Η υπολογιστική τεχνολογία που βασίζεται σε συσκευές στερεάς κατάστασης έχει μια μακρά πορεία από τη δεκαετία του 1950, όταν τα τρανζίστορ άρχισαν να αντικαθιστούν τους σωλήνες κενού ως το βασικό συστατικό των ηλεκτρονικών κυκλωμάτων.
Γενιές νέων συσκευών στερεάς κατάστασης που επεξεργάζονται και αποθηκεύουν πληροφορίες ηλεκτρονικά, με επιταχυνόμενες ταχύτητες, ήρθαν και παρήλθαν καθώς τα τρανζίστορ γερμανίου αντικαταστάθηκαν από τρανζίστορ πυριτίου, ακολουθούμενα από ολοκληρωμένα κυκλώματα και μετά από ολοένα και πιο περίπλοκα chips, τα οποία περιείχαν όλο και μεγαλύτερους αριθμούς μικρότερων τρανζίστορ.
Από το 1965, η βιομηχανία καθοδηγείται από το νόμο/πρόβλεψη του Gordon Moore -συνιδρυτή του γίγαντα μικροεπεξεργαστών Intel- ότι οι συσκευές που συνεχώς συρρικνώνονται θα οδηγήσουν σε βελτιωμένη υπολογιστική και ενεργειακή απόδοση. Η πρόοδος στη νανοτεχνολογία επέτρεψε τη συρρίκνωση σε ατομική κλίμακα των μικρότερων εξαρτημάτων στα πιο προηγμένα ολοκληρωμένα κυκλώματα του σήμερα, αλλά αυτό είναι ασύμβατο με τις τρέχουσες συσκευές. Το επόμενο σημαντικό βήμα στους υπολογιστές δεν απαιτεί μόνο νέα νανοϋλικά, χρειάζεται νέα αρχιτεκτονική.
Τα τρανζίστορ τεχνολογίας CMOS (Complementary metal-oxide-semiconductor) είναι τα τυπικά δομικά στοιχεία για ολοκληρωμένα κυκλώματα από τη δεκαετία του 1980. Τα κυκλώματα CMOS, όπως και οι γενιές ψηφιακών υπολογιστών πριν από αυτά, βασίζονται στη θεμελιώδη αρχιτεκτονική που εισήγαγε ο John von Neumann στα μέσα του εικοστού αιώνα. Η αρχιτεκτονική του σχεδιάστηκε για να διαχωρίζει τα ηλεκτρονικά που αποθηκεύουν δεδομένα σε υπολογιστές από αυτά που επεξεργάζονται ψηφιακές πληροφορίες.
Ο υπολογιστής αποθήκευε πληροφορίες σε ένα μέρος και στη συνέχεια τις έστελνε σε άλλα κυκλώματα προς επεξεργασία. Ο διαχωρισμός της μνήμης αποθήκευσης από τον επεξεργαστή αποτρέπει την παρεμβολή των σημάτων και διατηρεί την ακρίβεια που απαιτείται για τους ψηφιακούς υπολογιστές. Ωστόσο, ο χρόνος που δαπανάται για τη μεταφορά δεδομένων από τη μνήμη στους επεξεργαστές, έχει καταστεί σημαντικό εμπόδιο στην αύξηση της απόδοσης των σύγχρονων υπολογιστικών συστήμάτων.
Οι προγραμματιστές υπολογιστών αναζητούν τώρα εναλλακτικές αρχιτεκτονικές για να εκτελούν υπολογισμούς «εντός μνήμης», έτσι ώστε να αποφύγουν τη σπατάλη χρόνου που συνεπάγεται η μεταφορά δεδομένων. Ένας άλλος στόχος είναι η μετάβαση σε νευρομορφικά συστήματα, τα οποία χρησιμοποιούν αλγορίθμους και σχέδια δικτύωσης που μιμούνται την περίπλοκη συνδεσιμότητα και την παράλληλη επεξεργασία του ανθρώπινου εγκεφάλου.
Αυτό σημαίνει ανάπτυξη νέων τεχνητών νευρώνων και συνάψεων που είναι συμβατοί με την ηλεκτρονική επεξεργασία, αλλά υπερβαίνουν την απόδοση των κυκλωμάτων CMOS, λέει ο ερευνητής στον τομέα της επιστήμης των υλικών, Mark Hersam. Δεν είναι μικρό κατόρθωμα, προσθέτει, αλλά θα άξιζε το κόστος. «Με ενδιαφέρει περισσότερο ο νευρομορφικός υπολογισμός παρά η επεξεργασία στη μνήμη, καθώς πιστεύω ότι η μίμηση του εγκεφάλου είναι ένα σημαντικότερο άλμα προς τα εμπρός, με περισσότερα πιθανά θετικά στοιχεία».
Η πρόκληση, και στις δύο περιπτώσεις, είναι να εντοπιστούν οι καλύτερες τεχνολογίες για την επίτευξη του στόχου, ενός στόχου που επιδιώκει ο Hersam στο Πανεπιστήμιο Northwestern στο Evanston του Illinois.
Οι πρώτες ενδείξεις μιας σημαντικής αλλαγής στους υπολογιστές εμφανίστηκαν γύρω στο 2012, καθώς ο νόμος του Moore άρχισε να μην είναι πλέον ακριβής και οι προγραμματιστές συστημάτων deep learning - μίας τεχνολογίας όπου τα συστήματα βελτιώνουν την απόδοσή τους με βάση την προηγούμενη εμπειρία - συνειδητοποίησαν ότι οι κεντρικές μονάδες επεξεργασίας γενικής χρήσης (CPU) που χρησιμοποιούνται σε συμβατικούς υπολογιστές δεν μπορούσαν να καλύψουν τις ανάγκες τους.
Δειτε ακομη
Ταχύτερη επεξεργασία δεδομένων
Η δύναμη των CPU ήταν η ευελιξία τους, λέει ο Wilfried Haensch, ο οποίος ηγήθηκε μιας ομάδας που ανέπτυξε ιδέες σχετικά με την υπολογιστική μνήμη στο ερευνητικό κέντρο IBM Watson στο Yorktown Heights της Νέας Υόρκης, μέχρι τη συνταξιοδότησή του το 2020. «Σε ό,τι πρόγραμμα κι αν καταλήξετε, η CPU μπορεί να το εκτελέσει», λέει ο Haensch. «Το αν μπορεί να το εκτελέσει αποτελεσματικά, είναι μια διαφορετική ιστορία».
Αναζητώντας καλύτερους επεξεργαστές για εφαρμογές deep learning, οι προγραμματιστές της IBM στράφηκαν σε μονάδες επεξεργασίας γραφικών (GPUs), σχεδιασμένες να εκτελούν προηγμένα μαθηματικά που χρησιμοποιούνται για την τρισδιάστατη απεικόνιση υψηλής ταχύτητας σε παιχνίδια υπολογιστών. Η IBM ανακάλυψε ότι οι GPUs μπορούν να εκτελούν αλγόριθμους deep learning πολύ πιο αποτελεσματικά από τις CPUs, έτσι η ομάδα συνέδεσε GPUs για την εκτέλεση συγκεκριμένων υπολογιστικών διαδικασιών.
«Σε άλλα μηχανήματα, φορτώνετε δεδομένα και εντολές, αλλά σε μηχανές ροής δεδομένων, ορισμένες εντολές είναι ενσωματωμένες στον επεξεργαστή, επομένως δεν χρειάζεται να τις φορτώσετε», λέει ο Haensch. Αυτό σηματοδότησε μια μετατόπιση από το συμβατικό μοντέλο von Neumann, επειδή τα δεδομένα μετακινούνταν μέσω του επεξεργαστή, σαν να εκτελούνταν λειτουργίες στη μνήμη.
Λειτούργησε επίσης και για τον αλγόριθμο deep learning, επειδή περίπου το 80% των λειτουργιών του αλγορίθμου χρησιμοποιούσαν τα ίδια προηγμένα μαθηματικά με την επεξεργασία εικόνας.
Η περαιτέρω βελτίωση των υπαρχόντων υλικών προσφέρει μόνο μια βραχυπρόθεσμη λύση, λέει ο Haensch. Υπάρχουν πολλές νέες ιδέες, νέες συσκευές και νέες νανοδομές, λέει, αλλά καμία δεν είναι έτοιμη να αντικαταστήσει τα CMOS. Και δεν υπάρχουν εγγυήσεις για το εάν ή πότε όλα αυτά θα είναι σε θέση να προσφέρουν τον μετασχηματισμό που χρειάζεται η βιομηχανία.
Μεταξύ των πιο δημοφιλών κατηγοριών συσκευών σε εξέλιξη είναι τα memristors, τα οποία έχουν μνήμη και ηλεκτρική αντίσταση. Τα memristors μοιάζουν με τυπικές ηλεκτρικές αντιστάσεις, αλλά η εφαρμογή ηλεκτρικού φορτίου σε αυτά μπορεί να αλλάξει την αντίστασή τους, αλλάζοντας ό,τι είναι αποθηκευμένο στη μνήμη. Με τρία επίπεδα -δύο τερματικά που συνδέονται με άλλες συσκευές, τα οποία χωρίζονται από ένα στρώμα αποθήκευσης δεδομένων- η δομή τους επιτρέπει την ταυτόχρονη αποθήκευση δεδομένων και την επεξεργασία πληροφοριών.
Η ιδέα προτάθηκε το 1971, αλλά μόλις το 2007 ο R. Stanley Williams, ένας ερευνητής στα εργαστήρια Hewlett-Packard στο Palo Alto της Καλιφόρνια, κατασκεύασε το πρώτο memristor στερεάς κατάστασης μέσω της διαδικασίας εναπόθεσης λεπτής μεμβράνης, το οποίο μπορούσε να χρησιμοποιηθεί σε ένα κύκλωμα.
Τα memristors μπορούν να κατασκευαστούν σε κλίμακα νανομέτρων και επιδεικνύουν διακοπτικές λειτουργίες της τάξης του νανοδευτερολέπτου. Έχουν «μεγάλες δυνατότητες για την ανάπτυξη μελλοντικών υπολογιστικών συστημάτων, πολύ πιο εξελιγμένων από αυτών που βασίστηκαν στην αρχιτεκτονική του von Neumann και στο νόμο του Moore», ανέφερε ο Wei Lu και η ομάδα του στο Πανεπιστήμιο του Michigan στο Ann Arbor σε μια ανασκόπηση του 2018 για την τεχνολογία memristor. Η οικοδόμηση ενός ενιαίου συστήματος που συνδυάζει όλες τις επιθυμητές ιδιότητες δεν θα είναι εύκολη.
Υλικά επόμενης γενιάς
Οι ερευνητές αναζητούν νέες κατηγορίες υλικών για να καλύψουν τις ανάγκες των προηγμένων υπολογιστών. Ο Hersam και ο συνάδελφός του Vinod K. Sangwan, ερευνητής επιστήμης υλικών και μηχανικής στο Northwestern University, έχουν καταγράψει μια εκτενή λίστα πιθανών νευρομορφικών ηλεκτρονικών υλικών που περιλαμβάνει υλικά μηδενικής διάστασης (κβαντικές κουκίδες), μονοδιάστατα και δισδιάστατα υλικά (γραφένιο), και ετεροδομές van der Waals (πολλαπλά δισδιάστατα στρώματα υλικών που προσκολλώνται μεταξύ τους).
Οι μονοδιάστατοι νανοσωλήνες άνθρακα, για παράδειγμα, έχουν προσελκύσει το ενδιαφέρον για χρήση σε νευρομορφικά συστήματα επειδή μοιάζουν με τους σωληνοειδείς άξονες μέσω των οποίων τα νευρικά κύτταρα μεταδίδουν ηλεκτρικά σήματα σε βιολογικά συστήματα.
Οι απόψεις διίστανται για το πώς αυτά τα υλικά θα επηρεάσουν το μέλλον της πληροφορικής. Ο Abu Sebastian, ο τεχνικός ηγέτης του IBM Research AI Hardware Center στο Albany της Νέας Υόρκης, με έδρα τη Ζυρίχη, επικεντρώνεται στα βραχυπρόθεσμα κέρδη και βλέπει ευκαιρίες να προωθήσει περαιτέρω τόσο στον ψηφιακό όσο και στον νευρομορφικό υπολογισμό.
«Εταιρείες όπως η Mythic (μια εταιρεία τεχνητής νοημοσύνης που εδρεύει στο Austin του Texas) είναι πολύ κοντά στην εμπορευματοποίηση της τεχνολογίας», λέει. Από την πλευρά της έρευνας, ο Lu λέει ότι υπάρχουν πολλά να καταλάβουμε. Οι σύνθετοι υπολογισμοί που υιοθετούνται από την τεχνολογία επεξεργασίας γραφικών πρέπει να γίνουν «σφιχτότεροι και πιο ακριβείς» για να υπάρξει πλήρης εκμετάλλευση των νευρομορφικών υπολογισμών, λέει. Ο Haensch προσθέτει ότι μέχρι στιγμής δεν υπάρχει υλικό που να επιτρέπει τη βιώσιμη εμπορική παραγωγή.
Η Intel και η IBM, έχουν μεγάλες ομάδες που εργάζονται σε υπολογιστικά συστήματα που δεν ακολουθούν την αρχιτεκτονική von Neumann. Η Hewlett-Packard και η εταιρεία τεχνητής νοημοσύνης Lights-On με έδρα το Παρίσι είναι μεταξύ πολλών εταιρειών που επικεντρώνονται σε εφαρμογές με πιθανότητα εμπορευματοποίησης στο εγγύς μέλλον.
Με πληροφορίες από nature.com
