Napredek superračunalništva: uporaba nevromorfnih optičnih omrežij

V zadnjih nekaj desetletjih nekoč dobro znani in natančni trend, Moorov zakon, ki ga je leta 1965 napovedal Gordon Moore iz IBM-a, zdaj počasi postaja neuporabno merilo računalniške zmogljivosti. Moorov zakon je napovedal, da se bo približno vsaki dve leti število tranzistorjev v integriranem vezju podvojilo, da bo več tranzistorjev v enaki količini prostora, kar bo vodilo k povečanju računanja in s tem zmogljivosti računalnika. Aprila 2005 je Gordon Moore v intervjuju izjavil, da njegova projekcija verjetno ne bo več vzdržna: »Glede velikosti [tranzistorjev] lahko vidite, da se približujemo velikosti atomov, ki je temeljna ovira, vendar je bosta minili dve ali tri generacije, preden bomo prišli tako daleč - vendar je to tako daleč, kot smo lahko videli. Imamo še 10 do 20 let, preden dosežemo temeljno mejo.«   

Čeprav je Moorov zakon obsojen na slepo ulico, se uporaba drugih kazalnikov računalništva povečuje. S tehnologijo, ki jo uporabljamo v vsakdanjem življenju, lahko vsi opazimo trende, da postajajo računalniki vedno manjši, pa tudi, da baterije naprav zdržijo vse dlje. Slednji trend z baterijami se imenuje Koomeyjev zakon, poimenovan po profesorju na univerzi Stanford Jonathanu Koomeyu. Koomeyev zakon napoveduje, da se bo "… pri fiksni računalniški obremenitvi količina baterije, ki jo potrebujete, vsako leto in pol zmanjšala za faktor dva." Zato se elektronska poraba energije ali energetska učinkovitost računalnikov podvoji približno vsakih 18 mesecev. Torej, tisto, na kar kažejo in razkrivajo vsi ti trendi in spremembe, je prihodnost računalništva.

Prihodnost računalništva

Prišli smo v čas v zgodovini, ko moramo na novo definirati računalništvo, saj trendi in zakoni, napovedani pred več desetletji, ne veljajo več. Poleg tega, ko se računalništvo premika proti nano in kvantnim lestvicam, obstajajo očitne fizične omejitve in izzivi, ki jih je treba premagati. Morda najbolj opazen poskus superračunalništva, kvantnega računalništva, ima očiten izziv resničnega izkoriščanja kvantne prepletenosti za vzporedno računanje, to je izvajanje izračunov pred kvantno dekoherenco. Vendar pa je kljub izzivom kvantnega računalništva v zadnjih nekaj desetletjih prišlo do velikega napredka. Najdemo lahko modele tradicionalne računalniške arhitekture Johna von Neumanna, ki se uporabljajo za kvantno računalništvo. Obstaja pa še eno, manj znano področje (super)računalništva, imenovano nevromorfno računalništvo, ki ne sledi tradicionalni von Neumannovi arhitekturi. 

Nevromorfno računalništvo si je zamislil profesor Caltecha Carver Mead že v svojem temeljnem prispevku leta 1990. V osnovi načela nevromorfnega računalništva temeljijo na teoretiziranih bioloških principih delovanja, kot so tisti, za katere se domneva, da jih uporabljajo človeški možgani pri računanju. Jedrnato razlikovanje med nevromorfno računalniško teorijo in klasično von Neumannovo računalniško teorijo je povzel Don Monroe v članku Združenje za računalniške stroje dnevnik. Izjava se glasi takole: »V tradicionalni von Neumannovi arhitekturi zmogljivo logično jedro (ali več vzporednih) zaporedno deluje na podatke, pridobljene iz pomnilnika. Nasprotno pa 'nevromorfno' računalništvo porazdeli tako računanje kot spomin med ogromno število relativno primitivnih 'nevronov', od katerih vsak komunicira s stotinami ali tisoči drugih nevronov prek 'sinaps'.”  

Druge ključne značilnosti nevromorfnega računalništva vključujejo nestrpnost do napak, katere namen je modelirati sposobnost človeških možganov, da izgubijo nevrone in še vedno lahko delujejo. Podobno pri tradicionalnem računalništvu izguba enega tranzistorja vpliva na pravilno delovanje. Druga predvidena in usmerjena prednost nevromorfnega računalništva je, da ni potrebe po programiranju; ta zadnji cilj je spet modeliranje sposobnosti človeških možganov, da se učijo, odzivajo in prilagajajo signalom. Tako je nevromorfno računalništvo trenutno najboljši kandidat za naloge strojnega učenja in umetne inteligence. 

Napredek nevromorfnega superračunalništva

Preostanek tega članka se bo poglobil v napredek nevromorfnega superračunalništva. Natančneje, nedavno objavljena raziskava o Arxivu Alexander Tait et. al. z univerze Princeton kaže, da model fotonske nevronske mreže, ki temelji na siliciju, skoraj 2000-krat prekaša običajni računalniški pristop. Ta nevromorfna fotonska platforma računalništva bi lahko vodila do ultra hitre obdelave informacij. 

Tait et. al. referat z naslovom Nevromorfna silicijeva fotonika začne z opisovanjem prednosti in slabosti uporabe fotonske oblike svetlobe elektromagnetnega sevanja za računalništvo. Začetne glavne točke prispevka so, da se je svetloba pogosto uporabljala za prenos informacij, ne pa za transformacijo informacij, tj. digitalno optično računalništvo. Podobno velja za kvantno računalništvo, da obstajajo temeljni fizični izzivi za digitalno optično računalništvo. Članek nato obravnava podrobnosti o prej predlagani nevromorfni fotonski računalniški platformi Tait et. al. ekipa izdala leta 2014 z naslovom Oddajanje in teža: integrirano omrežje za razširljivo obdelavo fotonskih konic. Njihov novejši članek opisuje rezultate prve eksperimentalne demonstracije integrirane fotonske nevronske mreže. 

V računalniški arhitekturi »oddajanja in teže« je »vozliščem« dodeljen edinstven »nosilec valovne dolžine«, ki je »multipleksiran z delitvijo valovnih dolžin (WDM)« in se nato oddaja drugim »vozliščem«. "Vozlišča" v tej arhitekturi naj bi simulirala vedenje nevronov v človeških možganih. Nato se signali »WDM« obdelajo prek filtrov z zveznimi vrednostmi, imenovanih »banke uteži mikroringov (MRR)«, nato pa se električno seštejejo v izmerjeno skupno vrednost zaznavanja moči. Nelinearnost te zadnje elektro-optične transformacije/izračunavanja je ravno nelinearnost, ki je potrebna za posnemanje funkcionalnosti nevronov, bistvenega pomena za računalništvo po nevromorfnih načelih. 

V prispevku razpravljajo o tem, da je ta eksperimentalno preverjena dinamika elektro-optične transformacije matematično enaka modelu "2-vozlišča v neprekinjenem času ponavljajoče se nevronske mreže" (CTRNN). Ti pionirski rezultati kažejo, da bi programska orodja, ki so bila uporabljena za modele CTRNN, lahko uporabili za nevromorfne platforme na osnovi silicija. To odkritje odpira pot do prilagajanja metodologije CTRNN nevromorfni silicijevi fotoniki. V svojem prispevku naredijo prav takšno prilagoditev modela na svojo arhitekturo "oddajanja in teže". Rezultati kažejo, da model CTRNN, simuliran na njihovi arhitekturi z 49 vozlišči, prinaša nevromorfno računalniško arhitekturo, ki prekaša klasične računalniške modele za 3 reda velikosti.