Përparimet superkompjuterike: përdorimi i rrjeteve optike neuromorfike

Në dekadat e fundit, tendenca dikur e mirënjohur dhe e saktë, Ligji i Moores, i parashikuar nga Gordon Moore i IBM në 1965, tani po bëhet ngadalë një matës i zhdukur i performancës kompjuterike. Ligji i Moore-it parashikonte që rreth çdo dy vjet numri i transistorëve në një qark të integruar do të dyfishohej, se do të kishte më shumë transistorë në të njëjtën sasi hapësire, duke çuar në rritjen e llogaritjes dhe rrjedhimisht performancën e kompjuterit. Në prill 2005, në një intervistë, vetë Gordon Moore deklaroi se projeksioni i tij ka të ngjarë të mos jetë më i qëndrueshëm: “Për sa i përket madhësisë [të transistorëve] mund të shihni se ne po i afrohemi madhësisë së atomeve që është një pengesë themelore, por do të kalojnë dy ose tre breza përpara se të arrijmë kaq larg - por kjo është aq larg sa kemi mundur të shohim ndonjëherë. Kemi edhe 10 deri në 20 vite të tjera para se të arrijmë një kufi themelor.”   

Megjithëse ligji i Moore-it është i destinuar të godasë disa rrugë pa krye, tregues të tjerë të informatikës po shohin një rritje të zbatueshmërisë. Me teknologjinë që përdorim në jetën tonë të përditshme, ne të gjithë mund të shohim tendencat e kompjuterëve që bëhen gjithnjë e më të vegjël, por gjithashtu që bateritë e pajisjeve zgjasin më shumë dhe më gjatë. Trendi i fundit me bateritë quhet Ligji i Koomey, i quajtur sipas profesorit të Universitetit të Stanfordit, Jonathan Koomey. Ligji i Koomey-t parashikon që "... me një ngarkesë fikse llogaritëse, sasia e baterisë që ju nevojitet do të bjerë me një faktor prej dy çdo vit e gjysmë." Prandaj, konsumi elektronik i energjisë ose efikasiteti i energjisë i kompjuterëve dyfishohet rreth çdo 18 muaj. Pra, ajo që të gjitha këto tendenca dhe ndryshime po tregojnë dhe zbulojnë është e ardhmja e informatikës.

E ardhmja e informatikës

Kemi ardhur në një kohë të historisë ku na duhet të ripërcaktojmë informatikën pasi tendencat dhe ligjet e parashikuara disa dekada më parë nuk janë më të zbatueshme. Gjithashtu, ndërsa kompjuteri shtyn drejt shkallëve nano dhe kuantike, ka kufizime të dukshme fizike dhe sfida që do të vijnë. Ndoshta përpjekja më e dukshme për superkompjuterin, llogaritja kuantike, ka sfidën e dukshme të shfrytëzimit të vërtetë të ndërthurjes kuantike për llogaritjen paralele, domethënë kryerjen e llogaritjeve përpara dekoherencës kuantike. Megjithatë, pavarësisht sfidave të llogaritjes kuantike, ka pasur shumë përparim në dekadat e fundit. Mund të gjejmë modele të arkitekturës tradicionale të kompjuterave John von Neumann të aplikuara në llogaritjen kuantike. Por ekziston një fushë tjetër jo aq e njohur e (super)kompjuterisë, e quajtur llogaritja neuromorfike që nuk ndjek arkitekturën tradicionale të von Neumann. 

Llogaritja neuromorfike u parashikua nga profesori i Caltech Carver Mead në punimin e tij themelor në vitin 1990. Në thelb, parimet e llogaritjes neuromorfike bazohen në parimet e teorizuara biologjike të veprimit, si ato që mendohet se përdoren nga truri i njeriut në llogaritje. Një dallim i përmbledhur midis teorisë së llogaritjes neuromorfike kundrejt teorisë klasike të llogaritjes von Neumann u përmblidh në një artikull nga Don Monroe në Shoqata për makineri kompjuterike ditar. Deklarata shkon kështu: “Në arkitekturën tradicionale të von Neumann-it, një bërthamë e fuqishme logjike (ose disa paralelisht) vepron në mënyrë sekuenciale në të dhënat e marra nga memorja. Në të kundërt, llogaritja 'neuromorfike' shpërndan llogaritjen dhe kujtesën midis një numri të madh 'neuronesh' relativisht primitive, secila duke komunikuar me qindra ose mijëra neurone të tjerë nëpërmjet 'sinapseve'.  

Karakteristika të tjera kryesore të llogaritjes neuromorfike përfshijnë intolerancën ndaj gabimeve, e cila synon të modelojë aftësinë e trurit të njeriut për të humbur neuronet dhe për të qenë ende në gjendje të funksionojë. Në mënyrë analoge, në llogaritjen tradicionale humbja e një transistori ndikon në funksionimin e duhur. Një avantazh tjetër i parashikuar dhe i synuar i llogaritjes neuromorfike është se nuk ka nevojë të programohet; Ky synim i fundit është përsëri modelimi i aftësisë së trurit të njeriut për të mësuar, për t'iu përgjigjur dhe për t'iu përshtatur sinjaleve. Kështu, llogaritja neuromorfike është aktualisht kandidati më i mirë për detyrat e mësimit të makinerive dhe inteligjencës artificiale. 

Përparimet e superkompjuterimit neuromorfik

Pjesa tjetër e këtij artikulli do të gërmojë në përparimet e superkompjuterisë neuromorfike. Në mënyrë të veçantë, studimi i publikuar së fundmi mbi Arxiv nga Alexander Tait et. al. jashtë Universitetit të Princeton-it tregon se një model i rrjetit nervor fotonik me bazë silikoni tejkalon një qasje konvencionale llogaritëse me gati 2000 herë. Kjo platformë fotonike neuromorfike e llogaritjes mund të çojë në përpunim ultra të shpejtë të informacionit. 

Tait et. al. letër me titull Fotonika e silikonit neuromorfik fillon të përshkruajë të mirat dhe të këqijat e përdorimit të formës së dritës fotonike të rrezatimit elektromagnetik për llogaritje. Pikat fillestare kryesore të punimit janë se drita është përdorur gjerësisht për transmetimin e informacionit, por jo për transformimin e informacionit, p.sh. llogaritjet optike dixhitale. Në mënyrë të ngjashme, për llogaritjen kuantike, ka sfida themelore fizike për llogaritjen optike dixhitale. Punimi më pas shkon në detajet e një platforme kompjuterike fotonike neuromorfike të propozuar më parë, Tait et. al. ekipi i botuar në vitin 2014, me titull Transmetimi dhe pesha: Një rrjet i integruar për përpunimin e shkallëzueshëm të majës fotonike. Punimi i tyre më i ri përshkruan rezultatet e demonstrimit të parë eksperimental të një rrjeti nervor fotonik të integruar. 

Në arkitekturën informatike "transmetimi dhe pesha", "nyjeve" u caktohet një "bartës i gjatësisë së valës" unik që është "ndarja e gjatësisë së valës së shumëfishuar (WDM)" dhe më pas transmetohet në "nyje" të tjera. "Nyjet" në këtë arkitekturë kanë për qëllim të simulojnë sjelljen e neuroneve në trurin e njeriut. Më pas sinjalet "WDM" përpunohen nëpërmjet filtrave me vlerë të vazhdueshme të quajtur "bankat e peshës së mikroringritjes (MRR)" dhe më pas përmblidhen elektrikisht në një vlerë të matur të zbulimit të fuqisë totale. Jo-lineariteti i këtij transformimi/llogaritjeje të fundit elektro-optike është pikërisht jolineariteti i kërkuar për të imituar funksionalitetin e neuronit, thelbësor për llogaritjen sipas parimeve neuromorfike. 

Në punim, ata diskutojnë se këto dinamika të transformimit elektro-optik të verifikuara në mënyrë eksperimentale janë matematikisht identike me një model "rrjeti nervor periodik me kohë të vazhdueshme me 2 nyje" (CTRNN). Këto rezultate pioniere sugjerojnë që mjetet e programimit që janë përdorur për modelet CTRNN mund të aplikohen në platformat neuromorfike të bazuara në silikon. Ky zbulim hap rrugën për përshtatjen e metodologjisë CTRNN me fotonikën neuromorfike të silikonit. Në punimin e tyre, ata bëjnë pikërisht një përshtatje të tillë modeli në arkitekturën e tyre të "transmetimit dhe peshës". Rezultatet tregojnë se modeli CTRNN i simuluar në arkitekturën e tyre me 49 nyje jep arkitekturën e llogaritjes neuromorfike për të tejkaluar modelet klasike të llogaritjes me 3 rend të madhësisë.