Напредак у суперкомпјутерству: коришћење неуроморфних оптичких мрежа

У последњих неколико деценија, некада добро познат и тачан тренд, Муров закон, који је предвидео Гордон Мур из ИБМ-а 1965. године, сада полако постаје застарела мера перформанси рачунара. Муров закон предвиђа да ће се отприлике сваке две године број транзистора у интегрисаном колу удвостручити, да ће бити више транзистора у истој количини простора, што ће довести до повећаног израчунавања, а тиме и перформанси рачунара. У априлу 2005, у једном интервјуу, сам Гордон Мур је изјавио да његова пројекција вероватно више неће бити одржива: „У смислу величине [транзистора] можете видети да се приближавамо величини атома која је фундаментална баријера, али биће две или три генерације пре него што стигнемо тако далеко — али то је онолико далеко колико смо икада могли да видимо. Имамо још 10 до 20 година пре него што достигнемо фундаменталну границу."   

Иако је Муров закон осуђен на ћорсокак, други показатељи рачунарства имају пораст применљивости. Са технологијом коју користимо у свакодневном животу, сви можемо да видимо трендове да рачунари постају све мањи и мањи, али и да батерије уређаја трају све дуже и дуже. Последњи тренд са батеријама назива се Кумијев закон, назван по професору Универзитета Станфорд Џонатану Кумију. Кумијев закон предвиђа да ће „… при фиксном оптерећењу рачунара, количина батерије која вам је потребна ће пасти за фактор два сваке године и по. Стога се електронска потрошња енергије или енергетска ефикасност рачунара удвостручује сваких 18 месеци. Дакле, оно на шта сви ови трендови и промене указују и откривају је будућност рачунарства.

Будућност рачунарства

Дошли смо у време у историји када морамо да редефинишемо рачунарство јер трендови и закони предвиђени пре неколико деценија више нису примењиви. Такође, како рачунарство иде ка нано и квантној скали, постоје очигледна физичка ограничења и изазови које треба превазићи. Можда најистакнутији покушај суперрачунарства, квантно рачунарство, има очигледан изазов да истински искористи квантну запетљаност за паралелно рачунање, то јест, извођење прорачуна пре квантне декохеренције. Међутим, упркос изазовима квантног рачунарства, у последњих неколико деценија постигнут је велики напредак. Могу се пронаћи модели традиционалне архитектуре Џона фон Нојмана примењене на квантно рачунарство. Али постоји још једно не тако добро познато подручје (супер)рачунарства, названо неуроморфно рачунарство које не прати традиционалну фон Нојманову архитектуру. 

Неуроморфно рачунарство је замислио професор са Калтеха Карвер Мид у свом основном раду 1990.  У основи, принципи неуроморфног рачунарства су засновани на теоретизованим биолошким принципима деловања, попут оних за које се сматра да их људски мозак користи у рачунању. Сажета разлика између неуроморфне теорије рачунарства и класичне фон Нојманове теорије рачунарства сажета је у чланку Дон Монроа у Удружење за рачунарске машине часопис. Изјава гласи овако: „У традиционалној фон Нојмановој архитектури, моћно логичко језгро (или неколико паралелно) ради секвенцијално на подацима преузетим из меморије. Насупрот томе, „неуроморфно“ рачунарство дистрибуира и рачунање и меморију између огромног броја релативно примитивних „неурона“, од којих сваки комуницира са стотинама или хиљадама других неурона путем „синапса“.“  

Друге кључне карактеристике неуроморфног рачунарства укључују нетолеранцију на грешке, која има за циљ да моделира способност људског мозга да изгуби неуроне и да и даље може да функционише. Аналогно томе, у традиционалном рачунарству губитак једног транзистора утиче на правилно функционисање. Још једна замишљена и циљана предност неуроморфног рачунарства је да нема потребе за програмирањем; овај последњи циљ је поново моделирање способности људског мозга да учи, реагује и прилагођава се сигналима. Стога је неуроморфно рачунарство тренутно најбољи кандидат за машинско учење и задатке вештачке интелигенције. 

Напредак неуроморфног суперрачунарства

Остатак овог чланка ће се бавити напретком неуроморфног суперрачунарства. Конкретно, недавно објављено истраживање о Аркив од Алекандер Таит ет. ал. са Универзитета Принцетон показује да модел фотонске неуронске мреже заснован на силицијуму надмашује конвенционални рачунарски приступ за скоро 2000 пута. Ова неуроморфна фотонска платформа рачунарства могла би довести до ултрабрзе обраде информација. 

Тхе Таит ет. ал. рад под насловом Неуроморфна силицијумска фотоника почиње са описивањем предности и мана коришћења фотонског светлосног облика електромагнетног зрачења за рачунарство. Почетне главне тачке рада су да се светлост нашироко користи за пренос информација, али не и за трансформацију информација, односно дигитално оптичко рачунарство. Слично, квантном рачунарству, постоје фундаментални физички изазови за дигитално оптичко рачунарство. Рад се затим бави детаљима раније предложене неуроморфне фотонске рачунарске платформе Таит ет. ал. тим објављен 2014. године под насловом Емитовање и тежина: Интегрисана мрежа за скалабилну обраду фотонских шиљака. Њихов новији рад описује резултате прве експерименталне демонстрације интегрисане фотонске неуронске мреже. 

У рачунарској архитектури „емитовања и тежине“, „чворовима“ се додељује јединствени „носач таласне дужине“ који се „мултиплексира са поделом таласних дужина (ВДМ)“ и затим се емитује другим „чворовима“. „Чворови“ у овој архитектури имају за циљ да симулирају понашање неурона у људском мозгу. Затим се „ВДМ“ сигнали обрађују преко филтера континуалних вредности који се називају „банке тежине микроринга (МРР)“ и затим се електричним сумирањем у измерену вредност детекције укупне снаге. Нелинеарност ове последње електрооптичке трансформације/рачунања је управо нелинеарност потребна да би се опонашала функционалност неурона, суштинска за рачунарство према неуроморфним принципима. 

У раду се расправља о томе да је ова експериментално верификована динамика електро-оптичке трансформације математички идентична моделу „2-чворне рекурентне неуронске мреже са континуираним временом“ (ЦТРНН). Ови пионирски резултати сугеришу да се алати за програмирање који су коришћени за ЦТРНН моделе могу применити на неуроморфне платформе засноване на силицијуму. Ово откриће отвара пут прилагођавању ЦТРНН методологије неуроморфној силицијумској фотоници. У свом раду, они раде управо такву адаптацију модела на своју архитектуру „емитовања и тежине“. Резултати показују да ЦТРНН модел симулиран на њиховој архитектури од 49 чворова даје неуроморфну ​​рачунарску архитектуру да надмашује класичне рачунарске моделе за 3 реда величине.