На фокусПрогнози и тенденцииТехнологии

Бъдещето на изчисленията: Какво ще замени или допълни класическите компютри

Компютрите все по-често са натоварени с нови сложни задачи – от обучение на невронни мрежи до симулиране на биологични процеси. Защо старите архитектури вече все по-трудно се справят и какви технологии ще ги заменят или допълнят?

Спомен от миналото: Къде е “таванът” за традиционния хардуер

Дълго време разработването на компютри следваше правило, което влезе в историята като Закона на Мур. През 1965 г. Гордън Мур, един от основателите на Intel, забелязва, че броят на транзисторите на чип се удвоява приблизително на всеки две години. Това означава, че чиповете стават все по-бързи, по-мощни и по-евтини.

Това просто наблюдение се е превърнало в движещата сила на цялата индустрия: от 1971 г. насам, когато се появява процесорът Intel 4004 (2300 транзистора с размер 10 микрометра). И до днес броят на транзисторите в микросхемите нарастват почти експоненциално. Но е важно да се знае: Законът на Мур не е физически закон, а по-скоро инженерна цел, която индустрията успешно постига от дълго време.

Днес ускоряваща се тенденция започва да се забавя. Транзисторите вече са толкова малки, че са трудни за производство: електроните започват да „изтичат“ през границите, чиповете прегряват, а разходите за енергия се увеличават. Производството става все по-скъпо и сложно. Скоростта и ефективността растат по-бавно – ерата на безкрайното мащабиране е към своя край.

Законът на Мур в реалния живот Източник: ourworldindata.org

И не става въпрос само за хардуер. Съвременните задачи – от обучение на невронните мрежи и обработка на големи данни до симулиране на климатични или биологични процеси – изискват не само скорост, но и различен подход към изчисленията. Повечето компютри все още са изградени по модела на фон Нойман, предложен в средата на 20-ти век. Той се основава на разделянето на паметта и процесора: данните се съхраняват на едно място, обработват се на друго и постоянно се местят между тях.

Този принцип работи добре от десетилетия, но при обработка на огромни количества информация той се превръща в „тясно място“. Дори най-бързият процесор не може да работи ефективно, ако е постоянно в режим на готовност, чакайки данни от паметта.

Ето защо днес не става въпрос само за това чиповете да станат още по-бързи. Учените все повече мислят за нещо друго: как да променят самата архитектура на изчисленията, за да отговорят на предизвикателствата на 21-ви век. И тук влизат в действие новите, некласически подходи.

Невроморфни изчисления: „да мислиш“ като мозъка

Днес, когато класическите компютри започват да буксуват, изследователите все по-често се обръщат към природата или по-точно към най-съвършеното изчислително устройство, което познаваме – човешкия мозък. Така се появи подходът, наречен невроморфни изчисления.

Невроморфните изчисления не просто пускат невронни мрежи върху обикновени чипове, а създават хардуер, който работи на принципите на мозъка.

За разлика от конвенционалните процесори (CPU) и видеокартите (GPU), където данните се обработват поред и стриктно според инструкциите, невроморфните чипове работят паралелно и асинхронно, подобно на невроните в мозъка. Вместо непрекъснат сигнал, има кратки импулси, които наподобяват изблици на активност между невроните. Това прави подобни системи не само по-естествени за работа с изкуствен интелект, но и много по-енергийно ефективни.

Това може да бъде полезно предимно там, където данните трябва да се обработват бързо и с минимални разходи, например в „“умни“ камери, сензорни системи, роботи, мобилни устройства, където е важно да се пести енергия от батерията. Невроморфните чипове могат да разпознават изображения или реч почти мигновено и без облак – направо „на място“.

Големите компании вече експериментират с такива чипове. IBM TrueNorth беше един от първите мащабни опити за възпроизвеждане на невронна архитектура в хардуер. Intel Loihi е друг забележителен проект, който реализира адаптивност и обучение на ниво чип. А във Великобритания се разработва системата SpiNNaker, в която милиони изкуствени неврони взаимодействат в реално време, почти както в мозъка.

Но технологията все още има сериозни ограничения. Основният проблем е софтуерът. Писането на код за невроморфни системи е много по-трудно, отколкото за конвенционалните компютри. Няма познати езици за програмиране или дебъгвани библиотеки за тях. Освен това, такива чипове все още не могат да заменят процесорите с общо предназначение – те са добри в тясно профилирани задачи, но не са подходящи за всичко.

Въпреки това интересът към невроморфните системи все повече нараства. Тъй като класическите архитектури постепенно се изчерпват, все повече учени и инженери се питат: ами ако бъдещето на компютрите наистина е като мозъка?

Мемристори: Как да комбинираме паметта и изчисленията

В традиционния компютър всичко си има строго определена роля: процесорът пресмята, , паметта съхранява. За всяка операция данните трябва да се четат, да се обработват, да се записват отново – и така нататък милиони пъти в секунда. Този процес „напред-назад“ отнема време, изисква енергия и се превръща в тясно място при работа с големи обеми от данни. Сега си представете елемент, който може едновременно да пресмята и да запомня. И такъв елемент съществува – това е мемристорът (от memory resistor).

Какво представлява мемристорът: принцип на действие, модели, приложение

Мемристорът, за разлика от конвенционалния транзистор, може да запомни колко ток е преминал през него и да променя съпротивлението си в зависимост от това. Колкото по-често се използва, толкова по-лесно преминава сигналът – почти като синапси в мозъка, които се укрепват с опита. Това прави мемристорите фундаментално нов градивен елемент за компютрите на бъдещето.

Основното предимство на мемристорите е, че те ви позволяват да комбинирате памет и изчисления в един елемент. Това означава, че данните не е необходимо да се прехвърлят между чипове през цялото време, което означава, че консумацията на енергия се намалява, скоростта се увеличава и се появява възможността за по -„живи“ форми на обработка на информация.

Това е особено важно за изкуствения интелект, където често е необходимо да се работи с милиони параметри. Мемристорите могат да извършват матрични операции, симулирайки работата на невронните мрежи не в софтуера, а директно в хардуера, което е многократно по-бързо и по-икономично.

Мемристорите в момента са в активен етап на изследване. Една от първите компании, които започнаха работа в тази посока беше HP, който през 2010-те обеща да създаде принципно нов тип компютър. По-късно се появиха лабораторни прототипи в университети и стартиращи компании – от САЩ и Европа до Китай. Някои от тях вече могат да извършват основни операции и да демонстрират обучение на хардуерно ниво.

Все още няма промишлени устройства на базата на мемристори, но потенциалът е огромен. Ако технологията може да бъде реализирана, тя може да промени самата логика на компютрите.

Квантови изчисления: отвъд класическата логика

Квантовите компютри са коренно различни от машините, с които сме свикнали. Вместо да работят според класическите правила на логиката, където един бит може да бъде нула или единица, те използват кюбити, които могат да бъдат и в двете състояния едновременно. Това явление се нарича суперпозиция. В кюбитите може да се наблюдава и квантово заплитане: ако промените единия , другият ще реагира мигновено, дори и да е на другия край на устройството, сякаш има невидима връзка между тях. Благодарение на тези свойства, квантовият компютър не просто преминава през различните комбинации поред, както класическа машина, а обработва много комбинации едновременно.

Квантовите компютри обаче все още са далеч от масово използване, въпреки факта, че техните прототипи вече съществуват и се използват в някои изследователски задачи.

Кюбитите са изключително нестабилни: те бързо губят квантовото си състояние. Това се нарича декохеренция. За да работят нормално се изисква температурата да е много близка до абсолютната нула и има много сложна система за защита от външни смущения. Освен това все още няма надеждни и мащабируеми системи за коригиране на грешки – те съществуват, но изискват огромни ресурси.

Но така или иначе технологията се развива. През 2019 г. Google демонстрираха своя квантов чип Sycamore, който завърши една определена изчислителна задача за 200 секунди, за изпълнението на която на конвенционален суперкомпютър биха били необходими години. IBM предоставя облачен достъп до своите квантови устройства. D-Wave създава квантови системи за приложна оптимизация, а стартиращи компании като IonQ и Rigetti разработват алтернативни подходи за изграждане на квантови чипове.

Други подходи: от фотони до молекули

Посочените по-горе подходи не са единственият път отвъд класическата архитектура. Наред с тях се развиват и други, не по-малко смели насоки: от „светлинни“ изчисления до машини, базирани на ДНК молекули. Всички те са на ранен етап, но вече демонстрират работещи прототипи и първи приложни резултати.

Един от тези подходи се явяват оптичните компютри. Вместо електрони, те използват фотони, тоест частици светлина. Това позволява по-бързи изчисления без прегряване на чипове, както и паралелна обработка на данни. Фотонните технологии са особено обещаващи в машинното обучение и изкуствения интелект. Например, американската компания Lightmatter вече представи фотонния суперчип Passage M1000, който е способен да обработва данни с пропускателна способност до 114 Tbps. За сравнение: типичен графичен процесор, използван в задачи с изкуствен интелект (например NVIDIA A100), осигурява пропускателна способност на паметта от около 2 TB/s. Дори в най-модерните системи тази цифра рядко надвишава 10 TB/s. Тоест, Passage M1000 е потенциално от 10 до 50 пъти по-бърз по отношение на скоростта на трансфер на данни от традиционните решения. Планира се да се използва за ускоряване на невронни мрежи в центрове за данни от следващо поколение.

Друг екзотична, но активно развиваща се възможност са ДНК изчисленията. В такива системи логическите операции и съхранението на информация се извършват не върху силициеви чипове, а вътре в ДНК молекулите. Принципът на действие е прост: ДНК се състои от четири „букви“, тоест азотни бази – A, T, G и C. Те могат да се използват за кодиране на нули и единици. Специални ензими принуждават молекулите да взаимодействат по определени правила – по този начин се изпълняват логически операции.

През 2023 г. американската компания CATALOG представи ДНК компютър, наречен Shannon, който може не само да записва данни в молекулярна форма, но и да изпълнява търсене и сортиране директно в биологична среда.

А учени от Университета на Вашингтон и Microsoft създадоха първия напълно автоматизиран прототип на ДНК хранилище за данни. Тяхното устройство преобразува цифрова информация (нули и единици) в ДНК последователности (същите букви A, T, G, C), синтезира реални молекули, запазва ги, а след това ги чете обратно и дешифрира. В експеримента устройството е записало думата Hello (5 байта), но са му били необходими около 21 часа, за да я прочете и възстанови, и от хиляди опити само един е бил успешно дешифриран.

Такива технологии са особено перспективни за задачи, свързани с архивно съхранение (една епруветка може да побере терабайти информация) и изпробване на огромен брой комбинации – например в криптографията.

В допълнение към квантовите и невроморфните подходи, учените изследват възможностите за използване на вълни – звукови, светлинни и други – за извършване на изчисления. Тези методи работят с физическите свойства на вълните, като интерференция и дифракция, за обработка на информацията.

В областта на акустичните изчисления, изследователи от Станфордския университет са разработили чип, който използва звукови вълни за извършване на математически операции с минимална консумация на енергия. Този подход позволява създаването на енергийно ефективни устройства за обработка на данни в периферията на мрежата (edge computing).

Всички тези технологии не са конкуренти на традиционните компютри, а по-скоро техни съюзници в решаването на специфични проблеми. Изчисленията на бъдещето вероятно ще бъдат изградени като екосистема от различни архитектури, всяка от които ще бъде добра в своята ниша. И колкото по-скоро се научим да ги комбинираме, толкова по-близо ще бъдем до следващия компютърен пробив.

0 0 votes
Article Rating
guest
0 Comments
oldest
newest most voted

Харесайте ни :-)


This will close in 25 seconds

0
Would love your thoughts, please comment.x
()
x