Dünyanın İlk Analog Optik Bilgisayarı

dunyanin ilk analog optik bilgisayari

Microsoft dünya’nın ilk analog optik bilgisayarını üretti. Microsoft araştırma geliştirme ekibi optimizasyon problemlerinin çözümünde kullanmak üzere geleneksel bilgisayarlardaki transistörler yerine foton ve elektron kullanan sistem çok karmaşık optimizasyon problemlerini kısa sürede uygun maliyete çözebiliyor. Önümüzdeki 10 yıl içerisinde Kuantum bilgisayar üretme planları bulunan Microsoft’un bu çalışması dijitalleşme yolculuğunda farklı bir boyut açacak görünüyor.

Analog İteratif Makina (AIM)

Bilgi işlemin sıfırlar ve birlerin ikili sınırlarıyla sınırlı olmadığı, bunun yerine sürekli değer verilerinin geniş olanaklarını keşfetmekte özgür olduğu bir dünya hayal edin. Son üç yıldır Microsoft araştırmacılarından oluşan bir ekip, ikili verileri işlemek için transistörleri kullanan günümüz dijital bilgisayarlarının aksine, sürekli değer verilerini işlemek için fotonları ve elektronları kullanan yeni bir tür analog optik bilgisayar geliştirmektedir. Bu yenilikçi yeni makine, en son dijital teknolojiyi gölgede bırakarak gelecek yıllarda bilgi işlemde dönüşüm yaratma potansiyeline sahip.

Analog İteratif Makine (AIM) finans, lojistik, ulaşım, enerji, sağlık ve üretim gibi birçok sektörün temelini oluşturan zorlu optimizasyon problemlerini çözmek için tasarlanmıştır. Ancak geleneksel dijital bilgisayarlar bu problemleri zamanında, enerji tasarruflu ve uygun maliyetli bir şekilde çözmekte zorlanmaktadır. Bunun nedeni, problem boyutu büyüdükçe olası kombinasyonların sayısının katlanarak artması ve en güçlü dijital bilgisayarlar için bile büyük bir zorluk haline gelmesidir.

Seyahat Eden Satıcı Problemi (Traveling Salesman Problem) klasik bir örnektir. Başlangıç noktasına dönmeden önce bir dizi şehri sadece bir kez ziyaret etmek için en verimli rotayı bulmaya çalıştığınızı düşünün. Sadece beş şehirde 12 olası rota vardır – ancak 61 şehirlik bir problem için, potansiyel rotaların sayısı evrendeki atom sayısını aşar.

AIM eşzamanlı iki eğilimi ele almaktadır. Birincisi, dijital çiplerde dolar başına düşen bilgi işlem kapasitesindeki azalan büyümeyi ya da Moore Yasası’nın çözülmesini önler. İkincisi, optimizasyon problemlerini çözmek için tasarlanmış özel makinelerin sınırlamalarının üstesinden gelir. Yirmi yılı aşkın araştırma ve önemli endüstri yatırımlarına rağmen, bu tür geleneksel olmayan donanım tabanlı makineler, yalnızca ikili değerlerle optimizasyon problemlerini ele alabildikleri için sınırlı bir pratik uygulama yelpazesine sahiptir. Optimizasyon topluluğundaki bu acı gerçek, ekibi matematiksel içgörüleri en son algoritmik ve donanımsal gelişmelerle birleştiren bir tasarımla AIM’i geliştirmeye itti.

Sonuç “Işık hızında çalışırken çok daha geniş bir yelpazedeki gerçek dünya optimizasyon problemlerini çözebilen ve yaklaşık yüz kat potansiyel hız ve verimlilik artışı sunan bir analog optik bilgisayar.”

Bugün AIM hala bir araştırma projesi olmakla birlikte, disiplinler arası ekip kısa süre önce karma – sürekli ve ikili – optimizasyon problemleri için dünyanın ilk opto-elektronik donanımını bir araya getirdi. Şu anda sınırlı bir ölçekte çalışıyor olsa da, ilk sonuçlar umut verici ve ekip çabalarını ölçeklendirmeye başladı. Buna, AIM bilgisayarında finans piyasaları için kritik öneme sahip bir optimizasyon problemini çözmek üzere İngiltere merkezli çok uluslu banka Barclays ile yapılan bir araştırma işbirliği de dahildir. Ayrı çalışmalar, sektöre özgü optimizasyon problemlerinin çözümünde daha fazla deneyim kazanmayı amaçlamaktadır. Haziran 2023’te ekip, ortakların bu yeni bilgisayar türünün yarattığı fırsatları keşfetmelerine olanak sağlamak için bir AIM simülatörü sağlayan çevrimiçi bir hizmet başlattı.

Teknoloji

Fotonların birbirleriyle etkileşime girmeme gibi olağanüstü bir özelliği vardır ve bu özellik büyük miktarda verinin ışık üzerinden uzak mesafelere iletilmesini sağlayarak internet çağını desteklemiştir. Bununla birlikte, fotonlar yayıldıkları madde ile etkileşime girerek optimizasyon uygulamalarının temelini oluşturan toplama ve çarpma gibi doğrusal işlemlere olanak tanır. Örneğin, akıllı telefonlarımızdaki kamera sensörüne ışık düştüğünde, gelen fotonları toplar ve eşdeğer miktarda akım üretir. Ayrıca, evlere ve işyerlerine internet bağlantısı sağlayan fiber üzerinden veri iletimi, yoğunluğunu programlı olarak kontrol ederek sıfırları ve birleri ışığa kodlamaya dayanır. Işık-madde etkileşimi yoluyla ışığın bu şekilde ölçeklendirilmesi, ışık yoğunluğunu belirli bir değerle çarpar – optik alanda çarpma. Doğrusal işlemler için optik teknolojilerin ötesinde, günlük teknolojilerde yaygın olan çeşitli diğer elektronik bileşenler de verimli optimizasyon algoritmaları için kritik olan doğrusal olmayan işlemleri gerçekleştirebilir.

Analog optik hesaplama, gerekli hesaplamayı yakalayan denklemler tarafından yönetilen analog teknolojilerin (hem optik hem de elektronik) bir kombinasyonunu kullanarak fiziksel bir sistem oluşturmayı içerir. Bu, doğrusal ve doğrusal olmayan işlemlerin baskın olduğu belirli uygulama sınıfları için çok verimli olabilir. Optimizasyon problemlerinde en uygun çözümü bulmak, akıl almaz derecede büyük bir samanlıkta iğne aramaya benzer. Ekip, bu tür iğne bulma görevlerinde son derece verimli olan yeni bir algoritma geliştirdi. Algoritmanın temel işlemi, yüz binlerce hatta milyonlarca vektör-matris çarpımının gerçekleştirilmesini içeriyor – vektörler, değerleri belirlenmesi gereken problem değişkenlerini temsil ederken, matris problemin kendisini kodluyor. Bu çarpımlar, Şekil 1’de gösterildiği gibi, yaygın optik ve elektronik teknolojileri kullanılarak hızlı bir şekilde ve düşük enerji tüketimiyle gerçekleştirilir.

Şekil 1: AIM bilgisayar çizimi: Yaygın optik teknolojileri (arkada) ve analog elektronikler (önde) kullanılarak uygulanan doğrusal olmayanlığı (non-linearity) kullanarak büyük ölçüde paralel vektör-matris çarpımı uygulayan AIM bilgisayarının gösterimi. Vektör bir dizi ışık kaynağı kullanılarak temsil edilir, matris modülatör dizisine gömülür (gri tonlamalı olarak gösterilmiştir) ve sonuç kamera sensöründe toplanır.

 

Şekil 2: 48 değişkenli ikinci nesil AIM bilgisayarı rafa monte edilen bir cihazdır.

Tüm bu bileşenlerin santimetre ölçeğindeki küçük çipler üzerinde minyatürleştirilmesi sayesinde, AIM bilgisayarının tamamı Şekil 2’de gösterildiği gibi küçük bir raf muhafazasına sığmaktadır. Işık inanılmaz derecede hızlı hareket ettiğinden (metre başına 5 nanosaniye), AIM bilgisayarındaki her yineleme önemli ölçüde daha hızlıdır ve aynı algoritmayı dijital bir bilgisayarda çalıştırmaktan daha az elektrik tüketir. Daha da önemlisi, tüm problem bilgisayarın içindeki modülatör matrisine gömülü olduğundan, AIM problemin depolama ve hesaplama konumları arasında ileri geri aktarılmasını gerektirmez. Ve senkron dijital bilgisayarların aksine, AIM’nin çalışması tamamen asenkrondur. Bu mimari seçimler, dijital bilgisayarlar için önemli tarihsel darboğazları aşmaktadır.

Son olarak, AIM’de kullanılan tüm teknolojiler, mevcut üretim ekosistemlerine sahip tüketici ürünlerinde zaten yaygındır; bu da, tüm teknik zorluklar ekip tarafından giderilebilirse, tam ölçekte uygulanabilir bir bilgi işlem platformunun yolunu açar.

Optimizasyon problemlerinin önemi

Optimizasyon problemleri, bir dizi uygulanabilir alternatif arasından mümkün olan en iyi çözümü bulmayı gerektiren matematiksel zorluklardır. Modern dünya, elektrik şebekelerimizdeki elektriği yönetmekten deniz, hava ve karadaki mal teslimatını düzene sokmaya ve internet trafiği yönlendirmesini optimize etmeye kadar bu sorunların verimli çözümlerine büyük ölçüde güvenmektedir.

Optimizasyon problemlerinin etkili ve verimli bir şekilde çözülmesi, diğer birçok sektördeki süreçleri ve sonuçları önemli ölçüde iyileştirebilir. Örneğin, portföy optimizasyonunun riskleri en aza indirirken getirileri en üst düzeye çıkarmak için ideal varlık kombinasyonunu seçmeyi içerdiği finans sektörünü ele alalım. Sağlık hizmetlerinde, hasta planlamasının optimize edilmesi kaynak tahsisini geliştirebilir ve hastanelerdeki bekleme sürelerini en aza indirebilir.

Birçok büyük problem için, dünyanın en büyük süper bilgisayarının bile bu tür problemlere en uygun çözümü bulması yıllar, hatta yüzyıllar alacaktır. Yaygın bir geçici çözüm sezgisel algoritmalardır – kısayollar veya “temel kurallar” kullanarak yaklaşık çözümler sağlayan problem çözme teknikleri.

Bu algoritmalar optimal bir çözümün bulunmasını garanti etmese de, makul zaman dilimlerinde optimale yakın çözümler bulmak için en pratik ve verimli yöntemlerdir. Şimdi, bu kritik sorunlar için çok daha kısa bir zaman diliminde daha optimal çözümler sunabilecek bir bilgisayarın muazzam etkisini hayal edin. Bazı durumlarda, bu sorunların gerçek zamanlı olarak çözülmesi, olumlu sonuçların domino etkisini yaratarak tüm iş akışlarında ve sektörlerde devrim yaratabilir.

QUMO: QUBO’nun ötesinde bir dünya

Yıllardır, hem endüstrideki hem de akademideki araştırmacılar, sezgisel algoritmalar kullanarak optimizasyon problemlerini verimli bir şekilde çözmek için etkileyici özel makineler inşa ettiler. Bu makineler arasında sahada programlanabilir kapı dizileri (FPGA’lar), kuantum tavlayıcılar ve elektrikli ve optik parametrik osilatör sistemleri gibi bir dizi özel donanım bulunmaktadır. Bununla birlikte, bunların hepsi zor optimizasyon problemlerini genellikle Ising, Max-Cut veya QUBO (ikinci dereceden kısıtsız ikili optimizasyon) olarak adlandırılan aynı ikili gösterime eşlemeye dayanmaktadır. Ne yazık ki, bu çabaların hiçbiri geleneksel bilgisayarlara pratik bir alternatif sunmamıştır. Bunun nedeni, ekibin endüstri ve akademideki uygulayıcılarla etkileşiminde ortak bir tema olan gerçek dünya optimizasyon problemlerini ikili soyutlama ölçeğinde eşleştirmenin çok zor olmasıdır.

AIM ile ekip, QUMO (kuadratik kısıtsız karma optimizasyon) adı verilen, karma – ikili ve sürekli – değişkenleri temsil edebilen ve donanım uygulamasıyla uyumlu olan daha etkileyici bir matematiksel soyutlama getirmiştir, bu da onu birçok pratik, ağır kısıtlı optimizasyon problemi için “tatlı nokta-sweetspot” haline getirmektedir. Sektör uzmanlarıyla yapılan görüşmeler, AIM’nin 10.000 değişkene ölçeklendirilmesinin, daha önce tartışılan pratik sorunların çoğunun erişilebilir olduğu anlamına geleceğini göstermektedir. QUMO soyutlamasına doğrudan eşlenebilen 10.000 değişkenli bir problem, 10.000 fiziksel değişkene sahip bir AIM bilgisayarı gerektirecektir. Buna karşılık, mevcut özel makinelerin bir milyondan fazla fiziksel değişkene ölçeklenmesi gerekecektir ki bu da temel donanımın yeteneklerinin çok ötesindedir.

AIM ayrıca bu tür QUMO problemlerini çözmek için makine öğreniminde de popüler olan bir teknik olan gradyan inişinin gelişmiş bir formuna dayanan yeni ve verimli bir algoritma uygular. Algoritma, endüstriyel olarak esinlenilmiş çeşitli problem ölçütlerinde oldukça rekabetçi performans ve doğruluk göstermektedir. Hatta dört problem için şimdiye kadarki en iyi çözümleri keşfetti. Geçen yıl inşa edilen birinci nesil AIM bilgisayarı, 7 bite kadar doğrulukla temsil edilen QUMO optimizasyon problemlerini çözüyor. Ekip, bilgisayarın ölçeği büyütüldükçe bu verimlilik kazanımlarının uygulanabilirliği konusunda daha fazla güven kazanmak için AIM bilgisayarının simüle edilmiş ve donanım versiyonu arasında iyi bir niceliksel uyum olduğunu da göstermiştir. Bu makale AIM mimarisi, uygulaması, değerlendirmesi ve ölçeklendirme yol haritası hakkında daha fazla ayrıntı vermektedir.

Şekil 3: AIM’in tasarımı optik ve analog donanım, matematik ve algoritmalar ile yazılım ve sistem mimarisinin kesiştiği noktalarda inovasyonu içeriyor ve bu da pratik sorunları çözen bir bilgisayar inşa etme misyonu doğrultusunda el ele çalışan ekibin disiplinler arası doğasında kendini gösteriyor. AIM ekibinin fotoğrafı – Ön sıra (soldan sağa): Doug Kelly, Jiaqi Chu, James Clegg, Babak Rahmani. Arka sıra: Hitesh Ballani, George Mourgias-Alexandris, Daniel Cletheroe, Francesca Parmigiani, Lucinda Pickup, Grace Brennan, Ant Rowstron, Kirill Kalinin, Jonathan Westcott, Christos Gkantsidis. (Greg O’Shea ve Jannes Gladrow bu fotoğrafta görünmüyor.)

QUMO ile optimizasyonu yeniden düşünmek

AIM’in alışılmadık donanımları etkileyici bir soyutlama ve yeni bir algoritma ile birlikte tasarlama planı, daha etkileyici QUMO soyutlamasını kullanarak optimizasyon teknikleri, donanım platformları ve otomatik problem eşleme prosedürlerinde yeni bir çağ başlatma potansiyeline sahiptir.

Bu heyecan verici yolculuk, finans ve sağlık hizmetleri gibi çeşitli alanlardaki problemlerin AIM’in QUMO soyutlamasıyla eşleştirilmesinden elde edilen umut verici sonuçlarla çoktan başladı. Son araştırmalar, sürekli değişkenlerle artan ifade gücünün, ele alınabilecek gerçek dünya iş sorunlarını önemli ölçüde genişletebileceğini zaten göstermiştir. Ancak ekibin bildiği kadarıyla AIM, bu soyutlamayı yerel olarak destekleyen ilk ve tek donanımdır.

Yeni bir soyutlamaya girişirken, yeni düşünme biçimleri de benimsenmelidir. QUMO’yu benimsemenin faydalarını derinlemesine araştırmak için ekibin güçlü bir topluluk oluşturması çok önemlidir. Daha önce ikili çözücülerin sınırlamaları nedeniyle caydırılmış olan kişileri, AIM’in QUMO soyutlamasının sunduğu yeni fırsatları değerlendirmeye davet ediliyor. Bunu kolaylaştırmak için, AIM simülatörü bir hizmet olarak sunuluyor. Bu kapsamda seçilen kullanıcıların ilk elden deneyim kazanacaklar. Simülatörün ilk kullanıcıları Princeton Üniversitesi ve Cambridge Üniversitesidir. AIM bilgisayarının ve soyutlamasının çok daha doğal bir uyum sağladığı birkaç heyecan verici sorunu belirlenmesine yardımcı oldular. Ayrıca, optimizasyonun çok önemli olduğu sektörlerde Microsoft’un dahili bölümlerinden ve harici şirketlerden fikir liderleriyle aktif olarak iletişim halinde çalışılıyor.

Ekip, birlikte inovasyonu teşvik edebilir ve endüstrideki en karmaşık optimizasyon problemlerinden bazılarını çözmek için analog optik hesaplamanın gerçek potansiyelinin ortaya çıkarılabileceğini belirtiyor.

Kaynak:

İlk yorum yapan olun

Bir yanıt bırakın

E-posta hesabınız yayımlanmayacak.


*