సూపర్కంప్యూటింగ్ పురోగతి: న్యూరోమార్ఫిక్ ఆప్టికల్ నెట్‌వర్క్‌లను ఉపయోగించడం

గత కొన్ని దశాబ్దాలలో, 1965లో IBMకి చెందిన గోర్డాన్ మూర్ అంచనా వేసిన మూర్స్ లా, ఒకప్పుడు బాగా తెలిసిన మరియు ఖచ్చితమైన ధోరణి, ఇప్పుడు నెమ్మదిగా కంప్యూటింగ్ పనితీరు యొక్క నిష్ఫలమైన కొలతగా మారుతోంది. మూర్ యొక్క చట్టం ప్రతి రెండు సంవత్సరాలకు ఒక ఇంటిగ్రేటెడ్ సర్క్యూట్‌లోని ట్రాన్సిస్టర్‌ల సంఖ్య రెట్టింపు అవుతుందని, అదే స్థలంలో ఎక్కువ ట్రాన్సిస్టర్‌లు ఉంటాయని, ఇది గణనను పెంచడానికి మరియు కంప్యూటర్ పనితీరుకు దారితీస్తుందని అంచనా వేసింది. ఏప్రిల్ 2005లో, ఒక ఇంటర్వ్యూలో, గోర్డాన్ మూర్ తన ప్రొజెక్షన్ ఇకపై నిలకడగా ఉండదని పేర్కొన్నాడు: “పరిమాణం [ట్రాన్సిస్టర్‌ల] పరంగా మనం ప్రాథమిక అవరోధంగా ఉన్న పరమాణువుల పరిమాణాన్ని చేరుకుంటున్నట్లు మీరు చూడవచ్చు, కానీ అది మనం అంత దూరం రాకముందే రెండు లేదా మూడు తరాల ఉంటుంది-కాని అది మనం చూడగలిగినంత దూరం. మేము ప్రాథమిక పరిమితిని చేరుకోవడానికి మరో 10 నుండి 20 సంవత్సరాల సమయం ఉంది.   

మూర్ యొక్క చట్టం కొంత డెడ్-ఎండ్ కొట్టడానికి విచారకరంగా ఉన్నప్పటికీ, కంప్యూటింగ్ యొక్క ఇతర సూచికలు వర్తింపులో పెరుగుదలను చూస్తున్నాయి. మన దైనందిన జీవితంలో మనం ఉపయోగించే సాంకేతికతతో, కంప్యూటర్‌లు చిన్నవిగా మరియు చిన్నవిగా మారడాన్ని మనమందరం చూడవచ్చు కానీ పరికరం బ్యాటరీలు ఎక్కువ కాలం మరియు ఎక్కువ కాలం మన్నుతాయి. బ్యాటరీలతో చివరి ట్రెండ్‌ని కూమీస్ లా అని పిలుస్తారు, దీనికి స్టాన్‌ఫోర్డ్ యూనివర్సిటీ ప్రొఫెసర్ జోనాథన్ కూమీ పేరు పెట్టారు. కూమీ చట్టం అంచనా వేసింది, "... స్థిరమైన కంప్యూటింగ్ లోడ్ వద్ద, మీకు అవసరమైన బ్యాటరీ మొత్తం ప్రతి సంవత్సరం మరియు సగం రెండు రెట్లు తగ్గుతుంది." అందువల్ల, ఎలక్ట్రానిక్ విద్యుత్ వినియోగం లేదా కంప్యూటర్ల శక్తి సామర్థ్యం ప్రతి 18 నెలలకు రెట్టింపు అవుతోంది. కాబట్టి, ఈ పోకడలు మరియు మార్పులన్నీ కంప్యూటింగ్ యొక్క భవిష్యత్తు వైపు చూపుతున్నాయి మరియు బహిర్గతం చేస్తున్నాయి.

కంప్యూటింగ్ యొక్క భవిష్యత్తు

అనేక దశాబ్దాల క్రితం అంచనా వేసిన ట్రెండ్‌లు మరియు చట్టాలు ఇప్పుడు వర్తించనందున మనం కంప్యూటింగ్‌ని పునర్నిర్వచించాల్సిన చరిత్రలో ఒక సమయానికి వచ్చాము. అలాగే, కంప్యూటింగ్ నానో మరియు క్వాంటం ప్రమాణాల వైపు నెట్టడం వలన, స్పష్టమైన భౌతిక పరిమితులు మరియు సవాళ్లు రాబోతున్నాయి. బహుశా సూపర్‌కంప్యూటింగ్‌లో అత్యంత ముఖ్యమైన ప్రయత్నం, క్వాంటం కంప్యూటింగ్, సమాంతర గణన కోసం క్వాంటం ఎంటాంగిల్‌మెంట్‌ను నిజంగా ఉపయోగించుకోవడం, అంటే క్వాంటం డీకోహెరెన్స్‌కు ముందు గణనలను నిర్వహించడం అనే స్పష్టమైన సవాలును కలిగి ఉంది. అయితే, క్వాంటం కంప్యూటింగ్ యొక్క సవాళ్లు ఉన్నప్పటికీ, గత కొన్ని దశాబ్దాలుగా చాలా పురోగతి ఉంది. క్వాంటం కంప్యూటింగ్‌కు వర్తించే సాంప్రదాయ జాన్ వాన్ న్యూమాన్ కంప్యూటర్ ఆర్కిటెక్చర్ నమూనాలను కనుగొనవచ్చు. కానీ సాంప్రదాయ వాన్ న్యూమాన్ నిర్మాణాన్ని అనుసరించని న్యూరోమార్ఫిక్ కంప్యూటింగ్ అని పిలువబడే (సూపర్)కంప్యూటింగ్ యొక్క అంతగా పేరు లేని మరొక రంగం ఉంది. 

న్యూరోమోర్ఫిక్ కంప్యూటింగ్‌ను కాల్టెక్ ప్రొఫెసర్ కార్వర్ మీడ్ 1990లో తన సెమినల్ పేపర్‌లో తిరిగి ఊహించారు.  ప్రాథమికంగా, న్యూరోమార్ఫిక్ కంప్యూటింగ్ సూత్రాలు గణనలో మానవ మెదడు ఉపయోగించినట్లు భావించే చర్య యొక్క సిద్ధాంతీకరించిన జీవ సూత్రాలపై ఆధారపడి ఉంటాయి. న్యూరోమార్ఫిక్ కంప్యూటింగ్ థియరీ మరియు క్లాసికల్ వాన్ న్యూమాన్ కంప్యూటింగ్ సిద్ధాంతం మధ్య క్లుప్తమైన వ్యత్యాసం డాన్ మన్రో రాసిన వ్యాసంలో సంగ్రహించబడింది అసోసియేషన్ ఫర్ కంప్యూటింగ్ మెషినరీ పత్రిక. ప్రకటన ఇలా ఉంటుంది: “సాంప్రదాయ వాన్ న్యూమాన్ ఆర్కిటెక్చర్‌లో, శక్తివంతమైన లాజిక్ కోర్ (లేదా అనేక సమాంతరంగా) మెమరీ నుండి పొందిన డేటాపై వరుసగా పనిచేస్తుంది. దీనికి విరుద్ధంగా, 'న్యూరోమార్ఫిక్' కంప్యూటింగ్ అపారమైన సంఖ్యలో సాపేక్షంగా ఆదిమ 'న్యూరాన్‌ల' మధ్య గణన మరియు జ్ఞాపకశక్తి రెండింటినీ పంపిణీ చేస్తుంది, ప్రతి ఒక్కటి 'సినాప్సెస్' ద్వారా వందల లేదా వేల ఇతర న్యూరాన్‌లతో కమ్యూనికేట్ చేస్తుంది.  

న్యూరోమోర్ఫిక్ కంప్యూటింగ్ యొక్క ఇతర ముఖ్య లక్షణాలు ఫాల్ట్ టాలరెన్స్‌ని కలిగి ఉంటాయి, ఇది న్యూరాన్‌లను కోల్పోయే మరియు ఇప్పటికీ పని చేయగల మానవ మెదడు సామర్థ్యాన్ని మోడల్ చేయడం లక్ష్యంగా పెట్టుకుంది. సారూప్యంగా, సాంప్రదాయ కంప్యూటింగ్‌లో ఒక ట్రాన్సిస్టర్ యొక్క నష్టం సరైన పనితీరును ప్రభావితం చేస్తుంది. న్యూరోమోర్ఫిక్ కంప్యూటింగ్ యొక్క మరొక ఊహించిన మరియు లక్ష్య ప్రయోజనం ఏమిటంటే ప్రోగ్రామ్ చేయవలసిన అవసరం లేదు; ఈ చివరి లక్ష్యం మళ్లీ నేర్చుకునే, ప్రతిస్పందించే మరియు సంకేతాలకు అనుగుణంగా మానవ మెదడు యొక్క సామర్థ్యాన్ని మోడలింగ్ చేస్తుంది. అందువలన, న్యూరోమోర్ఫిక్ కంప్యూటింగ్ ప్రస్తుతం మెషిన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ పనులకు ఉత్తమ అభ్యర్థి. 

న్యూరోమోర్ఫిక్ సూపర్ కంప్యూటింగ్ యొక్క పురోగతులు

ఈ కథనంలోని మిగిలినవి న్యూరోమార్ఫిక్ సూపర్‌కంప్యూటింగ్ యొక్క పురోగతిని పరిశీలిస్తాయి. ప్రత్యేకంగా, ఇటీవల అలెగ్జాండర్ టైట్ నుండి ఆర్క్సివ్‌పై పరిశోధన ప్రచురించబడింది. అల్. ప్రిన్స్‌టన్ విశ్వవిద్యాలయం నుండి సిలికాన్-ఆధారిత ఫోటోనిక్ న్యూరల్ నెట్‌వర్క్ మోడల్ దాదాపు 2000 రెట్లు సంప్రదాయ కంప్యూటింగ్ విధానాన్ని అధిగమిస్తుందని చూపిస్తుంది. కంప్యూటింగ్ యొక్క ఈ న్యూరోమార్ఫిక్ ఫోటోనిక్ ప్లాట్‌ఫారమ్ అల్ట్రాఫాస్ట్ ఇన్ఫర్మేషన్ ప్రాసెసింగ్‌కు దారితీయవచ్చు. 

టైట్ మరియు. అల్. అనే కాగితం న్యూరోమోర్ఫిక్ సిలికాన్ ఫోటోనిక్స్ కంప్యూటింగ్ కోసం విద్యుదయస్కాంత వికిరణం యొక్క ఫోటోనిక్ కాంతి రూపాన్ని ఉపయోగించడం వల్ల కలిగే లాభాలు మరియు నష్టాలను వివరించడం ప్రారంభిస్తుంది. కాగితం యొక్క ప్రారంభ ప్రధాన అంశాలు ఏమిటంటే, కాంతి సమాచార ప్రసారం కోసం విస్తృతంగా ఉపయోగించబడింది, అయితే సమాచార పరివర్తన కోసం కాదు, అంటే డిజిటల్ ఆప్టికల్ కంప్యూటింగ్. అదేవిధంగా, క్వాంటం కంప్యూటింగ్‌కు, డిజిటల్ ఆప్టికల్ కంప్యూటింగ్‌కు ప్రాథమిక భౌతిక సవాళ్లు ఉన్నాయి. పేపర్ తర్వాత ముందుగా ప్రతిపాదించబడిన న్యూరోమార్ఫిక్ ఫోటోనిక్ కంప్యూటింగ్ ప్లాట్‌ఫారమ్ అయిన టైట్ ఎట్ యొక్క వివరాలలోకి వెళుతుంది. అల్. అనే పేరుతో 2014లో బృందం ప్రచురించబడింది ప్రసారం మరియు బరువు: స్కేలబుల్ ఫోటోనిక్ స్పైక్ ప్రాసెసింగ్ కోసం ఇంటిగ్రేటెడ్ నెట్‌వర్క్. వారి కొత్త పేపర్ ఇంటిగ్రేటెడ్ ఫోటోనిక్ న్యూరల్ నెట్‌వర్క్ యొక్క మొదటి ప్రయోగాత్మక ప్రదర్శన ఫలితాలను వివరిస్తుంది. 

“ప్రసారం మరియు బరువు” కంప్యూటింగ్ ఆర్కిటెక్చర్‌లో, “నోడ్‌లకు” ప్రత్యేకమైన “వేవ్‌లెంగ్త్ క్యారియర్” కేటాయించబడింది, అది “వేవ్‌లెంగ్త్ డివిజన్ మల్టీప్లెక్స్డ్ (WDM)” ఆపై ఇతర “నోడ్‌లకు” ప్రసారం చేయబడుతుంది. ఈ ఆర్కిటెక్చర్‌లోని “నోడ్‌లు” మానవ మెదడులోని న్యూరాన్ ప్రవర్తనను అనుకరించడానికి ఉద్దేశించబడ్డాయి. ఆపై "WDM" సిగ్నల్‌లు "మైక్రోరింగ్ (MRR) వెయిట్ బ్యాంక్‌లు" అని పిలువబడే నిరంతర-విలువ గల ఫిల్టర్‌ల ద్వారా ప్రాసెస్ చేయబడతాయి మరియు తరువాత విద్యుత్తుగా కొలవబడిన మొత్తం శక్తిని గుర్తించే విలువగా సంగ్రహించబడతాయి. ఈ చివరి ఎలక్ట్రో-ఆప్టిక్ ట్రాన్స్‌ఫర్మేషన్/కంప్యూటేషన్ యొక్క నాన్-లీనియారిటీ అనేది న్యూరాన్ ఫంక్షనాలిటీని అనుకరించడానికి అవసరమైన నాన్-లీనియారిటీ, ఇది న్యూరోమార్ఫిక్ సూత్రాల క్రింద కంప్యూటింగ్‌కు అవసరం. 

పేపర్‌లో, ఈ ప్రయోగాత్మకంగా ధృవీకరించబడిన ఎలక్ట్రో-ఆప్టిక్ ట్రాన్స్‌ఫర్మేషన్ డైనమిక్స్ గణితశాస్త్రపరంగా “2-నోడ్ కంటిన్యూస్-టైమ్ రిక్యూరెంట్ న్యూరల్ నెట్‌వర్క్” (CTRNN) మోడల్‌కు సమానంగా ఉన్నాయని వారు చర్చించారు. CTRNN మోడల్‌ల కోసం ఉపయోగించిన ప్రోగ్రామింగ్ సాధనాలను సిలికాన్ ఆధారిత న్యూరోమార్ఫిక్ ప్లాట్‌ఫారమ్‌లకు వర్తింపజేయవచ్చని ఈ మార్గదర్శక ఫలితాలు సూచిస్తున్నాయి. ఈ ఆవిష్కరణ CTRNN మెథడాలజీని న్యూరోమోర్ఫిక్ సిలికాన్ ఫోటోనిక్స్‌కు మార్చడానికి మార్గాన్ని తెరుస్తుంది. వారి పేపర్‌లో, వారు తమ "ప్రసారం మరియు బరువు" ఆర్కిటెక్చర్‌లో అటువంటి మోడల్ అనుసరణను చేస్తారు. CTRNN మోడల్ వారి 49-నోడ్ ఆర్కిటెక్చర్‌కు అనుకరించడం ద్వారా క్లాసికల్ కంప్యూటింగ్ మోడల్‌లను 3 ఆర్డర్‌ల పరిమాణంలో అధిగమించడానికి న్యూరోమార్ఫిక్ కంప్యూటింగ్ ఆర్కిటెక్చర్‌ను అందించిందని ఫలితాలు చూపిస్తున్నాయి.