Kamajuan Supercomputing: ngagunakeun jaringan optik neuromorphic

Dina sababaraha dasawarsa ka tukang, tren anu kantos dipikanyaho sareng akurat, Hukum Moore, anu diprediksi ku Gordon Moore ti IBM taun 1965, ayeuna lalaunan janten ukuran kinerja komputasi. Hukum Moore diprediksi yén unggal dua taun jumlah transistor dina sirkuit terpadu bakal dua kali lipat, yén bakal aya leuwih transistor dina jumlah spasi sarua, ngarah kana ngaronjat komputasi sahingga kinerja komputer. Dina April 2005, dina hiji wawancara, Gordon Moore sorangan nyatakeun proyéksi na sigana moal deui sustainable: "Dina hal ukuran [transistor] anjeun bisa nempo yén urang nuju approaching ukuran atom nu mangrupa panghalang fundamental, tapi bakal dua atanapi tilu generasi sateuacan urang dugi ka jauh-tapi éta sajauh anu urang kantos tiasa tingali. Kami gaduh 10 dugi ka 20 taun deui sateuacan urang ngahontal wates dasar.   

Sanajan hukum Moore geus doomed mun pencét sababaraha dead-end, indikator séjén komputasi ningali naékna applicability. Kalayan téknologi anu kami anggo dina kahirupan sapopoe, urang sadayana tiasa ningali tren komputer anu beuki leutik tapi ogé yén batré alat anu tahan langkung lami. Tren anu terakhir nganggo batré disebut Hukum Koomey, dingaranan profésor Universitas Stanford Jonathan Koomey. Hukum Koomey ngaramalkeun yén "... dina beban komputasi tetep, jumlah batré anu anjeun peryogikeun bakal turun ku faktor dua unggal satengah taun." Ku alatan éta, konsumsi kakuatan éléktronik atawa efisiensi énergi komputer téh duka kali ngeunaan unggal 18 bulan. Janten, naon anu ditunjukkeun ku sadaya tren sareng parobihan ieu nyaéta masa depan komputasi.

Masa depan komputasi

Kami parantos dugi ka waktos dina sajarah dimana urang kedah ngartikeun ulang komputasi sabab tren sareng undang-undang anu diprediksi sababaraha dasawarsa ka tukang henteu tiasa dianggo deui. Ogé, nalika komputasi ngadorong kana skala nano sareng kuantum, aya watesan fisik anu jelas sareng tantangan anu bakal dileungitkeun. Panginten usaha anu paling kasohor dina supercomputing, komputasi kuantum, ngagaduhan tantangan anu écés pikeun leres-leres ngamangpaatkeun entanglement kuantum pikeun komputasi paralel, nyaéta, ngalakukeun komputasi sateuacan dekohérénsi kuantum. Nanging, sanaos tangtangan komputasi kuantum, aya seueur kamajuan dina sababaraha dekade katukang. Hiji tiasa mendakan modél arsitektur komputer John von Neumann tradisional anu dilarapkeun kana komputasi kuantum. Tapi aya deui alam komputasi (super) anu henteu kawéntar, anu disebut komputasi neuromorphic anu henteu nuturkeun arsitektur von Neumann tradisional. 

Komputasi neuromorphic dibayangkeun ku profésor Caltech Carver Mead dina makalah mani taun 1990.  Dasarna, prinsip komputasi neuromorphic dumasar kana prinsip-prinsip tindakan biologis anu ditéorikeun, sapertos anu diduga dianggo ku otak manusa dina komputasi. Béda ringkes antara téori komputasi neuromorphic versus téori komputasi von Neumann klasik diringkeskeun dina artikel ku Don Monroe dina Asosiasi pikeun Mesin Komputasi jurnal. Pernyataanna sapertos kieu: "Dina arsitéktur von Neumann tradisional, inti logika anu kuat (atanapi sababaraha paralel) beroperasi sacara berurutan dina data anu dicandak tina mémori. Sabalikna, komputasi 'neuromorphic' nyebarkeun komputasi sareng mémori diantara sajumlah ageung 'neuron' anu kawilang primitif, masing-masing komunikasi sareng ratusan atanapi rébuan neuron sanés ngalangkungan 'sinapsis.  

Fitur konci séjén tina komputasi neuromorphic kalebet intoleransi lepat, anu tujuanana pikeun modél kamampuan otak manusa pikeun kaleungitan neuron sareng masih tiasa fungsina. Analogically, dina komputasi tradisional leungitna hiji transistor mangaruhan fungsi ditangtoskeun. Kauntungannana sejen envisioned na aimed tina komputasi neuromorphic aya teu kudu diprogram; Tujuan pamungkas ieu deui modeling kamampuh otak manusa pikeun diajar, ngabales jeung adaptasi jeung sinyal. Ku kituna, komputasi neuromorphic ayeuna calon pangalusna pikeun mesin learning jeung tugas kecerdasan jieunan. 

Kamajuan supercomputing neuromorphic

Sésana tulisan ieu bakal nalungtik kamajuan supercomputing neuromorphic. Husus, nembé diterbitkeun panalungtikan ngeunaan Arxiv ti Alexander Tait et. al. kaluar ti Universitas Princeton nunjukeun yen model jaringan neural photonic basis silikon outperforms pendekatan komputasi konvensional ku ampir 2000-melu. Platform komputasi fotonik neuromorphic ieu tiasa nyababkeun pamrosésan inpormasi anu gancang. 

The Tait et. al. makalah anu judulna Neuromorphic Silicon Photonics dimimitian ngajéntrékeun pro jeung kontra ngagunakeun bentuk cahaya fotonik radiasi éléktromagnétik pikeun komputasi. Poin utama awal kertas nyaéta yén lampu geus loba dipaké pikeun pangiriman informasi tapi teu keur transformasi informasi, nyaéta komputasi optik digital. Nya kitu, pikeun komputasi kuantum, aya tantangan fisik dasar pikeun komputasi optik digital. Makalah éta teras kana detil ngeunaan platform komputasi fotonik neuromorphic anu diusulkeun saméméhna Tait et. al. tim diterbitkeun dina 2014, judulna Siaran sareng beurat: Jaringan terpadu pikeun ngolah spike fotonik skalabel. Makalah anu langkung énggal ngajelaskeun hasil démo ékspérimén munggaran ngeunaan jaringan neural fotonik terpadu. 

Dina arsitektur komputasi "siaran sareng beurat", "titik" ditugaskeun "pembawa panjang gelombang" anu unik nyaéta "divisi panjang gelombang multiplexed (WDM)" teras disiarkeun ka "titik" anu sanés. The "titik" dina arsitektur ieu dimaksudkan pikeun simulate kabiasaan neuron dina uteuk manusa. Lajeng sinyal "WDM" diprosés ngaliwatan saringan kontinyu-hargana disebut "microring (MRR) bank beurat" lajeng dijumlahkeun éléktrik kana total nilai deteksi kakuatan diukur. Non-linearitas tina transformasi / komputasi elektro-optik terakhir ieu mangrupikeun non-linearitas anu diperyogikeun pikeun meniru fungsionalitas neuron, penting pikeun komputasi dina prinsip neuromorphic. 

Dina makalah, aranjeunna ngabahas yén dinamika transformasi elektro-optik anu diverifikasi sacara ékspériméntal ieu sacara matematis idéntik sareng modél "2-node continuous-time recurrent neural network" (CTRNN). Hasil pioneering ieu nunjukkeun yén alat pamrograman anu parantos dianggo pikeun modél CTRNN tiasa diterapkeun kana platform neuromorphic berbasis silikon. Papanggihan ieu muka jalan pikeun adaptasi metodologi CTRNN kana photonics silikon neuromorphic. Dina makalahna, aranjeunna ngan ukur adaptasi modél sapertos kana arsitéktur "siaran sareng beurat". Hasilna nunjukkeun yén modél CTRNN anu disimulasikeun kana arsitéktur 49-node na ngahasilkeun arsitektur komputasi neuromorphic pikeun ngaunggulan modél komputasi klasik ku 3 ordo gedéna.