Відкриття майбутнього обчислень

На ресурсі Microsoft Research Blog з’явилась публікація партнера-дослідника Хітеша Баллані (Hitesh Ballani) про блискавичний підхід до оптимизації з допомогою аналогової ітеративної машини (Analog Iterative Machine — АІМ).

AIM розроблена для вирішення складних задач оптимізації, які є основою багатьох галузей, таких як фінанси, логістика, транспорт, енергетика, охорона здоров’я та виробництво. Традиційним цифровим комп’ютерам важко вирішити ці проблеми своєчасно, енергоефективним і економічно ефективним способом. Проблема комівояжера є класичним прикладом.

Команда AIM розробила дизайн, який поєднує математичні знання з передовими алгоритмічними та апаратними досягненнями. Результатом є аналоговий оптичний комп’ютер, який може вирішувати набагато ширший спектр реальних проблем оптимізації, забезпечуючи потенційне збільшення швидкості та ефективності приблизно в сто разів.

Технологія
Аналогові оптичні обчислення передбачають побудову фізичної системи за допомогою комбінації аналогових технологій – як оптичних, так і електронних – керованих рівняннями, які фіксують необхідні обчислення.   Команда розробила новий алгоритм, який є дуже ефективним. Найважливіше те, що основна операція алгоритму включає виконання сотень тисяч або навіть мільйонів векторно-матричних множень. Ці множення виконуються швидко та з низьким споживанням енергії за допомогою стандартних оптичних та електронних технологій.

Значення задач оптимізації
Проблеми оптимізації — це математичні задачі, які вимагають пошуку найкращого можливого рішення з набору можливих альтернатив. Сучасний світ значною мірою покладається на ефективні рішення цих проблем – від управління електроенергією в наших електромережах і оптимізації доставки товарів морем, повітрям і землею до оптимізації маршрутизації інтернет-трафіку.

Протягом багатьох років дослідники як у промисловості, так і в наукових колах створювали вражаючі спеціалізовані машини для ефективного вирішення проблем оптимізації за допомогою евристичних алгоритмів.  Однак усі вони покладаються на відображення складних проблем оптимізації в одному двійковому представленні, яке часто називають Ising, Max-Cut або QUBO (квадратична необмежена бінарна оптимізація). На жаль, жодна з цих спроб не забезпечила практичної альтернативи звичайним комп’ютерам.

За допомогою AIM команда представила більш виразну математичну абстракцію під назвою QUMO (квадратична необмежена змішана оптимізація), яка може представляти змішані – двійкові та неперервні – змінні та сумісна з апаратною реалізацією, що робить її «солодкою точкою» для багатьох практичних, серйозно-обмежених задач оптимізації.

AIM також реалізує новий і ефективний алгоритм для вирішення проблем QUMO, який спирається на вдосконалену форму градієнтного спуску, техніку, яка також популярна в машинному навчанні. Алгоритм показує висококонкурентоспроможну продуктивність і точність у різних промислово створених контрольних тестах. Комп’ютер AIM першого покоління, створений минулого року, вирішує задачі оптимізації QUMO, які представлені з точністю до 7 біт.

Переосмислення оптимізації за допомогою QUMO
Проект AIM для спільного проектування нетрадиційного апаратного забезпечення з виразною абстракцією та новим алгоритмом має потенціал започаткувати нову еру в методах оптимізації, апаратних платформах і автоматизованих процедурах відображення проблем, використовуючи більш виразну абстракцію QUMO. Нещодавні дослідження вже показали, що підвищена експресивність із безперервними змінними може значно розширити реальні бізнес-проблеми, які можна вирішити.

Наважуючись на нову абстракцію, треба також прийняти нові способи мислення. Для команди вкрай важливо побудувати сильну спільноту, щоб глибоко досліджувати переваги прийняття QUMO.

Щоб полегшити це, симулятор AIM випускається як послуга, що дозволяє вибраним користувачам отримати досвід з перших рук.

Ілюстрація комп’ютера AIM, який реалізує масове паралельне векторно-матричне множення за допомогою стандартних оптичних технологій (на задньому плані) та нелінійності, застосованої за допомогою аналогової електроніки (на передньому плані). Вектор представлено за допомогою масиву джерел світла, матриця вбудована в масив модулятора (показано у відтінках сірого), а результат збирається в датчик камери

Ready, set, buy! Посібник для початківців - як придбати Copilot для Microsoft 365