စူပါကွန်ပြူတာ တိုးတက်မှုများ- neuromorphic optical networks ကို အသုံးပြုခြင်း။

လွန်ခဲ့သောဆယ်စုနှစ်အနည်းငယ်အတွင်း၊ တစ်ချိန်က နာမည်ကြီးပြီး တိကျသောလမ်းကြောင်းဖြစ်သည့် Moore's Law သည် 1965 ခုနှစ်တွင် IBM မှ Gordon Moore မှ ဟောကိန်းထုတ်ခဲ့သော Moore's Law သည် ယခုအခါတွင် တဖြည်းဖြည်းနှင့် ကွန်ပျူတာစွမ်းဆောင်ရည်၏ ပျက်ယွင်းသွားသည့် အတိုင်းအတာတစ်ခု ဖြစ်လာနေပြီဖြစ်သည်။ Moore's Law သည် ပေါင်းစည်းထားသော ဆားကစ်တစ်ခုရှိ ထရန်စစ္စတာအရေအတွက်သည် နှစ်နှစ်တစ်ကြိမ်ခန့်တွင် တူညီသောပမာဏတွင် ထရန်စစ္စတာများ ပိုများလာကာ တွက်ချက်မှုကို တိုးမြင့်စေပြီး ကွန်ပျူတာစွမ်းဆောင်ရည်ကို ဖြစ်ပေါ်စေသည်ဟု Moore's Law က ခန့်မှန်းထားသည်။ ၂၀၀၅ ခုနှစ် ဧပြီလတွင် အင်တာဗျူးတစ်ခုတွင်၊ Gordon Moore ကိုယ်တိုင်က သူ၏ခန့်မှန်းချက်သည် ရေရှည်တည်တံ့နိုင်ဖွယ်မရှိတော့ကြောင်း ပြောခဲ့သည်- “အရွယ်အစား [ထရန်စစ္စတာများ] အရ ကျွန်ုပ်တို့သည် အခြေခံအတားအဆီးဖြစ်သည့် အက်တမ်အရွယ်အစားသို့ ချဉ်းကပ်လာသည်ကို တွေ့နိုင်သော်လည်း၊ ငါတို့အဲဒီလောက်အထိမရောက်ခင် မျိုးဆက်နှစ်ဆက် ဒါမှမဟုတ် သုံးဆက်လောက်ရှိလိမ့်မယ်—ဒါပေမယ့် အဲဒါက ငါတို့မြင်နိုင်သလောက်တော့ ကွာသွားပြီ။ အခြေခံကန့်သတ်ချက်မပြည့်မီ နောက်ထပ် 2005 နှစ်မှ 10 နှစ်ထိ အချိန်ယူရသေးသည်။”   

Moore ၏ ဥပဒေသည် အချို့သော အဆုံးစွန်ထိ ရောက်ရန် အဆုံးအဖြတ်ခံရသော်လည်း၊ အခြားသော တွက်ချက်မှုဆိုင်ရာ အညွှန်းကိန်းများသည် အသုံးချနိုင်မှု မြင့်တက်လာသည်ကို တွေ့ရပါသည်။ ကျွန်ုပ်တို့၏နေ့စဉ်အသက်တာတွင် ကျွန်ုပ်တို့အသုံးပြုသည့်နည်းပညာဖြင့် ကွန်ပျူတာများ၏ ခေတ်ရေစီးကြောင်းအရ သေးငယ်လာပြီး သေးငယ်လာသည်သာမက စက်ပစ္စည်းဘက်ထရီများသည်လည်း ကြာရှည်ကြာကြာခံနိုင်သည်ကို တွေ့မြင်နိုင်ပါသည်။ ဘက္ထရီနှင့်ပတ်သက်သော နောက်ဆုံးလမ်းကြောင်းကို စတန်းဖို့ဒ်တက္ကသိုလ်မှ ပါမောက္ခ Jonathan Koomey ၏အစွဲပြုထားသော Koomey's Law ဟုခေါ်သည်။ Koomey ၏ဥပဒေက "… ပုံသေကွန်ပြူတာဝန်တွင်၊ သင်လိုအပ်သောဘက်ထရီပမာဏသည် တစ်နှစ်လျှင် နှစ်နှစ်ခွဲနှုန်းဖြင့် ကျဆင်းသွားမည်ဖြစ်သည်။" ထို့ကြောင့် ကွန်ပြူတာများ၏ အီလက်ထရွန်းနစ် ပါဝါသုံးစွဲမှု သို့မဟုတ် စွမ်းအင်ထိရောက်မှုသည် 18 လလျှင် နှစ်ဆတိုးလာသည်။ ထို့ကြောင့် ဤခေတ်ရေစီးကြောင်းများနှင့် ပြောင်းလဲမှုများအားလုံးသည် တွက်ချက်ခြင်း၏ အနာဂတ်ကို ဦးတည်ညွှန်ပြနေသည့်အရာဖြစ်သည်။

ကွန်ပျူတာ၏အနာဂတ်

လွန်ခဲ့သည့်ဆယ်စုနှစ်များစွာက ကြိုတင်ခန့်မှန်းထားသော ခေတ်ရေစီးကြောင်းနှင့် ဥပဒေများသည် အသုံးချခြင်းမပြုတော့ဘဲ တွက်ချက်ခြင်းအား ပြန်လည်သတ်မှတ်ရန် လိုအပ်သည့် သမိုင်းကြောင်းတစ်ခုသို့ ကျွန်ုပ်တို့ရောက်ရှိနေပြီဖြစ်သည်။ ထို့အပြင်၊ ကွန်ပြူတာသည် နာနိုနှင့် ကွမ်တမ်စကေးများဆီသို့ တွန်းပို့လာသည်နှင့်အမျှ၊ နောင်လာမည့် ထင်ရှားသော ရုပ်ပိုင်းဆိုင်ရာ ကန့်သတ်ချက်များနှင့် စိန်ခေါ်မှုများလည်း ရှိနေပါသည်။ စူပါကွန်ပြူတာ ၊ ကွမ်တမ် ကွန်ပြူတာ တွင် အထင်ရှားဆုံး ကြိုးပမ်းမှု တွင် မျဉ်းပြိုင် တွက်ချက်မှု အတွက် အမှန်တကယ် ကွမ်တမ် တွယ်တာမှုကို ထိန်းညှိခြင်း ၊ ဆိုလိုသည်မှာ ကွမ်တမ် ကွမ်တမ် ကွန်ပြူတာ ကို ဆောင်ရွက်ခြင်း မပြုမီ တွက်ချက်မှုများ လုပ်ဆောင်ခြင်း ဖြစ်သည် ။ သို့သော်၊ ကွမ်တမ်ကွန်ပြူတာ၏စိန်ခေါ်မှုများရှိနေသော်လည်း လွန်ခဲ့သည့်ဆယ်စုနှစ်အနည်းငယ်အတွင်း တိုးတက်မှုများစွာရှိခဲ့သည်။ ကွမ်တမ်ကွန်ပြူတာတွင် အသုံးပြုသည့် ရိုးရာ John von Neumann ကွန်ပြူတာဗိသုကာလက်ရာ မော်ဒယ်များကို ရှာဖွေနိုင်သည်။ ဒါပေမယ့် သမားရိုးကျ ဗွန်နီမန်ဗိသုကာကို မလိုက်နာတဲ့ neuromorphic computing လို့ ခေါ်တဲ့ (စူပါ) ကွန်ပြူတာရဲ့ လူသိများတဲ့ နယ်ပယ်တစ်ခုလည်း ရှိပါသေးတယ်။ 

Neuromorphic computing ကို Caltech ပါမောက္ခ Carver Mead မှ 1990 ခုနှစ်တွင် သူ၏ ဟောပြောချက်စာတမ်းတွင် ပြန်လည်မြင်ယောင်ခဲ့သည်။  အခြေခံအားဖြင့်၊ လူသားဦးနှောက်က တွက်ချက်ခြင်းတွင် အသုံးပြုသည်ဟု ယူဆထားသည့်အတိုင်း အာရုံကြောဆိုင်ရာ ကွန်ပြူတာ၏ အခြေခံမူများသည် သီအိုရီပြုထားသော ဇီဝဗေဒဆိုင်ရာ အခြေခံမူများအပေါ် အခြေခံထားသည်။ အာရုံကြောဆိုင်ရာ ကွန်ပြူတာသီအိုရီနှင့် ဂန္ထဝင်ဗွန်နီမန်ကွန်ပြူတာသီအိုရီနှင့် ဒွန်မွန်ရိုး၏ ဆောင်းပါးတစ်ပုဒ်တွင် အကျဉ်းချုပ်ဖော်ပြခဲ့သည်။ ကွန်ပျူတာစက်များအတွက်အသင်း ဂျာနယ်။ အဆိုပါထုတ်ပြန်ချက်သည်ဤကဲ့သို့ဖြစ်သည်- "ရိုးရာဗွန်နီမန်န်ဗိသုကာတွင်၊ အားကောင်းသောယုတ္တိဗေဒအူတိုင် (သို့မဟုတ်အပြိုင်အများအပြား) သည် မှတ်ဉာဏ်မှရယူထားသောဒေတာများကို ဆက်တိုက်လုပ်ဆောင်သည်။ ဆန့်ကျင်ဘက်အားဖြင့်၊ 'neuromorphic' ကွန်ပြူတာသည် 'synapses' မှတဆင့် အခြားသော အာရုံကြောပေါင်း ရာပေါင်းများစွာ သို့မဟုတ် ထောင်နှင့်ချီသော 'synapses' များအကြားတွင် တွက်ချက်မှုနှင့် မှတ်ဉာဏ်ကို ဖြန့်ဝေပေးပါသည်။"  

neuromorphic computing ၏ အခြားသော့ချက်အင်္ဂါရပ်များ မှာ လူ့ဦးနှောက်၏ အာရုံကြောများ ဆုံးရှုံးနိုင်မှုနှင့် ဆက်လက်လုပ်ဆောင်နိုင်မှုတို့ကို စံနမူနာပြုရန် ရည်ရွယ်သည့် မှားယွင်းမှု သည်းမခံနိုင်ခြင်း ပါဝင်သည်။ Analogously၊ သမားရိုးကျ ကွန်ပြူတာတွင် ထရန်စစ္စတာတစ်လုံး ဆုံးရှုံးခြင်းသည် ကောင်းမွန်သော လုပ်ဆောင်မှုကို သက်ရောက်မှုရှိသည်။ neuromorphic computing ၏ နောက်ထပ် မျှော်မှန်းချက်နှင့် ရည်ရွယ်သော အားသာချက်မှာ ပရိုဂရမ်ရေးဆွဲရန် မလိုအပ်ပါ။ ဤနောက်ဆုံးရည်ရွယ်ချက်မှာ လူ့ဦးနှောက်၏ သင်ယူနိုင်မှု၊ တုံ့ပြန်မှုနှင့် အချက်ပြမှုများကို လိုက်လျောညီထွေဖြစ်စေရန် စံနမူနာပြုခြင်းဖြစ်သည်။ ထို့ကြောင့်၊ neuromorphic computing သည် လက်ရှိတွင် စက်သင်ယူမှုနှင့် ဉာဏ်ရည်တုဆိုင်ရာ လုပ်ဆောင်ချက်များအတွက် အကောင်းဆုံး ကိုယ်စားလှယ်ဖြစ်သည်။ 

neuromorphic supercomputing ၏တိုးတက်မှု

ဤဆောင်းပါး၏ကျန်ကြွင်းသော neuromorphic supercomputing ၏တိုးတက်မှုအကြောင်းကိုအသေးစိတ်ဖော်ပြပါမည်။ အထူးသဖြင့်၊ မကြာသေးမီက Alexander Tait et မှ Arxiv ဆိုင်ရာသုတေသနကိုထုတ်ဝေခဲ့သည်။ အယ်လ်။ ပရင်စတန်တက္ကသိုလ်မှ စီလီကွန်အခြေပြု ဖိုနစ် အာရုံကြောကွန်ရက် မော်ဒယ်သည် သမားရိုးကျ ကွန်ပြူတာ ချဉ်းကပ်မှုအား အဆ 2000 နီးပါးထက် သာလွန်ကြောင်း ပြသသည်။ ကွန်ပြူတာ၏ neuromorphic photonic platform သည် အလွန်လျှင်မြန်သော သတင်းအချက်အလတ်များကို လုပ်ဆောင်နိုင်သည် ။ 

Tait et ။ အယ်လ်။ စာတမ်းခေါင်းစဉ် Neuromorphic Silicon Photonics ကွန်ပြူတာအတွက် လျှပ်စစ်သံလိုက်ဓာတ်ရောင်ခြည်၏ ဖိုနစ်အလင်းပုံစံကို အသုံးပြုခြင်း၏ ကောင်းကျိုးဆိုးကျိုးများကို ဖော်ပြခြင်းမှ စတင်သည်။ စာရွက်၏ ကနဦးအဓိကအချက်များမှာ အလင်းအား သတင်းအချက်အလက်များ ပေးပို့ခြင်းအတွက် တွင်ကျယ်စွာ အသုံးပြုခဲ့ကြခြင်းဖြစ်ပြီး သတင်းအချက်အလက် အသွင်ပြောင်းခြင်းအတွက်၊ ဆိုလိုသည်မှာ ဒစ်ဂျစ်တယ်အလင်းဆိုင်ရာ တွက်ချက်ခြင်း ဖြစ်သည်။ အလားတူ၊ ကွမ်တမ်ကွန်ပြူတာအတွက်၊ ဒစ်ဂျစ်တယ် optical တွက်ချက်ခြင်းအတွက် အခြေခံပိုင်းဆိုင်ရာ စိန်ခေါ်မှုများရှိသည်။ ထို့နောက် စာတမ်းသည် Tait et မှ အစောပိုင်းက အဆိုပြုထားသော neuromorphic photonic computing platform ၏ အသေးစိတ်အချက်အလက်များသို့ ရောက်သွားပါသည်။ အယ်လ်။ အဖွဲ့သည် 2014 ခုနှစ်တွင်ထုတ်ဝေခဲ့သည်။ အသံလွှင့်ခြင်းနှင့် အလေးချိန်- အတိုင်းအတာဖြင့် ပြုပြင်နိုင်သော ဖိုနစ်စတိုးပေါက်လုပ်ဆောင်ခြင်းအတွက် ပေါင်းစပ်ကွန်ရက်တစ်ခု. ၎င်းတို့၏ အသစ်ထွက်ရှိထားသော စာတမ်းတွင် ပေါင်းစပ်ပုံသဏ္ဍာန် အာရုံကြောကွန်ရက်၏ ပထမဆုံး စမ်းသပ်သရုပ်ပြမှု ရလဒ်များကို ဖော်ပြသည်။ 

"ထုတ်လွှင့်မှုနှင့်အလေးချိန်" တွက်ချက်မှုတည်ဆောက်ပုံတွင်၊ "nodes" များကို "လှိုင်းအလျားကွဲပြားမှု multiplexed (WDM)" ဖြစ်သည့် "လှိုင်းအလျားကွဲပြားခြင်း (WDM)" ဖြစ်သည့် "nodes" များကို "nodes" များအဖြစ် သတ်မှတ်ပေးထားပြီး အခြား "nodes" သို့ ထုတ်လွှင့်သည်။ ဤဗိသုကာရှိ “node” များသည် လူ့ဦးနှောက်ရှိ နျူရွန်အပြုအမူကို အတုယူရန် ရည်ရွယ်သည်။ ထို့နောက် "WDM" အချက်ပြမှုများကို "microring (MRR) weight banks" ဟုခေါ်သော စဉ်ဆက်မပြတ်တန်ဖိုးရှိသော စစ်ထုတ်မှုများမှတစ်ဆင့် လုပ်ဆောင်ပြီး တိုင်းတာထားသော စုစုပေါင်းပါဝါရှာဖွေတွေ့ရှိမှုတန်ဖိုးအဖြစ် လျှပ်စစ်ဖြင့် ပေါင်းထည့်ပါသည်။ ဤနောက်ဆုံး electro-optic အသွင်ပြောင်းခြင်း/တွက်ချက်ခြင်း၏ linearity သည် နျူရွန်လုပ်ဆောင်နိုင်စွမ်းကို အတုယူရန် လိုအပ်သော တိကျစွာမဟုတ်သော မျဉ်းသားခြင်းမဟုတ်သော၊ neuromorphic သဘောတရားများအောက်တွင် တွက်ချက်ခြင်းအတွက် မရှိမဖြစ်လိုအပ်ပါသည်။ 

စာတမ်းတွင်၊ ဤစမ်းသပ်စစ်ဆေးထားသော electro-optic အသွင်ကူးပြောင်းမှုဒိုင်းနမစ်များသည် "2-node ဆက်တိုက်-အချိန်ထပ်တလဲလဲဖြစ်နေသော အာရုံကြောကွန်ရက်" (CTRNN) မော်ဒယ်နှင့် သင်္ချာအရတူညီကြောင်း ဆွေးနွေးကြသည်။ ဤရှေ့ဆောင်ရလဒ်များက CTRNN မော်ဒယ်များအတွက် အသုံးပြုထားသော ပရိုဂရမ်းမင်းကိရိယာများကို ဆီလီကွန်အခြေခံ neuromorphic ပလပ်ဖောင်းများတွင် အသုံးပြုနိုင်ကြောင်း အကြံပြုအပ်ပါသည်။ ဤရှာဖွေတွေ့ရှိမှုသည် CTRNN နည်းစနစ်ကို neuromorphic silicon photonics နှင့် လိုက်လျောညီထွေဖြစ်အောင် လမ်းကြောင်းဖွင့်ပေးသည်။ ၎င်းတို့၏ စာတမ်းတွင်၊ ၎င်းတို့သည် ၎င်းတို့၏ “ထုတ်လွှင့်မှုနှင့် အလေးချိန်” ဗိသုကာဆိုင်ရာ စံပြပုံစံကို ပြုပြင်ပြောင်းလဲမှု ပြုလုပ်သည်။ ရလဒ်များက CTRNN မော်ဒယ်သည် ၎င်းတို့၏ 49-node ဗိသုကာကို အတုယူကာ ပြင်းအား 3 အမှာစာဖြင့် classical computing မော်ဒယ်များကို စွမ်းဆောင်ရည်ထက် သာလွန်စေရန် neuromorphic computing ဗိသုကာကို ထုတ်ပေးပါသည်။