
Saklanan programlar ile günümüzdeki dijital bilgisayarlar tarafından kullanılan veri belleği arasındaki ayrım, matematikçi ve fizikçi John von Neumann tarafından icadından beri neredeyse kontrol edilmedi. Farklı programların program belleğine yüklenmesine izin vererek, tek bir bilgisayar istenileni hesaplayabilir, video oyunları çalıştırabilir veya güneş sistemlerinden insan beynine kadar her şeyi simüle edebilir. Benzer şekilde, aynı program, ayrı bellek bölümlerine farklı veri setleri yükleyerek, tur mesafelerini veya mühimmat yörüngelerini hesaplayabilir, Pac-Man veya Call of Duty’u oynatabilir, Mars’ın yörüngesini veya beyin sinir ağlarını taklit edebilir.
Bununla birlikte, 2020 yılına kadar, von Neumann mimarisinin 75 yıl süren egemenliğinden sonra, 100. doğum gününe kadar heterojen mimarileri olan bilgisayarların öğrenilmesi ile bu mimari ortadan kalkmaya başlayacak. IBM, Intel, Hewlett Packard, Microsoft, Google, Nvidia, Cray, Qualcomm ve diğer bilgisayar mimarisi tasarımcıları klasik bilgi işlem sisteminin daha da büyümesini engelleyen darboğazı gidermek için non-von Neumann mimarilerini tasarlamışlardır.
ABI Araştırma Araştırma Müdürü Dan Kara, “Doğru bir programlama çağından öğrenme çağına geçtiğimiz doğrudur ve non-von-Neumann mimarileri, makine öğrenimini – özellikle çıkarımda bulunma – optimizasyon ve birçok hesaplama sınıfının enerji gereksinimlerini azaltmak için anahtar bir etkinleştirici olarak görülüyor” dedi. En azından söylemek gerekirse, Non-Von Neumann donanım platformlarını geliştirme yolunda ilerleme kaydedildi. Örneğin, Qualcomm bir zamanlar ortaklarından olan Brain Corporation’la birlikte çalışarak Qualcomm’un Sinirsel İşleme Motoru yazılımını içeren, düşük güçte Non-Von Neumann bir donanım geliştirdi.
Sinirsel İşlemci Motorunun orjinal amacı, birinin değil, iki von Neumann darboğazının üstesinden gelmekti; bu da hem sistem saatinin her işareti sırasında bir merkezi işlem biriminin ortak kullanımından kaynaklıydı. Bir talimatı yerine getirmek için, ilk von Neumann darboğazı CPU’ya yüklenmesi gereken program hafızasındaki talimatlar arasında kırpılır; her bir talimata bağlı olarak, her komuta bağlı olarak, genellikle, parametreleri veya işlenenleri içeren ayrı olarak bölünmüş veri belleğinden birkaç yükleme ve depo işlemi olacaktır; örneğin talimatın birlikte çalışacağı iki sayı birlikte eklenecek. CPU sayıyı ekledikten sonra, son bir veri hafızası işlemi sonuçları (burada iki sayısal işlenenin toplamı) veri belleğine geri gönderecektir. Bu aşırı karmaşık yöntem, sadece 2 + 2’yi eklemek için bir sonraki komutu ve operandlarını program ve veri bellek darboğazları yoluyla CPU’ya yükleyerek tekrarlar.
Bu nedenle, herhangi bir von Neumann bilgisayarının genel hızı, program belleği, veri belleği ve işlemci arasındaki bu darboğazlarla sınırlıdır. Von Neumann bilgisayarları, sürekli kullanılan öğeleri koruyan her bir önbellek düzeyinde birinci seviye önbellek onun üzerinde ikinci seviye önbellek ve onun üzerinde de üçüncü seviye önbellek hiyerarşisine dönerek bu sürekli belleği hafifletmeye çalışmaktadır. Öte yandan, Non-Von Neumann mimarisinde bellek öğelerinin sayısal ve mantıksal işlemlerini gerçekleştirerek bu gereksiz load-and-store işlemlerini tamamen ortadan kaldırmaya çalışmaktadır. Bu, belirsiz olmayan polinom-zaman problemleri ile karşı karşıya kaldığında, geleneksel bilgisayarları sınırlayan sınırları kaldırır. Non-von-Neumann hızlandırıcıları ile donatılmış CPU’lar için uygun numaraları sıkıştırmaya devam ederken, zorlu sorunları non-von-Neumann bir yardımcı işleyiciden boşaltarak bu tür sorunlar hızla çözülebilir.
Kara, “Von Neumann mimarileri bazı işlemler ve uygulamalar için çok sınırlı olmasına rağmen, diğerleri için çok etkilidir” dedi. “Rutin veri merkezi işlemleri için, CPU’lar yakın gelecekte önemli bir rol oynayacaklar, ancak artık sayıları giderek artan sayıda uzmanlaşmış von-Neumann platformları, aynıgrafik işlemci birimleri (GPU’lar), özel uygulamaya özel entegre devreler (ASIC’ler), alan programlanabilir kapı dizileri (FPGA’ler) ve daha fazlası gibi desteklenmeye başlayacak. Hesaplamalı heterojenlik, kapsamlı bir trend haline gelecek.”
Beyin her problemi çözerek bu şekilde çalışır, ancak beyin farklı kısımlarını, değişken mimarilerine en uygun olan problemlere atar. Beynin ortak elektrik “biti” nöronlarından (bellek denetleyicileri) sinapsları (anıları) yoluyla gönderilen voltaj sarmısıdır. Tek bir adımla, beyin hem hesaplama yapabilir hem de sonuçlarını sansürler, ancak görme, koklama, dokunma, tadma, düşünme, planlama ve daha pek çok özel yollarla saklayabilir. Sonuç olarak beyin, en hızlı von Neumann süper bilgisayarı için ve bir kısmını (kilovattan ziyade yaklaşık 20 watt) kullanarak ve zamanın bir kısmında (saatten dakikalar yerine milisaniyeleri saniyeye saniyeler) uygun olmayan problemleri çözüyor, saniyenin milyarda birinden çok saniyenin onda birinde ölçülen bir sistem saati kullanıyor. “Belki de mevcut ve ortaya çıkan non-Von-Neumann yonga takımlarının en büyük avantajı enerji verimliliğidir – geleneksel işlemcilerle karşılaştırıldığında binlerce kat daha az enerji. Hiper ölçekli sunucu kurulumları için bu enerji verimliliği seviyesi maliyetleri ve karbon ayak izini önemli ölçüde azaltır. Uç düğüm cihazları (sensörler ve nesnelerin interneti cihazları) enerji kullanımının en aza indirgenmesini talep ediyor. Şu anda non-von-Neumann işlemci teknolojileri öncelikle makine öğrenimi ve derin öğrenme için işlemci hızlandırıcıları olarak kullanılmaktadır; Ancak, bu dar kullanım, yeni platformlar geliştirildiğinde ve piyasaya çıktığında zaman içinde genişleyecektir.” Kara sözlerine böyle devam etti.
Non-Von Neumann mimarisi insan beyni şeklinde modellenmiştir. IBM, 2016 yılında Lawrence Livermore National Labs’ın beyinini, sinaptik bağlantıları aracılığıyla nöronlar arasında gönderdiği dijital çarpılara doğru modelleyen TrueNorth mimarisi ile birlikte çalışmaya başlamasıyla ilk kez piyasaya çıktı. IBM’in TrueNorth e-beyin cipsi projesinin lideri olan IBM Fellow (ve 2006 ACM Gordon Bell Ödülü sahibi) Dharmendra Modha, şirketin ultra-düşük güçlü TrueNorth Sinir Sinaptiği Sisteminin, ultra düşük güçlü retinalı kameralar ve diğer sensörler ile nasıl entegre olabileceğini gösterdiğini açıkladı.
Modha bu konu hakkında “Son altı yılda IBM, sistem başına nöron sayısını 256’dan 64 milyondan fazla, yıllık% 800’lük bir artışla genişletti” dedi. Modha IBM Research-Almaden’de beyinden esinlenilen bilgi işlem için baş bilim insanıdır. “IBM, TrueNorth’u kullanmayı kolaylaştıran uçtan uca bir ekosistem geliştirdi.” Modha, şirketin TrueNorth donanımını beş kıtada 40’ın üzerinde araştırma kurumunda yaklaşık 200 araştırmacı elinde tuttuğunu belirtti ve bir takım uygulamaların sergilendiğini belirtti. Intel, TrueNorth’e benzer öğrenme fişleri yarattığını, ancak bu yılın ilerleyen dönemlerinde piyasaya sürmeyi umduğunu ve henüz ticari olmadığını söyledi. Şirket, karmaşık çiplerin beyninin yapay zeka yazılımı şirketi Nervana’yı satın almasıyla beraber gelişme göstermiştir.
Kurumsal başkan yardımcısı ve Intel Laboratuarları’nın genel müdürü Michael Mayberry “AI’nın geleceği, her çeşit sıradan cihazları akıllı hale getirmek için insan benzeri sensörleri beyin benzeri AI ile birlikte kullanacaktır” dedi. “İlk müdahale edenler kayıp ya da kaçırılan insanları çabucak bulmak için sokak lambası kamera görüntülerini analiz ederek insana benzer görüntü tanıma özelliğini kullanacak ve akıllı trafik işaretleri otomatik olarak zamanlamalarını trafik akışıyla senkronize edecek şekilde ayarlayacak ve bu sayede tıkanıklığı azaltıp başlangıçların ve gecikmelerin en iyi duruma getirilmesi sağlanacak.” diye devam etti.
Diğer şirketler insan beyninin sinir ağlarını taklit etmek için yoğunlaşırken, IBM son zamanlarda ilginç bir Non-Von Neumann mimarisi geliştirdi.IBM Research – Zürich araştırmacıları tarafından Ekim’de Nature dergisinde yayınlanan bir makale, sinaptik benzeri veri setlerini hafızasında çalıştırmak için CPU’suz bir nöron gibi bir bellek denetleyicisi kullanan bir Non-Von Neumann mimarisi tanımlıyor. Faz değişim anılarının kristalizasyon dinamiklerinden yararlanıldığı belirtildi.
Tüm bu mimariler için en büyük soru, programcıların non-von-Neumann beyinlerinin non-von-Neumann bilgisayarların programlanması konusunda sorun yaşayıp yaşamayacağıdır. Geleneksel bilgisayarları günümüzde programlamanın bu kadar kolay olmasının bir nedeni, Von Neumann mimarisinin, diğer mimarilere göre çok daha basit olmasıdır. Kendi beynimizi çok iyi anlayamazsak, bilgisayarları modelleyen programlama sistemleri yeni “insan” darboğazı haline gelebilir mi?
Kara, “Non-Von Neumann mimarileri, çekirdek sistemler veya işlemci hızlandırıcıları olarak çoğaldıkça, bir programlama darboğazı da gelişebilir. Yazılım mühendisleri, onlarca yıldır birlikte çalıştıkları geliştirme dilleri ve araç setleri (ayrıca eğitim, öğretim ve yazılım geliştirme metodolojileri) bir Von Neumann çalışma zamanı mimarisi varsayar. Uzmanlaşmış Non-Von Neumann yonga setleri, özel yazılım tasarım kitleri, çerçeveler, kütüphaneler, eğitimler ve daha fazlası gerektirir.” diye sözlerini bitirdi.”
Non-Von Neumann mimarisi ve kuantum bilgisayarları hakkında daha çok bilgi edinmek için linke tıklayın.
Bir yanıt bırakın