakan untuk model CTRNN boleh digunakan pada platform neuromorfik berasaskan silikon. Penemuan ini membuka laluan untuk menyesuaikan metodologi CTRNN kepada fotonik silikon neuromorfik. Dalam kertas kerja mereka, mereka hanya melakukan penyesuaian model sedemikian pada seni bina "siaran dan berat" mereka. Keputusan menunjukkan bahawa model CTRNN yang disimulasikan pada seni bina 49-nod mereka menghasilkan seni bina pengkomputeran neuromorfik untuk mengatasi model pengkomputeran klasik dengan 3 susunan magnitud.