فناوری های نوظهور در نسل های آتی رایانش فوق سریع: معرفی، دسته بندی و فرصت های تحقیقاتی پیش رو
محورهای موضوعی : فناوری اطلاعات و ارتباطاتمحمود نعمت اله زاده 1 , احسان آریانیان 2 * , مسعود حایری خیاوی 3 , نيلوفر قلي پور 4 , عبدالله سپهوند 5
1 - پژوهشگاه ارتباطات و فناوري اطلاعات
2 - .مرکز تحقیقات مخابرات ایران
3 - پژوهشگاه ارتباطات و فناوري اطلاعات
4 - پژوهشگاه ارتباطات و فناوري اطلاعات
5 - پژوهشگاه ارتباطات و فناوري اطلاعات
کلید واژه: رایانش فوق سر یع, رایانش کوانتومي, رایانش مولکولي, رایانش زی ست ي, رایانش ع صبگون, رایانش نوري, رایانش نانو, رایانش حافظهاي.,
چکیده مقاله :
با توجه به رشد سریع و همه جانبه زندگي بشري و وابستگي بیش از پیش آن به فناوريهاي دیجیتال، نیاز ما به انجام رایانشهاي فوق سریع روز به روز در حال افزایش است. تاکنون عمده پاسخگویي به نیازهاي رایانش فوق سریع در دنیا مبتني بر فناوريهاي متعارف سیلیکوني بوده است، این در حالي است که با توجه به پیش بیني گوردون مور، پایان عصر فناوريهاي مبتني بر سیلیکون )عصر مور( نزدیک است. این واقعیت دانشمندان را به سمت استفاده از فناوريهاي نوظهوري همانند: رایانش کوانتومي، رایانش مولکولي، رایانش زیستي، رایانش نوري، رایانش نانو، رایانش حافظه اي و اقسام مشابه آن سوق داده است. در این مقاله، ضمن معرفي اجمالي این فناوريها و نحوه مشارکت آنها در حوزه رایانهها، به بررسي وضعیت حال و آینده آنها پرداخته شده و چالشهاي موجود در آنها مورد بررسي قرار ميگیرد. همچنین، با ارائه دستهبندي مربوط به هرکدام از این فناوري ها، از جنبه رایانشي، موضوعات و چالشهاي تحقیقاتي موجود در آنها ارائه ميگردد که ميتواند چراغ راه تحقیق و پژوهش آتي در حوزههاي مختلف مربوط به آنها باشد. در انتهاي مقاله نیز به مقایسه میزان اقبال به این فناوریها در مراجع علمي و تحقیقاتي از طریق بررسي آمار چاپ مقالات و کتابها در حوزههاي مذکور از سال 2017 تا 2021 پرداخته شده است و اینکه کدام یک از این فناوريها قابلیت ارایه مدل محاسباتي نوین در رایانه هاي فوق سریع آینده را خواهند داشت.
Due to the rapid growth of science and technology, their need for high performance computing is increasing everyday. So far, the majority of the world's high performance computing needs have been based on conventional silicon-based technologies, but the end of the age of silicon-based technologies is near, and this fact has led scientists to use emerging technologies such as quantum computing, bio computing, optical computing and similar technologies. Although some of these technologies are not new and the initial introduction of some of them dates back to some decades ago, but due to the attractiveness of classical silicon-based computing and the speed of development in it, have been neglected to date. However, recently, these technologies have begun to be used to build scalable high performance computers. In this paper, we introduce these technologies and how they participate in the field of high performance computing, their current and future status, and their challenges. Also, the taxonomy related to each of these technologies from the computational point of view as well as their research topics are presented, which can be utilized for future research in this field.
[ ]. Moore, Gordon. "Moore’s law." Electronics Magazine 38.8 (1965): 114.
[ ]. Mack, Chris. "The multiple lives of Moore's law." IEEE Spectrum 52.4 (2015): 31-31.
[ ]. Burstein, Elias, and Stig Lundqvist, eds. Tunneling phenomena in solids. New York: Plenum Press, 1969.
[ ]. https://en.wikipedia.org/wiki/Moores_law
[ ]. https://www.top500.org/
[ ]. Aaronson, Scott. "The limits of quantum." Scientific American 298.3 (2008): 62-69.
[ ]. Hartnett, Kevin. "Finally, a Problem That Only Quantum Computers Will Ever Be Able to Solve.", Quanta Magazine, 2018.
[ ]. Lucas, Andrew. "Ising formulations of many NP problems." Frontiers in physics 2, 2014.
[ ]. Markov, Igor L., et al. "Quantum supremacy is both closer and farther than it appears." arXiv preprint arXiv:1807.10749 (2018).
[ ]. Häner, Thomas, and Damian S. Steiger. "5 petabyte simulation of a 45-qubit quantum circuit." Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis. 2017.
[ ] E. Wiseman, "Next Generation Computing," National Research Council of Canada / Government of Canada, Montreal, 2016.
[ ] "computersciencedegreehub," 2021. [Online]. Available: https://www.computersciencedegreehub.com/biocomputing/.
[ ] Gexiang Zhang; Zeyi Shang; Sergey Verlan ET AL, "An Overview of Hardware Implementation of Membrane Computing Models," ACM Computing Surveys, vol. 53, no. 4, p. 1–38, 2020.
[ ] A.-M. Ionescu, MEMBRANE COMPUTING: TRACES, NEURAL INSPIRED MODELS, CONTROLS, VDM Verlag, 2009.
[ ] M. Amos, "DNA computing," Encyclopedia Britannica, Agust 2021. [Online]. Available: https://www.britannica.com/technology/DNA-computing
[ ] Ping, Zhi; Ma, Dongzhao; Huang, Xiaoluo et al, "Carbon-based archiving: current progress and future prospects of DNA-based data storage," GigaScience, vol. 8, no. 6, 2019.
[ ] Katz, Evgeny. "DNA Computing: Origination, Motivation, and Goals–Illustrated Introduction." DNA‐and RNA‐Based Computing Systems (2021): 1-14.
[ ] Im, In Hyuk; Kim, Seung Ju; Jang, Ho Won, "Memristive Devices for New Computing Paradigms," Advanced Intelligent Systems, vol. 2, no. 11, 2020.
[ ] V. P. Torres J.J., "Modeling Biological Neural Networks," in Handbook of Natural Computing, Berlin, Heidelberg, Springer, 2012, pp. 533-564.
[ ] "PARALLEL NETWORK-BASED BIOCOMPUTATION," [Online]. Available: https://bio4comp.org/.
[ ] Angel Goñi-Moreno; Pablo I. Nikel, "High-Performance Biocomputing in Synthetic Biology–Integrated Transcriptional and Metabolic Circuits," frontiersin, 2019.
[ ] Sandro Fiore; Mohamed Bakhouya; Waleed W. Smari, "On the road to exascale: Advances in High Performance Computing and Simulations—An overview and editorial," Future Generation Computer Systems, vol. 82, pp. 450-458, 2018.
[ ]. “Optical Comput. Wikipedia, Free Encycl. https//en.wikipedia.org/wiki/ Opt.
[ ]. Naughton, Thomas J., and Damien Woods. "Optical computing." (2015): 1-26.
[ ]. Jain, K., and G. W. Pratt Jr. "Optical transistors and logic circuits embodying the same." US Pat 4 (1983).
[ ]Rao, Dalai G. Sankar, Sandip Swarnakar, and Santosh Kumar. "Performance analysis of all-optical NAND,
NOR, and XNOR logic gates using photonic crystal waveguide for optical computing applications." Optical Engineering 59.5 (2020): 057101. [ ]. Lacava, Cosimo, et al. "Si-rich silicon nitride for nonlinear signal processing applications." Scientific Reports 7.1 (2017): 1-13.
[ ]. Bowers, John E., and Alan Y. Liu. "A comparison of four approaches to photonic integration." Optical Fiber Communication Conference. Optical Society of America, 2017.
[ ]. Fu, Y., Hu, X., & Gong, Q. (2013). Silicon photonic crystal all-optical logic gates. Physics Letters A, 377(3), 329–333. https://doi.org/https://doi.org/10.1016/j.physleta.2012.11.034
[ ] Singh, Jeevan Jot, Divya Dhawan, and Neena Gupta. "All-optical photonic crystal logic gates for optical computing: an extensive review." Optical Engineering 59.11 (2020): 110901. [ ] Sun, Chen, et al. "Single-chip microprocessor that communicates directly u
sing light." Nature 528.7583 (2015): 534-538.
[ ] Oltean, Mihai, and Oana Muntean. "Solving the subset-sum problem with a light-based device." Natural Computing 8.2 (2009): 321-331.
[ ] Oltean, Mihai. "A light-based device for solving the Hamiltonian path problem." International Conference on Unconventional Computation. Springer, Berlin, Heidelberg, 200
دو فصلنامه علمي فناوري اطلاعات و ارتباطات ایران | سال پانزدهم، شمارههاي 55 و 56، بهار و تابستان 1402 صفحات:26 تا 46 |
|
Emerging technologies in future generations of high performance computing: introduction, taxonomy and future research directions
Mahmood Nematollah zade*,Ehsan Arianyan*,Masoud Hayery Khyavy**,Niloofar Gholipour**, Abdollah Sepahvand**
*Ph.D., Information and Communication Technology Research Institute, Tehran, Iran
Master's degree, Information and Communication Technology Research Institute, Tehran, Iran**
Abstract
Due to the rapid growth of science and technology, their need for high performance computing is increasing everyday. So far, the majority of the world's high performance computing needs have been based on conventional silicon-based technologies, but the end of the age of silicon-based technologies is near, and this fact has led scientists to use emerging technologies such as quantum computing, bio computing, optical computing and similar technologies. Although some of these technologies are not new and the initial introduction of some of them dates back to some decades ago, but due to the attractiveness of classical silicon-based computing and the speed of development in it, have been neglected to date. However, recently, these technologies have begun to be used to build scalable high performance computers. In this paper, we introduce these technologies and how they participate in the field of high performance computing, their current and future status, and their challenges. Also, the taxonomy related to each of these technologies from the computational point of view as well as their research topics are presented, which can be utilized for future research in this field.
Keywords:High performance computing, quantum computing, biological computing, neuromorphic computing, optical computing, nano computing, in-memory computing.
فناوریهای نوظهور در نسلهای آتی رایانش فوق سریع: معرفی، دستهبندی و فرصتهای تحقیقاتی پیش رو
محمود نعمت الله زاده*، احسان آریانیان*1، مسعود حایری خیاوی**، نیلوفر قلی پور**، عبدالله سپهوند**
*استادیار، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران.
**کارشناسی ارشد، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران.
تاریخ دریافت: 08/09/1400 تاریخ پذیرش: 29/04/1401
چکیده
با توجه به رشد سریع و همه جانبه زندگی بشری و وابستگی بیش از پیش آن به فناوریهای دیجیتال، نیاز ما به انجام رایانشهای فوق سریع روز به روز در حال افزایش است. تاکنون عمده پاسخگویی به نیازهای رایانش فوق سریع در دنیا مبتنی بر فناوریهای متعارف سیلیکونی بوده است، این در حالی است كه با توجه به پیش بینی گوردون مور، پایان عصر فناوریهای مبتنی بر سیلیکون (عصر مور) نزدیک است. این واقعیت دانشمندان را به سمت استفاده از فناوریهای نوظهوری همانند: رایانش کوانتومی، رایانش مولکولی، رایانش زیستی، رایانش نوری، رایانش نانو، رایانش حافظهای و اقسام مشابه آن سوق داده است. در این مقاله، ضمن معرفی اجمالی این فناوریها و نحوه مشارکت آنها در حوزه رایانهها، به بررسی وضعیت حال و آینده آنها پرداخته شده و چالشهای موجود در آنها مورد بررسی قرار میگیرد. همچنین، با ارائه دستهبندی مربوط به هرکدام از این فناوریها، از جنبه رایانشی، موضوعات و چالشهای تحقیقاتی موجود در آنها ارائه میگردد كه میتواند چراغ راه تحقیق و پژوهش آتی در حوزههای مختلف مربوط به آنها باشد. در انتهای مقاله نیز به مقایسه ميزان اقبال به این فناوریها در مراجع علمي و تحقيقاتي از طريق بررسي آمار چاپ مقالات و کتابها در حوزههاي مذکور از سال 2017 تا 2021 پرداخته شده است و اینکه کدام یک از این فناوریها قابلیت ارایه مدل محاسباتی نوین در رایانه های فوق سریع آینده را خواهند داشت.
واژگان کلیدی: رایانش فوق سریع، رایانش کوانتومی، رایانش مولکولی، رایانش زیستی، رایانش عصبگون، رایانش نوری، رایانش نانو، رایانش حافظهای.
[1] نویسنده مسئول: احسان آریانیان ehsan_arianyan@itrc.ac.ir
1- مقدمه
برای دههها است که «رایانش فوق سریع» (یا HPC) نه تنها جایگاه خود را در طیف وسیعی از حوزههای کاربردی در دانشگاه و صنعت به عنوان ابزاری اساسی جهت اکتشافات، نوآوریها و گرایشهای جدید در زمینه علوم، پژوهش و توسعه، مهندسی و کسب و کار تثبیت کرده
بلکه از دو منظر راهبردی و اقتصادی نیز کاملاً شناخته شده است. رایانش فوق سریع میتواند به ارایه عملکرد بهتر رایانه در کاربردهای نوآورانه، نرمافزار و سختافزار و توانمندسازی فناوریها ادامه دهد. اما طراحی سیستمهای رایانش فوق سریع آینده، ممکن است به شدت بستگی به جهتگیری و انتخاب فناوریهای کلیدی آن داشته باشد. با توجه به این موضوع، تجزیه و تحلیل تغییرات فناوری، نشانههایی از چگونگی توسعه HPC در آینده را ارایه میدهد. با توجه به اینکه هم اکنون نیز برخی از صنایع و فناوریها از دادههای ارسالی از تجهیزات اینترنت اشیاء استفاده می نمایند و با استفاده از ادوات «لبه1» این دادهها را پیشپردازش میکنند، نیاز به HPC با قابلیتهای بالای تحلیل و شبیهسازی بیش از پیش احساس میشود. پژوهشهای ما بیانگر این حقیقت است که سیستمهای ابررایانه سریع در آینده نمیتوانند به عنوان سیستمهایی جدا از کاربردهایی که قرار است بر روی آنها اجرا شود، طراحی شوند، بلکه باید به عنوان بخشی از زیرساختهای کاربردهای نوین طراحی و عملیاتی شوند. لذا چنین بستری نیازمند حافظه قدرتمند، تراکنش دادهای بالا، قدرت پردازش سریع همراه با صرف انرژی کمتر میباشد. اما برای برآورده کردن این امکانات چالشهای زیادی خصوصا در زمینه استفاده از مواد و یکپارچهسازی، معماری و طراحی وجود دارد. پیش بینی گوردون مور که اکنون به یک قانون بدل شده است [1]، بیانگر این اصل است که به پایان عصر استفاده از فناوریهای مبتنی بر سیلیکون نزدیک شده ایم [2] و با وجود پدیده تونل زنی که در ابعاد بسیار کوچک در نیمههادیها اتفاق میافتد [3] کار عملا برای توسعه بیشتر تراشههای سیلیکونی پایان یافته است و متخصصان برای تولید ابررایانههای آینده باید به فناوریهای نامتعارف پناه برند [4].
بر اساس دانش و تجربه نویسندگان مقاله و پژوهشهایی که در طول اجرای پروژه "ابررایانه ملی سیمرغ" داشتیم به این نتیجه رسیدیم که در یک نگاه کلان، نسلهای آتی رایانش فوق سریع در دو دسته کلی قرار میگیرند؛ اول نسلهای رایانشی مرسوم که به سمت و سوی سرعتهای حدود اگزا2 در حال حرکت هستند (با توجه به آخرین فهرست ابررایانه های دنیا [5]) و دوم نسلهای رایانشی مبتنی بر فناوریهای نوظهور (نامتعارف) نظیر رایانش کوآنتومی3، رایانش زیستی4، رایانش نوری5 و رایانش حافظه ای6. بر همین اساس در این تقسیم بندیها رایانش دیگری را هم میتوان گنجاند که با عنوان رایانش نانو7 از آن یاد میشود. هرچند رایانش نانو بخش بسیار بزرگی از رایانشهای دیگر را دربر میگیرد که از آن جمله میتوان به رایانش کوانتومی، زیستی، مولکولی و حتی رایانشهای کلاسیک مبتنی بر سیلیکون هم اشاره کرد، لیکن بخشهای دیگری وجود دارند که در رایانش نانو قرار میگیرند اما در آنها ذکر نشدهاند. به همین لحاظ است که رایانش نانو هم به عنوان یکی از رایانشهای مطرح آورده میشود. بر این مبنا، در این مقاله سعی کردهایم با نگاهی به آینده حوزه رایانش فوق سریع در سطح جهان، فناوریهای نوظهور رایانشی را معرفی و مرور نموده و چالشهای مطرح در آنها و نیازمندیهای آنها را تبیین نماییم. همچنین، موضوعات تحقیقاتی مطرح در هر كدام از فناوریهای نوین رایانشی را بررسی کرده و آینده تحقیقات در این حوزه را تبیین مینماییم. این اطلاعات میتواند به سیاستگذاران، فعالین و محققین این حوزه در سطح کشور کمک کند که بتوانند مسیر درستی را جهت اقدامات آتی خود انتخاب نموده و گامهای معقولی را در این زمینه بردارند، به نحوی که در نهایت منجر به نقشآفرینی هرچه موثرتر ایران در سطح جهان در این حوزه گردد.
1. 1 بخشبندی مقاله
در ادامه این مقاله به موارد زیر بدین ترتیب خواهیم رسید: معرفی، دستهبندی و آینده فناوریهای نوین رایانشی به ترتیب در بخشهای زیر ارائه شده اند:
· رایانش كوانتومی در بخش دوم،
· رایانش زیستی در بخش سوم،
· رایانش نوری در بخش چهارم،
· رایانش حافظهای در بخش پنجم
· و رایانش نانو در بخش ششم.
در بخش هفتم به مقایسه آماری این فناوریها از دیدگاه تعدد منابع علمی هر موضوع پرداخته شده است. همچنین چرخه محبوبیت (هایپ گارتنر) نیز برای این فناوریها در همین بخش بررسی شده است. در بخش هشتم به قابلیتهای هرکدام از این فناوریها در ارایه مدل محاسباتی جدید اشاره شده و درنهایت، جمعبندی مقاله در بخش نهم ارائه گردیده است.
2- رایانش کوانتومی
به طور سنتی کامپیوترها از بیت8 برای پردازش اطلاعات استفاده میکنند، اما محاسبات کوانتومی به بیتهایی بستگی دارد که دارای خصوصیات فیزیک کوانتوم هستند و کیوبیت9 نامیده میشوند. بیتهای محاسباتی سنتی یا "0" یا "1" هستند، اما کیوبیتها میتوانند همزمان در هر دو حالت باشند. این یک ویژگی کوانتومی به نام برهم نهی10 است. ویژگی کوانتومی دیگر به نام درهم تنیدگی11، امکان اتصال (کوانتمی) کوبیتها را فراهم میکند. رایانههای کوانتومی برای حل مشکلات محاسباتی که قبلاً غیرممکن بود، از درهم تنیدگی و برهم نهی استفاده میکنند. این قابلیت باعث برتری کامپیوترهای کوانتومی بر کامپیوترهای کلاسیک میگردد.
این تصور که کامپیوترهای کوانتومی قادر به حل همه مسائل پیچیده هستند تصور اشتباهی است. رایانههای کوانتومی قرار نیست جایگزین رایانههای الکترونیکی شوند. دستهای از مسائل که در کلاس با زمان چندجملهای12P) ) قرار میگیرند، میتوانند با توجه به چندجملهای بودن زمان پردازش، توسط کامپیوترهای کلاسیک و همچنین کامپیوترهای کوانتومی در زمانی منطقی محاسبه شوند [6]. اما دستهای که در کلاس با زمان چندجملهای غیرقطعی13 (NP) قرار دارند، با توجه به آن که زمان پردازش آنها به صورت نمایی است، در کلاس پیچیدهتری قرار خواهند گرفت که کامپیوترهای متعارف فعلی قادر نیستند آنها را در زمان مناسب حل کنند. با یک الگوریتم مناسب کوانتومی، میتوان توسط کامپیوترهای کوانتومی برخی مسائل کلاس NP را از حالت نمایی به حالت چندجملهای تبدیل کرد و در نتیجه این مسائل را با سرعت بسیار بالا و در زمان بسیار کمتری حل نمود. اما همچنان با توجه به محدود بودن الگوریتمهای کوانتومی، این کامپیوترها نمیتوانند مسائل پیچیدهتر را مانند برخی مسائل کلاس NP و یا مسائل پیچیدهتر کلاس NP-Complete را به مسائل چندجملهای تبدیل کرده و از عهده حل آنها برآیند. شکل 1 نمایش انواع کلاس مسائل موجود را نشان میدهد [7، 8].
شکل 1. نمایش کلاسهای مختلف مسائل (P, NP, NPComplete, …)
2-1- اهمیت رایانش کوانتومی
پژوهشها نشان دهنده این است که اگر چه رایانش کوانتومی تازه در ابتدای راه قرار دارد، اما آزمایشهایی انجام شده که در طی آنها عملیات رایانش کوانتومی روی تعداد بسیار کمی از کیوبیتها اجرا شده است. تحقیقات نظری و عملی در این زمینه ادامه دارد و بسیاری از موسسات دولتی و نظامی از تحقیقات در زمینه کامپیوترهای کوانتومی هم برای اهداف غیرنظامی و هم برای اهداف امنیتی (مثل تجزیه و تحلیل رمز) حمایت میکنند. اگر کامپیوترهای کوانتومی در مقیاس بزرگ ساخته شوند، میتوانند مسائل خاصی را با سرعت خیلی زیاد حل کنند. نکته مهم این است که مسائلی که توسط کامپیوترهای کلاسیک محاسبهپذیر نیستند توسط کامپیوترهای کوانتومی نیز قابل حل نخواهند بود. بنابراین این کامپیوترها نظریه چرچ-تورینگ را نقض نمیکنند. در واقع کامپیوترهای کوانتومی قادر هستند مسائلی که حل آنها توسط کامپیوترهای کلاسیک زمان بسیار زیادی میبرد و یا به صورت عملی (نه تئوری) قابل حل نیستند را در زمان بسیار کمتری حل کنند. رایانش کوانتومی کاربردهای بسیار گستردهای دارد. این اعتقاد وجود دارد که این فناوری میتواند دنیای آینده را تغییر دهد. اثبات شده است که کامپیوترهای کوانتومی تحول شگرفی در حوزههای زیر ایجاد میکنند. (البته کاربردهای بسیار زیاد دیگری برای این کامپیوترها متصور شدهاند، اما در اینجا به همین چند مورد بسنده میکنیم):
· بهینهیابی،
· یادگیری ماشین،
· مدلسازی پدیدهها،
· شبیهسازی ساختارهای مولکولی.
2-2- اصول اساسی رایانش کوانتومی
در یک کامپیوتر کوانتومی هر کیوبیت با یک بردار بصورت معادله (1) نشان داده میشود:
(1) |
|
(2) |
|
(3) |
|
(4) |
|
(5) |
|
(6) |
|
متغیرهای معادل سیناپسی شبکه | متغیرهای گراف یک شبکه عصبی | |||||||
Vi (پتانسیل غشایی) | σi (حالت گره) | |||||||
Gij(t) (رسانایی سیناپسی) |
نورونها با لبهها یا سیناپسها متصل میشوند که حالت و یا وزن آنها توسط یک متغیر حقیقی wij (وزن یادگیری) نشان داده میشود. Dj و Fj متغیرهای اضافی هستند که حداکثر رسانایی را تنظیم میکنند. | |||||||
(آستانه شلیک) |
| |||||||
Iisyn (t) (کل جریان سیناپسی به نورون i) |
| |||||||
V (نرخ شلیک متوسط در شبکه) |
|
(7) |
|
(8) |
|
(9) |
|
#بخش کتاب | #کتاب | #کنفرانس | #مقالات | نام فناوری | ||||
2021 | 2017-2020 | 2021 | 2017-2020 | 2021 | 2017-2020 | 2021 | 2017-2020 | |
37 | 99 | 0 | 30 | 846 | 1786 | 958 | 1685 | کوانتومی |
20 | 86 | 0 | 11 | 207 | 976 | 435 | 1078 | زیستی |
3 | 21 | 3 | 7 | 275 | 728 | 207 | 385 | حافظه ای |
1 | 5 | 0 | 3 | 54 | 176 | 39 | 104 | نوری |
0 | 2 | 0 | 0 | 6 | 45 | 6 | 46 | نانو |
8- مقایسه کلی فناوریهای نوظهور رایانشی
در حالی که نزدیک شدن به محدودیت های قانون مور از نظر برخی به عنوان یک چالش یا بحران در انتظار تلقی می شود، فرصتهای متعددی توسط پژوهشگران و فناوران صنعت و دانشگاه در حال بررسی است و در عین حالیکه پیشرفتها به سرعت در هر زمینه اتفاق میافتند، هیچ یک به اندازه کافی پیشرفته نیستند که پاسخی واضح به این سوال ارائه کنند که الگوی محاسباتی نسل بعدی پس از رسیدن به پایان عصر مور چیست.
در حال حاضر، رایانه های ساخته شده با استفاده از فناوری کوانتومی تواناییهای بالایی را در حل برخی مسائل از خود نشان داده اند. این درحالی است که هنوز این رایانهها به طور کامل در کنترل قرار نگرفتهاند و ساخت آنها نیز به گونهای مقیاس پذیر نیست که بتوان از آن در ابعاد کاربردی استفاده نمود. با این حال پژوهشگران کاملاً امیدوارند که با حل مسائل تکنیکی و جنبی، این نوع رایانهها میتوانند دستآوردهای خارق العادهای در پردازش فوق سریع داشته باشند و این فضا را به طور کلی دگرگون خواهند نمود.
از طرفی فناوریهای رایانش نوری مزایای زیادی برای توسعه دستگاههای یکپارچه دارند و کاندیدای قوی برای رایانش نسل بعدی هستند. فوتونیک با اجازه دادن به پهنای باند بالا و انتقال با تأخیر کم بین تراشههای پردازش و حافظه اصلی، این پتانسیل را دارد که نقش مهمی در محاسبات آینده داشته باشد و در نتیجه به کاهش تنگناهای حافظه اصلی کمک نماید. با اینکه امکان ارئه یک مدل محاسباتی جدید در این فناوری وجود دارد ولی تا کنون، هیچ راه حل اقتصادی که قابل پیاده سازی باشد ارائه نشده است.
از نظر حوزههای فرعی در رایانش زیستی، بحث در مورد پتانسیل رایانش مبتنی بر DNA برای جایگزینی محاسبات سنتی وجود دارد. در حالی که برخی معتقدند رایانش مولکولی می تواند با محاسبات الکترونیکی رقابت کند، برخی دیگر یک پردازنده مشترک DNA را پیش بینی می کنند که از سیلیکون برای پردازش عادی و از DNA برای مشکلات سخت محاسباتی استفاده می کند. در رابطه با رایانش عصب گون، چالشها در درک و تقلید از عملکرد مغز انسان به این معنی است که رایانش عصب گون هنوز مزیت قابلتوجهی نسبت به معماریهای محاسباتی معمولی ارائه نمیکند. در حالی که این پتانسیل در رایانش عصب گون برای تغییر شکل نهایی صنعت محاسبات، پس از شناخت کامل آن وجود دارد.
جدول 3. قابلیت فناوریهای نوظهور رایانشی
نام فناوری | قابلیت ارائه مدل محاسباتی جدید | مسائلی که در آن قابلیت دارند |
کوانتومی | دارد | مناسب برای حل مسائل NP و مسائل دشوار |
زیستی | دارد | مناسب برای حل مسائل NP و مسائل دشوار |
نوری | دارد | مناسب برای حل مسائل کلاسیک و بعضی مسائل NPC خاص |
حافظهای | ندارد | مناسب برای حل مسائل کلاسیک |
نانو | ندارد | مناسب برای حل مسائل کلاسیک |
جدول 3 قابلیت فناوریهای نوظهور و نامتعارف، برای ارایه مدل محاسباتی جدید در رایانش فوق سریع آینده را نشان میدهد. با توجه به این جدول فناوری کوانتوم، زیستی و نوری، پتانسیل ارائه یک مدل محاسباتی جدید که جایگزین مدل محاسباتی جان ون نیومن بشود را دارند. از این رو این فناوری ها توانایی حل مسائلی که کامپیوترهای فعلی توانایی حل آنها را ندارند، دارا میباشند، ولی در فناوری نانو و حافظهای هدف اصلی بیشتر ارتقای سرعت و عملکرد کامپیوترهایی است که بر مبنای مدل محاسباتی ماشین تورینگ کار میکنند.
9- جمعبندی
در این مقاله باتوجه به نزدیک شدن به پایان عصر مور و متعاقب آن، نیاز به فناوریهای نوظهور جهت پاسخ به نیازهای جدید رایانشی، فناوریهای نوین مورد استفاده در نسلهای آتی رایانش فوق سریع از جمله، رایانش کوانتومی، رایانش زیستی، رایانش نوری، رایانش حافظهای و رایانش نانو مورد مطالعه، بررسی و دستهبندی قرار گرفت. برای هریک از فناوریهای مذكور، دستهبندی مختص آن ارائه شد که جنبههای گوناگون آن فناوری را بیان نموده و ادامه مسیر تحقیقاتی و چالشهای موجود را برای محققان علاقمند به این حوزهها تفکیک مينمايد. رایانش کوانتومی از سه منظر سختافزار، نرمافزار و شبیه ساز دستهبندی شد. دستهبندی برای رایانش زیستی شامل سه بخش رایانش غشایی، رایانش مولکولی و رایانش عصبگون معرفی شد. همچنین، دستهبندی رایانش حافظهای ازدو منظر درون حافظه و نزدیک به حافظه، مورد بررسی قرار گرفت و روشهایی که رایانش درون حافظهای را محقق میکنند، معرفی شد. درنهایت، دستهبندی ارائه شده رایانش نانو به چهار بخش کامپیوترهای شیمیایی، فیزیکی، الکترونیکی و مکانیکی تقسیم و موضوعات تحقیقاتی مطرح و چالشهای آن ارائه شد. در این مقاله تعداد مقالات و کتابهای تخصصی که بین سالهای 2017 تا 2021 در حوزه نسلهاي آتي رايانشي منتشر شده است در یک جدول ارایه شد و آمار آنها با يکديگر مقايسه گردید. نتایج نشان می دهد که بيشترين اقبال جامعه علمي و پژوهشي به فناوری های رایانش کوانتومی و زیستی است و به دنبال آن فناوریهای نوظهور دیگری مانند حافظه ای، نوری و نانو قرار دارند. در بخش دیگری یک مقایسه کلی بین فناوریهای نوظهور ذکر شده انجام شد. این مقایسه در یک جدول به ترتیب ارایه شده است و به تفکیک به این موضوع پرداخته شده که کدام یک از این فناوریها قابلیت ارایه مدل محاسباتی جدید را دارا می باشند.
مراجع
[1] Moore, Gordon. "Moore’s law." Electronics Magazine 38.8 (1965): 114.
[2] Mack, Chris. "The multiple lives of Moore's law." IEEE Spectrum 52.4 (2015): 31-31.
[3] Burstein, Elias, and Stig Lundqvist, eds. Tunneling phenomena in solids. New York: Plenum Press, 1969.
[4] retrieved on July 04, 2023.
[5] retrieved on June, 2023.
[6] Aaronson, Scott. "The limits of quantum." Scientific American 298.3 (2008): 62-69.
[7] Hartnett, Kevin. "Finally, a Problem That Only Quantum Computers Will Ever Be Able to Solve.", Quanta Magazine, 2018.
[8] Lucas, Andrew. "Ising formulations of many NP problems." Frontiers in physics 2, 2014.
[9] Markov, Igor L., et al. "Quantum supremacy is both closer and farther than it appears." arXiv preprint arXiv:1807.10749 (2018).
[10] Häner, Thomas, and Damian S. Steiger. "5 petabyte simulation of a 45-qubit quantum circuit." Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis. 2017.
[11] E. Wiseman, "Next Generation Computing," National Research Council of Canada / Government of Canada, Montreal, 2016.
[12] "computersciencedegreehub,"[Online], Available: retrieved on June 04, 2023.
[13] Gexiang Zhang; Zeyi Shang; Sergey Verlan ET AL, "An Overview of Hardware Implementation of Membrane Computing Models," ACM Computing Surveys, vol. 53, no. 4, p. 1–38, 2020.
[14] Ionescu, Armand-Mihai. “Membrane computing: traces, neural inspired models, controls”, Universitat Rovira i Virgili, (2009).
[15] M. Amos, "DNA computing," Encyclopedia Britannica, Agust 2021. [Online], Available:, retrieved on June 04, 2023.
[16] Ping, Zhi; Ma, Dongzhao; Huang, Xiaoluo et al, "Carbon-based archiving: current progress and future prospects of DNA-based data storage," GigaScience, vol. 8, no. 6, (2019).
[17] Katz, Evgeny. "DNA Computing: Origination, Motivation, and Goals–Illustrated Introduction." DNA‐and RNA‐Based Computing Systems (2021): 1-14.
[18] Im, In Hyuk; Kim, Seung Ju; Jang, Ho Won, "Memristive Devices for New Computing Paradigms," Advanced Intelligent Systems, vol. 2, no. 11, (2020).
[19] S. M. Nematollahzadeh, S. Ozgoli, A. Jolfaei and M. S. Haghighi, "Modeling of Human Cognition in Consensus Agreement on Social Media and Its Implications for Smarter Manufacturing," in IEEE Transactions on Industrial Informatics, vol. 17, no. 4, pp. 2902-2909, April (2021).
[20] S. M. Nematollahzadeh, S. Ozgoli, M. Sayad Haghighi, 'Parameter Identification Method for Opinion Dynamics Models: Tested via Real Experiments', Journal of Electrical and Computer Engineering Innovations (JECEI), 7(1), pp. 123-133, (2018).
[21] V. P. Torres J.J., "Modeling Biological Neural Networks," in Handbook of Natural Computing, Berlin, Heidelberg, Springer, (2012), pp. 533-564.
[22] S. M. Nematollahzadeh, S. Ozgoli, M. S. Haghighi and A. Jolfaei, "Learning Influential Cognitive Links in Social Networks by a New Hybrid Model for Opinion Dynamics," in IEEE Transactions on Computational Social Systems, vol. 8, no. 5, pp. 1262-1271, Oct. (2021).
[23] Sarwar, Syed Shakib, et al. "Energy efficient neural computing: A study of cross-layer approximations." IEEE Journal on Emerging and Selected Topics in Circuits and Systems 8.4 (2018)
[24] "PARALLELNETWORK-BASED BIOCOMPUTATION," [Online], Available: retrieved on June 04, 2023.
[25] Angel Goñi-Moreno; Pablo I. Nikel, "High-Performance Biocomputing in Synthetic Biology–Integrated Transcriptional and Metabolic Circuits," frontiersin, (2019).
[26] Sandro Fiore; Mohamed Bakhouya; Waleed W. Smari, "On the road to exascale: Advances in High Performance Computing and Simulations—An overview and editorial," Future Generation Computer Systems, vol. 82, pp. 450-458, (2018).
retrieved on June 04, 2023.
[27] Naughton, Thomas J., and Damien Woods. "Optical computing." (2015): 1-26.
[28] Jain, K., and G. W. Pratt Jr. "Optical transistors and logic circuits embodying the same." US Pat 4 (1983).
[29] Rao, Dalai G. Sankar, Sandip Swarnakar, and Santosh Kumar. "Performance analysis of all-optical NAND, NOR, and XNOR logic gates using photonic crystal waveguide for optical computing applications." Optical Engineering 59.5 (2020): 057101.
[30] Lacava, Cosimo, et al. "Si-rich silicon nitride for nonlinear signal processing applications." Scientific Reports 7.1 (2017): 1-13.
[31] Bowers, John E., and Alan Y. Liu. "A comparison of four approaches to photonic integration." Optical Fiber Communication Conference. Optical Society of America, (2017).
[32] Fu, Y., Hu, X., & Gong, Q. “Silicon photonic crystal all-optical logic gates”, Physics Letters A, 377(3), (2013) 329–333.
[33] Singh, Jeevan Jot, Divya Dhawan, and Neena Gupta. "All-optical photonic crystal logic gates for optical computing: an extensive review", Optical Engineering 59.11 (2020), 110901.
[34] Sun, Chen, et al. "Single-chip microprocessor that communicates directly using light." Nature 528.7583 (2015), 534-538.
[35] Oltean, Mihai, and Oana Muntean. "Solving the subset-sum problem with a light-based device." Natural Computing 8.2 (2009), 321-331.
[36] Oltean, Mihai. "A light-based device for solving the Hamiltonian path problem." International Conference on Unconventional Computation. Springer, Berlin, Heidelberg, (2006).
[37] Hybrid Mem. Cube. Tech. Rep. Revis. 1.0, HMC (2013), www.hybridmemorycube.org.
[38] H. Asghari-Moghaddam, A. Farmahini-Farahani, K. Morrow, J.H. Ahn, N.S. Kim, Near-DRAM Accel. with single-ISA Heterog. Process. Stand. Mem. Modul. IEEE Micro 36, (2016), 24–34.
[39] S. Ghose, K. Hsieh, A. Boroumand, R. Ausavarungnirun, O. Mutlu, “Enabling the Adoption of Processing-in-Memory: Challenges, Mechanisms, Future Research Directions”, arXiv Prepr. arXiv 1802, 00320, (2018).
[40] K Choi, J Ahn, S Yoo, “Method and apparatus for processing instructions using processing-in-memory”, US Patent 10,860,323, (2020).
[41] Mohsen Imani et al., “Stochastic Computing for Reliable Memristive In-Memory Computation”, Proceedings of the Great Lakes Symposium on VLSI (2023), 397-401.
[42] A. Sebastian, et al. ,“Optimization of Projected Phase Change Memory for Analog In‐Memory Computing Inference”, Advanced Electronic Materials 9, (2023).
[43] Vincent, Adrien F., et al. "Spin-transfer torque magnetic memory as a stochastic memristive synapse for neuromorphic systems." IEEE transactions on biomedical circuits and systems 9.2 (2015): 166-174.
[44] Chang, T. C., Chang, K. C., Tsai, T. M., Chu, T. J., & Sze, S. M. “Resistance random access memory”, Materials Today, 19 (5), (2016), 254-264.
[45] Singh, G., et al, “Near-memory computing: Past, present, and future Microprocessors and Microsystems”, 71, (2019). 102868.
[46] Weissig V., Pettinger T.K., Murdock N. Nanopharmaceuticals (part 1) Prod. Mark. Int.J. Nanomed. (2014), 94357–4373.
[47] retrieved on June 04, 2023.
[48] RE Formigoni, RS Ferreira, JAM Nacif, “A survey on placement and routing for field-coupled nanocomputing”, Journal of Integrated Circuits and Systems 16 (1), (2021), 1-9
[49] Gund, S. N., Bansod, S. G., Chavan, D. S., & Tarwadi, D. K. “Applications of Nanotechnology in Computers”, International Journal of Advanced Research in Engineering and Technology (IJARET), (2020). 11(9).
[50] Behgounia, F., & Zohuri, B. “Artificial Intelligence Integration with Nanotechnology”, Jour of Nanosciences Research & Reports, SRC/JNSRR (2020), 116 (3).
[51] Kumar, Sandeep, et al. "Nanodiamonds: Emerging face of future nanotechnology." Carbon 143, (2019) 678-699.
[52] Nikhat, Akhtar, and Perwej Yusuf. "The internet of nano things (IoNT) existing state and future Prospects." GSC Advanced Research and Reviews 5.2 (2020): 131-150.
مقالات مرتبط
-
طراحی چارچوب معماری اطلاعاتی برای بهکارگیری شبکههای اجتماعی در نظام آموزش عالی ایران
تاریخ چاپ : 1398/08/17 -
حقوق این وبسایت متعلق به سامانه مدیریت نشریات رایمگ است.
حق نشر © 1403-1396