Voivatko fotonit pitää Mooren lain elossa?

Mooren laki määrää, että integroidun piirin transistoreiden määrä lisääntyy noin joka toinen vuosi, samalla kun tietokoneen teho kasvaa. Tämä periaate on ollut pitkälti oikein vuodesta 1965 lähtien. On kuitenkin mahdollista, että Gordon E. Moore, Intelin perustaja, ei koskaan ajatellut, että sirut saavuttavat miniaturisoinnin rajoitukset, mikä hidastaa laskentatehoa.

Onneksi Kalifornian yliopiston insinöörit ovat kehittäneet uuden menetelmän, joka käyttää fotonisia tekniikoita tarjoamaan enemmän laskentatehoa ilman koon uhraamista. Tässä on mitä sinun tarvitsee tietää.

Pienennä

Maailma on ollut mukana tietokoneiden pienentämisessä niiden keksimisestä lähtien. Jotkut sinun isovanhemmista saattavat muistaa, kun tietokoneet vaativat koko huoneen ja monia ihmisiä toimiakseen. Nykyään älykello tarjoaa enemmän laskentatehoa kuin nämä jättiläiset, ja tämä on vain jäävuoren huippu mikrotietokoneiden suhteen. Matka koko huoneesta nykyisiin mikroelektroniikkaan on ollut jännittävä, täynnä kokeiluja, löytöjä ja joskus epäonnistumisia.

Fyysiset ja kustannusrajat

On tärkeää huomata, että on taso, jossa mikroskooppisten komponenttien valmistus on kustannusineffektiivista. Useimmat tutkijat katsovat, että markkina on saavuttanut tämän tason. Lisäksi laskentahyödyt eivät ole linjassa Mooren lain kanssa, koska pienemmät sirut eivät voi tarjota laskentatehoa, joka on suhteessa suurempiin vastineisiinsa.

Tämän seurauksena on kasvava kuilu saatavilla olevan laskentatehon ja tarvittavan laskentatehon välillä, mikä johtaa siihen, että jotkut markkinan tunnetut toimijat, kuten Nvidian toimitusjohtaja Jensen Huang, sanovat, että Mooren laki on kuollut ja mainitaan sovellusspesifiset prosessorit tulevaisuuden ratkaisuksi.

Tarve tehokkaista tietokoneista

Tekoäly- ja koneoppimisjärjestelmien äkillinen kasvu on lisännyt tarvetta tehokkaalle laskennalle ja pilvi-alustoille. Nämä tarpeet ovat ylittäneet sirun suunnittelun suorituskyvyn, mikä luo pullonkaulan tekoälykehityssektorilla, joka rajoittaa innovaatiota. Nyt kilpailu on ratkaisun löytämiseksi, joka voi pitää tahdin nykyisten tehokkaiden tietokoneiden ja tekoälyjärjestelmien vaatimusten mukaisesti.

Laskentatehon ratkaisut

Jotkut analyytikot uskovat, että yksi ratkaisu on luoda erityisiä siruja, joissa on logiikka ja prosessointi samalla sirulla. Tämä lähestymistapa auttaa vähentämään viivettä ja energiankulutusta ja parantaa suorituskykyä. Laskentarajoitukset kuitenkin tekevät siitä epätäydellisen, kun keskustellaan massiivisten tekoälytietojen vaatimusten kanssa.

Muistin laskenta

Toinen ratkaisu, joka sai tutkijat innostumaan, on muistin laskenta. Tämä tallennusmenetelmä käyttää nopeaa muistia sen sijaan, että käyttäisi perinteistä kiintolevyä. Nimenomaan verkon tietokoneiden muisti on määritelty ohjelmistojen avulla suorittamaan muistin rinnakkain. Tämä tallennusmenetelmä on 5000-kertaa nopeampi kuin perinteiset menetelmät, mutta se ei voi silti pitää Mooren lakia.

Fotonit

Fotonit ovat toinen tehokkaan laskennan menetelmä, joka kiinnostaa tutkijoita. Fotonit toimivat havaitsemalla valoaaltoa elektroniikalla. Tiede kiertää valon luomista ja ohjaamista, kun se kulkee ohjattavien optisten painojen matriisissa.

Nämä painot integroivat 2D-matriisin epävoimaisia optisia muuttujia, jotka mahdollistavat lineaarisen muunnoksen optisten syötteiden vektorille. Tämä strategia tarjoaa nopeammat kytkentänopeudet kuin RAM-muistimen menetelmät.

Fotonien nykyiset rajoitukset

Fotonien laskennan joitakin haittoja ovat, että nykyiset järjestelmät voidaan kirjoittaa uudelleen noin 1000 kertaa. Tämä rajoitettu elinikä tekee niistä kalliin vaihtoehdon. Lisäksi optiset painot ovat alhaisen tallennustiheyden ja ohjelmointi on hitaampaa kuin perinteiset sirut.

Fotonisen laskennan järjestelmät tulevat eri muodoissa ja suunnitelmissa. Kuitenkin nämä järjestelmät vaativat erikoistuneita valmistusprosesseja, jotka ovat paljon kalliimpia kuin niiden vastineet. Vaikka kustannusrajoitukset, monet tutkijat uskovat, että fotonit ovat laskennan tulevaisuus, ja Wrightin laki on avain sen toteuttamiseen.

Wrightin laki

On myös Wrightin laki, joka jatkaa roolinsa pelaamista kykymme kehittää puolijohteita. Tämä laki on valmistusperiaate, joka esitettiin ilmailuinsinööri Theodore Paul Wrightin toimesta. Kun hän työskenteli lentokoneen valmistuslaitoksessa, hän huomasi, että työvaatimukset laskivat 15 prosenttia, kun valmistusprosessit paranevat, vaikka tuotantomäärät lisääntyvät.

Nämä kustannussäästöt tulivat parannetuista prosesseista, teknologiasta, palautusjärjestelmistä ja muista valmistuksen aikana tehtyistä parannuksista. Monet analyytikot uskovat, että Wrightin laki auttaa tekemään fotonit saataville ja vähemmän kalliiksi tulevaisuudessa.

Voit nähdä Wrightin lain jo tapahtuvan tekoälysektorilla. Muutama vuosi sitten olisi ollut mahdotonta keskivertoihmisen päästä käsiksi tai käyttää tekoälyjärjestelmää. Tekoälymallien luominen, hallinta ja päivittäminen oli liian kallista. Lisäksi kukaan ei ollut luonut luotettavaa tapaa tekoälyn ja ihmisten vuorovaikutukseen.

Kuitenkin ohjelmien, kuten ChatGPT, julkaisun jälkeen kuka tahansa voi nyt käyttää näitä voimakkaita työkaluja parantamaan tehokkuuttaan ja luovuuttaan. Nämä järjestelmät integroivat suuret kielimallit, jotka tekevät siitä helppoa kuka tahansa käyttää niitä yksinkertaisista chat-käskyistä. Tämä kehitys ajoi tekoälyn omaksumisen läpi katon, johtaen nykyisiin laskentatehon puutteisiin.

Fotonitutkimus

Tutkimus “Integrated non-reciprocal magneto-optics with ultra-high endurance for photonic in-memory computing“¹ julkaistu Nature Photonics -julkaisussa paljastaa uuden valon laskennan menetelmän, joka voi vallankumous maailman. Tutkimus tutkii yksityiskohtaisesti optisten painojen koodaamista fotonisen muistin laskennalle.

Source – Nature

Tutkijat päättivät käyttää magneettista muistia ja resonanssipohjaisen fotonisen arkkitehtuurin saavuttamaan laskennalliset tavoitteensa. Strategia perustuu magneettisen aineen epäsymmetrisiin vaiheisiin siirtymään fotonisen muistin laskennan toteuttamiseksi.

Uusi matemaattinen malli mahdollisti tiimin testata magneettisia materiaaleja. He löysivät, että ceriumilla korvattu yttriumrauta (YIG) mahdollisti heidän käyttää ulkoista magneettikenttää valon etenemisen ohjaamiseksi. Tämä ohjattu valo voitiin sitten käyttää laskutoimituksiin.

Tutkimus osoitti, miten pienet magneetit voivat tallentaa dataa tehokkaasti ja käyttää sitä salamannopeasti.

Prosessi magneettisten yksiköiden koodaamiseksi toimii asettamalla yksikön magneettisen alueen voimakkuuden. Laite voidaan ohjata muuttamalla sähkösignaaleja optiseen muotoon käyttäen elektro-optisia (E/O) muuttimoita ohjelmointiin ja tallentamiseen. Siitä eteenpäin tasapainotetut valodetektorit (BPD) muuttavat differentiaalisen optisen signaalin takaisin sähkösignaaliksi, jotta CMOS-looginen piiri voi prosessoida sitä yhdessä SRAM:n kanssa.

Fotonitesti

Tutkijat asettivat non-volatiilisen magneettisen muistisoluja testaamaan eri lähestymistapoja. He alkoivat 2-bittisellä sähköisellä syötteellä, joka mahdollisti heidän saavuttaa kaksi positiivista ja kaksi negatiivista optista painoa. Siitä eteenpäin magneettikenttää muutettiin seuratakseen muutoksia.

Ceriumilla korvattu yttriumrauta (YIG)

500 nm paksu yksikiteinen YIG kasvatettiin laboratoriossa radiofrekvensisavutusmenetelmällä 750 °C:ssa testivaiheessa. Nimenomaan tiimi päätti käyttää 35 μm säteisen renkaan. Lisäksi 10 nm paksu piioksidikerros integroitiin erottamaan piikerros YIG:stä.

Fotonien ohjelmointi

Muistisolun tilan ohjelmointi vaatii radiaalisen tasomagneettikentän, jota toimittaa integroitu kultaelektromagneetti. Järjestelmä voi mitata elektronisesti optisen häviön muutoksia riippuen suunnasta ja magneettikentästä, jota sovelletaan ferromagneettiselle ohuelle kalvolle.

Tämä järjestely luo ohjelmoitavan, epävoimaisen magneettikentän, joka mahdollistaa insinöörien aiheuttaa epäsymmetrisen optisen vaiheen muutoksen muistisoluun. Huomattavasti tutkimus dokumentoi sekä myötä- (CW) että vastapäivään (CCW) malleja mikorenkaan resonanssista ohjelmoidakseen ja käyttääkseen laskentatietoja.

Fotonien elinkaari

Muistin elinkaaren testaaminen oli seuraava askel. Tiimi ohjelmoi satunnaisen funktiogeneraattorin, joka vaihteli kirjoitus- ja poistopulssien välillä osana lähestymistapaansa. Järjestelmä oli säädettävä 10 kHz:n nopeudella. Insinöörit käyttivät ±5 V:n amplitudia ja 500 ns:n pulssinleveyttä jäljitelläkseen todellisen maailman uudelleenkirjoittamista.

Fotonitulokset

Testitulokset osoittivat, miten tämä uusi fotonien menetelmä voi muuttaa laskentaa lopullisesti. Ensinnäkin uusi järjestelmä osoitti lähes rajattomat uudelleenkirjoitusmahdollisuudet. Nimenomaan 2,4 miljardia ohjelmointisykliä saavutettiin.

Lisäksi insinöörit totesivat, että epäsymmetrisien vaiheiden käyttäminen magneettisissa materiaaleissa mahdollistaa niiden deterministisen ohjelmoinnin nopeasti ja tehokkaasti. Tulokset osoittivat, että ohjelmointinopeus ~1 GHz oli mahdollinen. Lisäksi tiimi saavutti epävoimaisuuden, monitasoisen koodauksen, joka ylittää nykyiset menetelmät. Tämä tutkimus voi vallankumous tietokonemarkkinan.

Fotonien hyödyt

Useat hyödyt tekevät fotonitutkimuksesta pelinmuuttajan. Ensinnäkin uusi järjestelmä voi suorittaa monimutkaisia toimintoja, jotka vaativat massiivista laskentatehoa. Nämä järjestelmät ovat ihanteellisia tekoäly- ja koneoppimisoperaatioille, jotka vaativat matriisivektorin kertolaskua ja muita edistyneitä tieteitä.

Vähennetty viive

Tutkijat löysivät, että fotonit tarjoavat suurempia nopeuksia verrattuna perinteisiin vaihtoehtoihin. Testivaihe paljasti 1 ns muistin käyttöaikan. Tämä nopeus on 100-kertaa nopeampi kuin aiemmat fotoniset laitteet, avaen ovia uudelle tasolle innovaatioille.

Alempi energiankulutus

Energiatehokkuus on toinen etu, jonka fotonijärjestelmä tuo markkinoille. Tämä järjestelmä voi uudelleenohjelmoida ja käyttää muistia murto-osalla energiaa verrattuna muihin vaihtoehtoihin. Tiimi sai aikaan 143 fJ/bittiin tehokkuuden, asettamalla uuden järjestelmän vaatimukset 1/10 fotonisen vaihtoehdon vaatimuksista.

Uudelleenohjelmoitavuus

Yksi fotonitutkimuksen suurimmista etuista on paljastus, että nämä laitteet ovat lähes rajattomasti uudelleenohjelmoitavissa. Muita laskentamuistivaihtoehtoja ei tarjoa käyttäjille mahdollisuutta kirjoittaa dataa yli 2 miljardia kertaa. Tämä tutkimus voi vaikuttaa merkittävästi tietokeskuksiin.

Fotonitutkijat

Fotonitutkimus johti Santa Barbaran, John Bowersin ja Galan Moodyn. Paolo Pintus, Nathan Youngblood, Yuya Shoji ja Mario Dumont olivat myös avainroolissa tutkimuksen ja fotonijärjestelmän kehittämisessä. Nyt tiimi etsii laajentaa tutkimustaan muihin materiaaleihin parhaan vaihtoehdon löytämiseksi tekoälyvallankumouksen voimakkaaksi.

Yritykset, jotka voivat hyötyä fotonitutkimuksesta

On useita yrityksiä, jotka voivat hyödyntää tätä tutkimusta parantamaan tuotteitaan ja palvelujaan. Pilvitietokoneverkot ja tietokeskukset ovat kaksi ilmeistä sektoria, jotka näkevät merkittäviä tulonlisäyksiä, jos he voivat toteuttaa tämän teknologian. Tässä on yksi yritys, joka on täydellisesti asemoitunut hyödyntämään tätä tietoa.

Snowflake

Snowflake (SNOW ) astui pilvitietokoneiden markkinoille vuonna 2012. Se on pääkonttoria Montana ja perustettiin Benoît Dagevillen, Thierry Cruanesin ja Marcin Żukowskin toimesta tarjoamaan suorituskykyistä pilvitietokonetta markkinoille. Nykyään Snowflake on avainroolissa mahdollistaakseen yrityksille tallentaa, siirtää ja prosessoida dataa pilvessä.

Snowflake nähdään monien mielestä yhtenä huipputrendin osakkeena sen sitoutumisen vuoksi innovaatioon, älykkäisiin palveluihin ja asemointiin. Yritys on aiheuttanut hiljattain kohua One Million Minds + One Platform -aloitettaan, joka pyrkii parantamaan miljoonien työntekijöiden taitoja tekoälyllä vuoteen 2029 mennessä.

Snowflake on yksi tunnetuimmista pilvitietokoneiden toimijoista. Nykyään se käsittelee yli 4,2 miljardia kyselyä päivittäin ja on yli 10 000 asiakasta, mukaan lukien 800 yritystä, jotka ovat Forbesin listoilla. Tämä tuki ja asiakasalue voivat ajaa yrityksen osakkeiden kiinnostusta.

Jos Snowflake pystyisi toteuttamaan fotonisen tallennusjärjestelmän tietokeskuksessa, se voisi nähdä massiivisia ROIs. Järjestelmä vaatisi vähemmän tilaa, vähemmän energiaa ja tuottaisi vähemmän lämpöä. Lisäksi se tarjoaisi rajattoman uudelleenkirjoitusikä ja pystyisi tarjoamaan vähemmän viivettä asiakkailleen. Tämä voisi ajaa tulon ylös.

Fotonit – käyttäen valoa laskennan seuraavaan tasoon

Fotonit voivat olla se, mitä maailma tarvitsee lukittaa uusi taso laskennan ymmärrystä. Tämä teknologia tarjoaa kestävyyden ja kestävän kehityksen, jonka insinöörit etsivät tänään. Seuraavasti monet pitävät tätä tutkimusta ratkaisevana tekoälyliikkeelle.

Lue lisää viihdyttävistä laskennan hankkeista täältä.

Tutkimuksen viite:

^{1. Pintus, P., Dumont, M., Shah, V., et al. (2025). Integrated non-reciprocal magneto-optics with ultra-high endurance for photonic in-memory computing. Nature Photonics, 19(1), 54–62. https://doi.org/10.1038/s41566-024-01549-1}