P-datorer kan förändra framtiden för informationsteknik för gott. Det finns en akut efterfrågan på ytterligare teknologi som är skalbar och energieffektiv på grund av tillkomsten av artificiell intelligens (AI) och maskininlärning (ML). Att göra bedömningar baserade på otillräcklig data är ett avgörande steg i både AI och ML, och den optimala strategin är att mata ut en sannolikhet för varje potentiell respons.

P-datorer drivs av probabilistiska bitar

På grund av oförmågan hos nuvarande klassiska datorer att göra den uppgiften på ett energieffektivt sätt, letar forskare efter nya datorparadigm. Qubit-baserade kvantdatorer kanske kan hjälpa till att övervinna dessa svårigheter, men de är fortfarande i de tidiga forskningsfaserna och är mycket känsliga för sin omgivning.

Det är ett oundvikligt faktum att artificiell intelligens kommer att förändra framtiden totalt. Bortsett från den vetenskapliga utvecklingen tycks juridiska regleringar bana väg för användning av artificiell intelligens, till exempel, Storbritannien lättar på restriktioner för datautvinningslagar för att underlätta AI-industrins tillväxt.

Kerem Camsari, biträdande professor i el- och datorteknik (ECE) vid UC Santa Barbara, tror att probabilistiska datorer (p-datorer) är lösningen. P-datorer drivs av probabilistiska bitar (p-bitar), som interagerar med andra p-bitar i samma system. Till skillnad från bitarna i klassiska datorer, som är i ett 0- eller 1-tillstånd, eller qubits, som kan vara i mer än ett tillstånd åt gången, fluktuerar p-bitar mellan positioner och fungerar vid rumstemperatur. I en artikel publicerad i Naturelektronik, Camsari och hans medarbetare diskuterar sitt projekt som visade löftet om p-datorer.

"Vi visade att i sig sannolikhetsdatorer, byggda av p-bitar, kan överträffa den senaste mjukvaran som har varit under utveckling i årtionden", säger Camsari.

Forskare från University of Messina i Italien, vice ordförande för UCSB ECE-avdelningen Luke Theogarajan och fysikprofessor John Martinis, som övervakade gruppen som skapade den första kvantdatorn för att uppnå kvantöverlägsenhet, arbetade alla med Camsaris team. Tillsammans tog forskarna fram sina uppmuntrande resultat med hjälp av domänspecifika arkitekturer byggda på traditionell hårdvara. De skapade en speciell sparsam Ising-maskin (sIm), ett banbrytande datorsystem utformat för att hantera optimeringsproblem och minska energianvändningen.

Enligt Camsari är sIm en grupp av probabilistiska bitar som kan jämföras med individer. Dessutom har varje individ bara en liten grupp nära vänner, eller "glesa" relationer, i systemet.

"Människorna kan fatta beslut snabbt eftersom de var och en har en liten uppsättning betrodda vänner och de behöver inte höra från alla i ett helt nätverk. Processen genom vilken dessa agenter når konsensus liknar den som används för att lösa ett svårt optimeringsproblem som uppfyller många olika begränsningar. Sparse Ising-maskiner tillåter oss att formulera och lösa en mängd olika sådana optimeringsproblem med samma hårdvara”, förklarade Camsari.

Fältprogrammerbara gate arrays (FPGAs), en kraftfull hårdvara som erbjuder mycket mer flexibilitet än applikationsspecifika integrerade kretsar, var en del av teamets prototypdesign.

"Föreställ dig ett datorchip som låter dig programmera anslutningarna mellan p-bitar i ett nätverk utan att behöva tillverka ett nytt chip", sa Camsari.

Forskarna visade att deras sparsamma design på FPGA:er har ökat samplingshastigheten fem till arton gånger snabbare än de som uppnås med optimerade metoder som används på konventionella datorer, vilket var upp till sex storleksordningar snabbare.

Dessutom uppgav de att deras sIm uppnår enorm parallellitet där antalet p-bitar växer linjärt med antalet flips per sekund, det grundläggande mått som används för att bestämma hur snabbt en p-dator kan fatta ett välgrundat beslut. Camsari återvänder till bilden av två pålitliga vänner som försöker bestämma sig.

"Nyckelfrågan är att processen för att nå konsensus kräver stark kommunikation mellan människor som ständigt pratar med varandra baserat på deras senaste tänkande. Om alla fattar beslut utan att lyssna kan en konsensus inte nås och optimeringsproblemet är inte löst”, tillade Camsari.

Med andra ord är det viktigt att öka vändningarna per sekund samtidigt som man ser till att alla lyssnar på varandra eftersom ju snabbare p-bitarna kommunicerar, desto snabbare kan en konsensus bildas.

"Det är precis vad vi uppnådde i vår design. Genom att se till att alla lyssnar på varandra och begränsa antalet "människor" som kunde vara vänner med varandra, parallelliserade vi beslutsprocessen”, förklarade Camsari.

Samtidigt som Camsari erkänner att deras idéer bara är en del av p-computer sticksågen, tycker Camsari att deras arbete är otroligt lovande eftersom det visade kapaciteten att växa p-datorer upp till 5,000 XNUMX p-bitar.

"För oss var dessa resultat toppen av ett isberg. Vi använde befintlig transistorteknik för att efterlikna våra probabilistiska arkitekturer, men om nanoenheter med mycket högre integrationsnivåer används för att bygga p-datorer skulle fördelarna vara enorma. Det är detta som får mig att tappa sömn”, tillade Camsari.

Enhetens potential demonstrerades ursprungligen av en 8 p-bitars p-dator skapad av Camsari och hans partners medan han var doktorand och postdoktor vid Purdue University. Deras artikel, som publicerades 2019 i Nature, beskriver en tiofaldig minskning av energin den använde och en hundrafaldig minskning av områdets fotavtryck. Camsari och Theogarajan kunde vidareutveckla sin p-datorforskning tack vare såddfinansiering från UCSB:s Institute for Energy Efficiency, som stödde studien publicerad i Nature Electronics.

"De första resultaten, i kombination med våra senaste resultat, innebär att det bara kan vara möjligt att bygga p-datorer med miljontals p-bitar för att lösa optimerings- eller probabilistiska beslutsfattande problem med konkurrenskraftiga prestanda", säger Camsari.

Studieteamet förutser att en dag kommer p-datorer att bli snabbare och effektivare för att hantera en viss klass av uppgifter, sådana som till sin natur är sannolikhet. Om du gillade den här artikeln kolla in hur den senaste studien visade att det är möjligt förbättra tolkningen av ML-funktioner för slutanvändare.