Superkompyuter yutuqlari: neyromorfik optik tarmoqlardan foydalanish

So'nggi bir necha o'n yilliklarda, 1965 yilda IBM kompaniyasidan Gordon Mur tomonidan bashorat qilingan bir vaqtlar taniqli va aniq tendentsiya bo'lgan Mur qonuni endi asta-sekin hisoblash samaradorligining o'lchovi bo'lib bormoqda. Mur qonuni har ikki yilda bir integral mikrosxemadagi tranzistorlar soni ikki baravar ko'payishini, bir xil hajmdagi bo'shliqda ko'proq tranzistorlar bo'lishini bashorat qilgan, bu esa hisoblash va shu tariqa kompyuter unumdorligini oshirishga olib keladi. 2005 yil aprel oyida Gordon Murning o'zi intervyusida uning proyeksiyasi endi barqaror bo'lmasligi mumkinligini aytdi: “[Tranzistorlar] o'lchami nuqtai nazaridan biz asosiy to'siq bo'lgan atomlar hajmiga yaqinlashayotganimizni ko'rishingiz mumkin, ammo bu Biz bu qadar uzoqqa borishimizdan oldin ikki yoki uch avlod o'tadi - lekin bu biz ko'rganimizdan uzoqdir. Bizda asosiy chegaraga yetguncha yana 10-20 yil bor”.   

Mur qonuni ba'zi bir boshi berk ko'chaga tushib qolishga mahkum bo'lsa-da, hisoblashning boshqa ko'rsatkichlari qo'llanilishining o'sishini ko'rmoqda. Kundalik hayotimizda foydalanadigan texnologiya yordamida barchamiz kompyuterlarning kichrayishi va kichrayishi tendentsiyalarini ko'rishimiz mumkin, lekin qurilma batareyalari uzoqroq va uzoqroq xizmat qiladi. Batareyalar bilan bog'liq oxirgi tendentsiya Stenford universiteti professori Jonatan Kumey nomi bilan atalgan Koomey qonuni deb ataladi. Koomey qonunida aytilishicha, "... qattiq hisoblash yukida sizga kerak bo'lgan batareya miqdori har bir yarim yilda ikki baravar kamayadi". Shu sababli, elektron quvvat iste'moli yoki kompyuterlarning energiya samaradorligi har 18 oyda ikki baravar oshadi. Shunday qilib, bu barcha tendentsiyalar va o'zgarishlar kompyuterning kelajagi haqida gapiradi va ochib beradi.

Hisoblashning kelajagi

Biz tarixda bir necha o'n yillar oldin bashorat qilingan tendentsiyalar va qonunlar endi amalda bo'lmagani uchun hisoblashni qayta belgilashga majbur bo'lgan davrga keldik. Bundan tashqari, hisoblash nano va kvant shkalasi tomon siljiganligi sababli, aniq jismoniy cheklovlar va qiyinchiliklar paydo bo'ladi. Ehtimol, superkompyuterning eng ko'zga ko'ringan urinishi, kvant hisoblash, parallel hisoblash uchun kvant chalkashliklaridan chinakam foydalanish, ya'ni kvant dekogerentsiyasidan oldin hisob-kitoblarni amalga oshirishdir. Biroq, kvant hisoblashning qiyinchiliklariga qaramay, so'nggi bir necha o'n yilliklarda katta yutuqlarga erishildi. Kvant hisoblashda qo'llaniladigan an'anaviy Jon fon Neyman kompyuter arxitekturasining modellarini topish mumkin. Ammo an'anaviy fon Neyman arxitekturasiga amal qilmaydigan neyromorfik hisoblash deb ataladigan (super) hisoblashning boshqa unchalik mashhur bo'lmagan sohasi mavjud. 

Neyromorfik hisoblashni Kaltech professori Karver Mead 1990 yilda o'zining muhim maqolasida nazarda tutgan edi. Asosan, neyromorfik hisoblash tamoyillari inson miyasi hisoblashda qo'llaniladigan harakatning nazariy biologik tamoyillariga asoslanadi. Neyromorfik hisoblash nazariyasi va klassik fon Neyman hisoblash nazariyasi o'rtasidagi qisqacha farq Don Monroning maqolasida umumlashtirilgan. Hisoblash mashinalari uyushmasi jurnal. Bayonot quyidagicha: “Anʼanaviy fon Neyman arxitekturasida kuchli mantiqiy yadro (yoki bir nechta parallel) xotiradan olingan maʼlumotlarda ketma-ket ishlaydi. Bundan farqli o'laroq, "neyromorfik" hisoblash hisoblash va xotirani juda ko'p sonli nisbatan ibtidoiy "neyronlar" o'rtasida taqsimlaydi, ularning har biri "sinapslar" orqali yuzlab yoki minglab boshqa neyronlar bilan bog'lanadi.  

Neyromorfik hisoblashning boshqa asosiy xususiyatlari orasida inson miyasining neyronlarni yo'qotish va hali ham ishlash qobiliyatini modellashtirishga qaratilgan nosozliklarga toqat qilmaslik kiradi. Xuddi shunday, an'anaviy hisoblashda bitta tranzistorning yo'qolishi to'g'ri ishlashga ta'sir qiladi. Neyromorf hisoblashning yana bir ko'zlangan va maqsadli afzalligi shundaki, dasturlashning hojati yo'q; bu oxirgi maqsad yana inson miyasining signallarni o'rganish, javob berish va moslashish qobiliyatini modellashtirishdir. Shunday qilib, neyromorfik hisoblash hozirda mashinani o'rganish va sun'iy intellekt vazifalari uchun eng yaxshi nomzoddir. 

Neyromorfik superkompyuterlarning yutuqlari

Ushbu maqolaning qolgan qismida neyromorfik superkompyuterlarning yutuqlari ko'rib chiqiladi. Xususan, Aleksandr Tait va boshqalarning Arxiv bo'yicha yaqinda nashr etilgan tadqiqotlari. al. Prinston universitetida o'tkazilgan tadqiqot shuni ko'rsatadiki, kremniyga asoslangan fotonik neyron tarmog'i modeli an'anaviy hisoblash usulidan deyarli 2000 baravar ustundir. Ushbu neyromorfik fotonik hisoblash platformasi axborotni o'ta tezkor qayta ishlashga olib kelishi mumkin. 

Tait va boshqalar. al. nomli qog'oz Neyromorfik kremniy fotonikasi hisoblash uchun elektromagnit nurlanishning fotonik yorug'lik shaklini qo'llashning ijobiy va salbiy tomonlarini tavsiflashni boshlaydi. Maqolaning dastlabki asosiy fikrlari shundaki, yorug'lik axborotni uzatish uchun keng qo'llanilgan, ammo axborotni o'zgartirish uchun emas, ya'ni raqamli optik hisoblash. Xuddi shunday, kvant hisoblash uchun raqamli optik hisoblash uchun asosiy jismoniy qiyinchiliklar mavjud. Keyin qog'oz ilgari taklif qilingan Tait et neyromorfik fotonik hisoblash platformasining tafsilotlariga kiradi. al. nomli 2014 yilda nashr etilgan jamoa Eshittirish va vazn: kengaytiriladigan fotonik boshoqni qayta ishlash uchun integratsiyalashgan tarmoq. Ularning yangi maqolasida integratsiyalangan fotonik neyron tarmog'ining birinchi eksperimental namoyishi natijalari tasvirlangan. 

"Eshittirish va og'irlik" hisoblash arxitekturasida "tugunlar" ga "to'lqin uzunligi bo'linishi multiplekslangan (WDM)" bo'lgan noyob "to'lqin uzunligi tashuvchisi" tayinlanadi va keyin boshqa "tugunlar" ga uzatiladi. Ushbu arxitekturadagi "tugunlar" inson miyasidagi neyronlarning xatti-harakatlarini taqlid qilish uchun mo'ljallangan. Keyin "WDM" signallari "mikroring (MRR) og'irlik banklari" deb nomlangan doimiy qiymatli filtrlar orqali qayta ishlanadi va keyin o'lchangan umumiy quvvatni aniqlash qiymatiga elektr bilan yig'iladi. Ushbu oxirgi elektro-optik transformatsiya/hisoblashning chiziqli bo'lmaganligi aniq neyromorfik printsiplar ostida hisoblash uchun zarur bo'lgan neyron funksionalligini taqlid qilish uchun zarur bo'lgan chiziqli bo'lmaganlikdir. 

Maqolada ular ushbu eksperimental tasdiqlangan elektro-optik transformatsiya dinamikasi "2-tugunli doimiy vaqtli takroriy neyron tarmoq" (CTRNN) modeli bilan matematik jihatdan bir xil ekanligini muhokama qilishadi. Ushbu kashshof natijalar CTRNN modellari uchun ishlatilgan dasturlash vositalarini silikon asosidagi neyromorfik platformalarda qo'llash mumkinligini ko'rsatadi. Ushbu kashfiyot CTRNN metodologiyasini neyromorfik kremniy fotonikasiga moslashtirish yo'lini ochadi. O'z maqolalarida ular "eshittirish va vazn" arxitekturasiga aynan shunday model moslashuvini amalga oshiradilar. Natijalar shuni ko'rsatadiki, ularning 49 tugunli arxitekturasiga taqlid qilingan CTRNN modeli neyromorfik hisoblash arxitekturasini klassik hisoblash modellaridan 3 ta kattalik bilan ortda qoldirish imkonini beradi.