Những tiến bộ của siêu máy tính: sử dụng mạng quang học thần kinh

Trong vài thập kỷ gần đây, xu hướng nổi tiếng và chính xác một thời, Định luật Moore, được Gordon Moore của IBM dự đoán vào năm 1965, giờ đây đang dần trở thành một thước đo không còn tồn tại để đánh giá hiệu suất tính toán. Định luật Moore dự đoán rằng cứ khoảng hai năm một lần, số lượng bóng bán dẫn trong một mạch tích hợp sẽ tăng gấp đôi, sẽ có nhiều bóng bán dẫn hơn trong cùng một không gian, dẫn đến khả năng tính toán tăng lên và do đó hiệu suất máy tính tăng lên. Vào tháng 2005 năm 10, trong một cuộc phỏng vấn, chính Gordon Moore đã tuyên bố rằng dự đoán của ông có thể sẽ không còn bền vững nữa: “Về mặt kích thước [của bóng bán dẫn] bạn có thể thấy rằng chúng ta đang tiến gần đến kích thước của nguyên tử, đây là một rào cản cơ bản, nhưng nó sẽ phải mất hai hoặc ba thế hệ nữa chúng ta mới đạt được điều đó - nhưng đó là điều xa vời nhất mà chúng ta từng có thể thấy được. Chúng ta còn 20 đến XNUMX năm nữa trước khi đạt đến giới hạn cơ bản.”   

Mặc dù định luật Moore chắc chắn sẽ đi vào ngõ cụt, nhưng các chỉ số khác của máy tính đang có khả năng ứng dụng ngày càng tăng. Với công nghệ chúng ta sử dụng trong cuộc sống hàng ngày, tất cả chúng ta đều có thể thấy xu hướng máy tính ngày càng nhỏ hơn nhưng pin của thiết bị cũng ngày càng bền hơn. Xu hướng thứ hai với pin được gọi là Định luật Koomey, được đặt theo tên của giáo sư Jonathan Koomey của Đại học Stanford. Định luật Koomey dự đoán rằng "… với tải máy tính cố định, lượng pin bạn cần sẽ giảm đi hai lần mỗi năm rưỡi." Do đó, mức tiêu thụ năng lượng điện tử hoặc hiệu quả sử dụng năng lượng của máy tính sẽ tăng gấp đôi sau mỗi 18 tháng. Vì vậy, điều mà tất cả những xu hướng và thay đổi này đang hướng tới và tiết lộ chính là tương lai của điện toán.

Tương lai của máy tính

Chúng ta đã đến một thời điểm trong lịch sử mà chúng ta phải định nghĩa lại máy tính khi các xu hướng và quy luật được dự đoán từ vài thập kỷ trước không còn có thể áp dụng được nữa. Ngoài ra, khi điện toán tiến tới quy mô nano và lượng tử, sẽ có những hạn chế và thách thức vật lý rõ ràng cần phải vượt qua. Có lẽ nỗ lực đáng chú ý nhất trong siêu máy tính, điện toán lượng tử, có thách thức rõ ràng là thực sự khai thác sự vướng víu lượng tử để tính toán song song, nghĩa là thực hiện các tính toán trước khi mất kết hợp lượng tử. Tuy nhiên, bất chấp những thách thức của điện toán lượng tử, vẫn có nhiều tiến bộ trong vài thập kỷ qua. Người ta có thể tìm thấy các mô hình kiến ​​trúc máy tính John von Neumann truyền thống áp dụng cho điện toán lượng tử. Nhưng có một lĩnh vực điện toán (siêu) khác không nổi tiếng lắm, được gọi là điện toán mô phỏng thần kinh không tuân theo kiến ​​trúc von Neumann truyền thống. 

Điện toán mô hình thần kinh đã được giáo sư Carver Mead của Caltech hình dung trong bài báo chuyên đề của ông vào năm 1990. Về cơ bản, các nguyên tắc của điện toán mô hình thần kinh dựa trên các nguyên tắc hành động sinh học được lý thuyết hóa, giống như những nguyên tắc được cho là được bộ não con người sử dụng trong tính toán. Sự khác biệt ngắn gọn giữa lý thuyết điện toán mô phỏng thần kinh và lý thuyết điện toán cổ điển von Neumann đã được Don Monroe tóm tắt trong một bài báo trên tạp chí Hiệp hội cho máy tính tạp chí. Tuyên bố như sau: “Trong kiến ​​trúc von Neumann truyền thống, một lõi logic mạnh mẽ (hoặc một số lõi logic song song) hoạt động tuần tự trên dữ liệu được tìm nạp từ bộ nhớ. Ngược lại, điện toán 'neuromorphic' phân phối cả khả năng tính toán và bộ nhớ cho một số lượng lớn các 'tế bào thần kinh' tương đối nguyên thủy, mỗi tế bào thần kinh giao tiếp với hàng trăm hoặc hàng nghìn tế bào thần kinh khác thông qua 'khớp thần kinh'.”  

Các tính năng chính khác của điện toán mô phỏng thần kinh bao gồm khả năng không chịu lỗi, nhằm mục đích mô hình hóa khả năng mất tế bào thần kinh của não người mà vẫn có thể hoạt động. Tương tự, trong điện toán truyền thống, việc mất một bóng bán dẫn sẽ ảnh hưởng đến hoạt động bình thường. Một lợi thế khác được hình dung và nhắm tới của điện toán mô phỏng thần kinh là không cần phải lập trình; Mục đích cuối cùng này một lần nữa là mô hình hóa khả năng học hỏi, phản hồi và thích ứng với các tín hiệu của bộ não con người. Do đó, điện toán mô phỏng thần kinh hiện là ứng cử viên tốt nhất cho các nhiệm vụ học máy và trí tuệ nhân tạo. 

Những tiến bộ của siêu máy tính mô phỏng thần kinh

Phần còn lại của bài viết này sẽ đi sâu vào những tiến bộ của siêu máy tính mô phỏng thần kinh. Cụ thể, nghiên cứu được công bố gần đây về Arxiv của Alexander Tait et. al. của Đại học Princeton cho thấy mô hình mạng lưới thần kinh quang tử dựa trên silicon hoạt động tốt hơn phương pháp tính toán thông thường gần 2000 lần. Nền tảng điện toán quang tử thần kinh này có thể dẫn đến xử lý thông tin cực nhanh. 

Tait và. al. giấy có tựa đề Quang tử silicon thần kinh bắt đầu mô tả những ưu và nhược điểm của việc sử dụng dạng ánh sáng quang tử của bức xạ điện từ để tính toán. Điểm chính ban đầu của bài báo là ánh sáng đã được sử dụng rộng rãi để truyền thông tin nhưng chưa được sử dụng để chuyển đổi thông tin, tức là điện toán quang kỹ thuật số. Tương tự, đối với điện toán lượng tử, có những thách thức vật lý cơ bản đối với điện toán quang kỹ thuật số. Sau đó, bài báo đi vào chi tiết về nền tảng điện toán quang tử thần kinh được đề xuất trước đó là Tait et. al. nhóm xuất bản năm 2014, mang tên Phát sóng và trọng lượng: Một mạng tích hợp để xử lý đột biến quang tử có thể mở rộng. Bài báo mới hơn của họ mô tả kết quả của cuộc trình diễn thử nghiệm đầu tiên về mạng lưới thần kinh quang tử tích hợp. 

Trong kiến ​​trúc điện toán “truyền hình và trọng lượng”, các “nút” được gán một “sóng mang bước sóng” duy nhất là “ghép kênh phân chia theo bước sóng (WDM)” và sau đó được phát đến các “nút” khác. Các “nút” trong kiến ​​trúc này nhằm mục đích mô phỏng hành vi của tế bào thần kinh trong não người. Sau đó, tín hiệu “WDM” được xử lý thông qua các bộ lọc có giá trị liên tục được gọi là “ngân hàng trọng lượng microring (MRR)” và sau đó được tổng hợp bằng điện thành giá trị phát hiện tổng công suất đo được. Tính phi tuyến tính của phép biến đổi/tính toán quang điện cuối cùng này chính xác là tính phi tuyến tính cần thiết để bắt chước chức năng của nơ-ron, điều cần thiết để tính toán theo các nguyên tắc mô phỏng thần kinh. 

Trong bài báo, họ thảo luận rằng các động lực biến đổi quang điện đã được xác minh bằng thực nghiệm này giống hệt về mặt toán học với mô hình “Mạng thần kinh tái phát thời gian liên tục 2 nút” (CTRNN). Những kết quả tiên phong này cho thấy rằng các công cụ lập trình đã được sử dụng cho mô hình CTRNN có thể được áp dụng cho các nền tảng mô phỏng thần kinh dựa trên silicon. Khám phá này mở ra con đường điều chỉnh phương pháp CTRNN cho các quang tử silicon thần kinh. Trong bài báo của mình, họ chỉ thực hiện việc điều chỉnh mô hình như vậy cho kiến ​​trúc “phát sóng và trọng lượng” của mình. Kết quả cho thấy mô hình CTRNN được mô phỏng trên kiến ​​trúc 49 nút của họ mang lại kiến ​​trúc điện toán mô phỏng thần kinh để vượt trội hơn các mô hình điện toán cổ điển tới 3 bậc độ lớn.