Süper hesaplamadaki gelişmeler: nöromorfik optik ağların kullanılması

Son birkaç on yıldır, bir zamanlar iyi bilinen ve doğru olan trend olan ve IBM'den Gordon Moore tarafından 1965'te tahmin edilen Moore Yasası, artık yavaş yavaş bilgi işlem performansının geçerliliğini yitiren bir ölçüsü haline geliyor. Moore Yasası, bir entegre devredeki transistör sayısının yaklaşık her iki yılda bir iki katına çıkacağını, aynı miktarda alanda daha fazla transistörün bulunacağını, bunun da hesaplamanın ve dolayısıyla bilgisayar performansının artacağını öngörüyordu. Nisan 2005'te bir röportajda Gordon Moore, projeksiyonunun muhtemelen artık sürdürülebilir olmayacağını belirtti: "[Transistörlerin] boyutu açısından, temel bir engel olan atomların boyutuna yaklaştığımızı görebilirsiniz, ancak bu bu noktaya ulaşmamız için iki ya da üç nesil gerekecek; ama bu şimdiye kadar görebildiğimiz kadar uzak bir mesafe. Temel bir sınıra ulaşmadan önce önümüzde 10 ila 20 yıl daha var.”   

Her ne kadar Moore yasası bir çıkmaza girmeye mahkum olsa da, bilişimin diğer göstergelerinin uygulanabilirliğinde bir artış görülüyor. Günlük hayatımızda kullandığımız teknolojiyle birlikte bilgisayarların giderek küçülme eğilimini, aynı zamanda cihazların pillerinin de giderek daha uzun ömürlü olduğunu hepimiz görüyoruz. Pillerle ilgili ikinci eğilim, adını Stanford Üniversitesi profesörü Jonathan Koomey'den alan Koomey Yasası olarak adlandırılıyor. Koomey yasası şunu öngörüyor: "...sabit bir bilgi işlem yükünde, ihtiyacınız olan pil miktarı her bir buçuk yılda iki kat azalacaktır." Bu nedenle bilgisayarların elektronik güç tüketimi veya enerji verimliliği her 18 ayda bir ikiye katlanıyor. Dolayısıyla, tüm bu trendlerin ve değişikliklerin işaret ettiği ve ortaya çıkardığı şey, bilişimin geleceğidir.

Bilgi işlemin geleceği

Tarihte, onlarca yıl önce tahmin edilen eğilimler ve yasaların artık geçerli olmaması nedeniyle bilişimi yeniden tanımlamak zorunda kaldığımız bir döneme geldik. Ayrıca bilişim nano ve kuantum ölçeklerine doğru ilerlerken, aşılması gereken bariz fiziksel sınırlamalar ve zorluklar var. Belki de süper hesaplamaya yönelik en dikkate değer girişim olan kuantum hesaplamanın, paralel hesaplama için kuantum dolaşıklığını gerçek anlamda kullanma, yani hesaplamaları kuantum eşevresizliğinden önce gerçekleştirme gibi bariz bir zorluğu vardır. Ancak kuantum hesaplamanın zorluklarına rağmen son birkaç on yılda çok fazla ilerleme kaydedildi. Kuantum hesaplamaya uygulanan geleneksel John von Neumann bilgisayar mimarisinin modellerini bulmak mümkündür. Ancak (süper)bilgisayarın çok iyi bilinmeyen, nöromorfik hesaplama olarak adlandırılan ve geleneksel von Neumann mimarisini takip etmeyen başka bir alanı daha var. 

Nöromorfik hesaplama, Caltech profesörü Carver Mead tarafından 1990 yılında ufuk açıcı makalesinde tasavvur edildi. Temel olarak, nöromorfik hesaplamanın ilkeleri, hesaplamada insan beyni tarafından kullanıldığı düşünülenler gibi teorikleştirilmiş biyolojik eylem ilkelerine dayanmaktadır. Nöromorfik hesaplama teorisi ile klasik von Neumann hesaplama teorisi arasındaki kısa ve öz ayrım, Don Monroe tarafından yazılan bir makalede özetlenmiştir. Bilgisayar Makineleri Birliği dergi. İfade şu şekilde: “Geleneksel von Neumann mimarisinde, güçlü bir mantık çekirdeği (veya birkaçı paralel olarak) bellekten alınan veriler üzerinde sıralı olarak çalışır. Buna karşılık, 'nöromorfik' bilgi işlem, hem hesaplamayı hem de belleği, her biri 'sinapslar' aracılığıyla yüzlerce veya binlerce başka nöronla iletişim kuran çok sayıda nispeten ilkel 'nöronlar' arasında dağıtır.  

Nöromorfik hesaplamanın diğer önemli özellikleri arasında, insan beyninin nöronları kaybetme ve yine de çalışabilme yeteneğini modellemeyi amaçlayan hata toleransı yer alıyor. Benzer şekilde, geleneksel hesaplamalarda bir transistörün kaybı düzgün çalışmayı etkiler. Nöromorfik hesaplamanın öngörülen ve amaçlanan bir diğer avantajı ise programlanmaya gerek olmamasıdır; Bu son amaç yine insan beyninin öğrenme, tepki verme ve sinyallere uyum sağlama yeteneğini modellemektir. Bu nedenle nöromorfik hesaplama şu anda makine öğrenimi ve yapay zeka görevleri için en iyi adaydır. 

Nöromorfik süper hesaplamadaki gelişmeler

Bu makalenin geri kalanında nöromorfik süper hesaplamadaki gelişmeler ele alınacaktır. Spesifik olarak, Alexander Tait ve ark.'nın Arxiv üzerine yakın zamanda yayınlanan araştırması. al. Princeton Üniversitesi'nden yapılan bir araştırma, silikon bazlı fotonik sinir ağı modelinin, geleneksel hesaplama yaklaşımından yaklaşık 2000 kat daha iyi performans gösterdiğini gösteriyor. Bu nöromorfik fotonik bilgi işlem platformu, ultra hızlı bilgi işlemeye yol açabilir. 

Tait et. al. başlıklı makale Nöromorfik Silikon Fotoniği hesaplama için elektromanyetik radyasyonun fotonik ışık formunu kullanmanın artılarını ve eksilerini anlatarak başlıyor. Makalenin başlangıçtaki ana noktaları, ışığın yaygın olarak bilgi iletimi için kullanıldığı ancak bilgi dönüşümü, yani dijital optik hesaplama için kullanılmadığıdır. Kuantum hesaplamaya benzer şekilde, dijital optik hesaplamanın da temel fiziksel zorlukları vardır. Makale daha sonra daha önce önerilen nöromorfik fotonik hesaplama platformu Tait ve arkadaşlarının ayrıntılarına giriyor. al. 2014 yılında yayınlanan ekip, başlıklı Yayın ve ağırlık: Ölçeklenebilir fotonik ani artış işleme için entegre bir ağ. Daha yeni makaleleri, entegre bir fotonik sinir ağının ilk deneysel gösteriminin sonuçlarını açıklamaktadır. 

"Yayın ve ağırlık" hesaplama mimarisinde "düğümlere", "dalga boyu bölmeli çoğullamalı (WDM)" benzersiz bir "dalga boyu taşıyıcısı" atanır ve daha sonra diğer "düğümlere" yayınlanır. Bu mimarideki "düğümler", insan beynindeki nöron davranışını simüle etmeyi amaçlamaktadır. Daha sonra "WDM" sinyalleri, "mikro halkalama (MRR) ağırlık bankaları" adı verilen sürekli değerli filtreler yoluyla işlenir ve daha sonra elektriksel olarak ölçülen toplam güç algılama değerine toplanır. Bu son elektro-optik dönüşümün/hesaplamanın doğrusal olmayışı, nöromorfik prensipler altında hesaplama için gerekli olan nöron işlevselliğini taklit etmek için gereken doğrusal olmama durumudur. 

Makalede, deneysel olarak doğrulanan bu elektro-optik dönüşüm dinamiklerinin matematiksel olarak "2 düğümlü sürekli zamanlı tekrarlayan sinir ağı" (CTRNN) modeliyle aynı olduğu tartışılıyor. Bu öncü sonuçlar, CTRNN modelleri için kullanılan programlama araçlarının silikon bazlı nöromorfik platformlara uygulanabileceğini göstermektedir. Bu keşif, CTRNN metodolojisinin nöromorfik silikon fotoniğe uyarlanmasının yolunu açıyor. Makalelerinde, "yayın ve ağırlık" mimarilerine böyle bir model uyarlaması yapıyorlar. Sonuçlar, 49 düğümlü mimarisi üzerinde simüle edilen CTRNN modelinin, nöromorfik bilgi işlem mimarisinin klasik bilgi işlem modellerinden 3 kat daha iyi performans gösterdiğini gösteriyor.