Đảo ngược quan niệm cũ về nhiệt và máy tính
Từ trước đến nay, nhiệt luôn bị coi là kẻ thù của máy tính. Nhiễu nhiệt, tức tín hiệu nhiễu điện áp ngẫu nhiên phát sinh khi electron bị kích động bởi nhiệt trong mạch điện, gây xáo trộn dữ liệu và tạo ra lỗi tính toán. Máy tính thông thường phải hoạt động ở công suất cao để lấn át nguồn nhiễu này. Máy tính lượng tử còn đòi hỏi làm lạnh cực mạnh xuống gần độ không tuyệt đối mới giữ được sự ổn định.
Nhóm nghiên cứu tại Phòng thí nghiệm Quốc gia Lawrence Berkeley đã lật ngược toàn bộ quan niệm đó. Họ phát triển một khung thiết kế cho phép máy tính khai thác chính dao động nhiệt, tức sự biến động ngẫu nhiên của các hạt ở cấp độ vi mô do năng lượng nhiệt, làm nguồn dẫn dắt quá trình tính toán thay vì tốn tài nguyên để loại bỏ nó.
Stephen Whitelam, nhà khoa học tại Molecular Foundry và đồng tác giả nghiên cứu, giải thích rõ nguyên lý hoạt động: "Nếu bạn lấy một thiết bị vật lý có thang năng lượng tương đương với năng lượng nhiệt và để yên nó, thiết bị sẽ tự thay đổi trạng thái theo thời gian, được thúc đẩy bởi các dao động nhiệt. Mục tiêu là lập trình sao cho sự thay đổi đó tạo ra một kết quả hữu ích."
Hai rào cản lớn và cách nhóm nghiên cứu phá vỡ chúng
Điện toán nhiệt động lực học không phải khái niệm hoàn toàn mới, nhưng trước đây lĩnh vực này vấp phải hai rào cản dai dẳng. Rào cản đầu tiên là ràng buộc cân bằng: các nhà nghiên cứu phải chờ hệ thống ổn định về trạng thái năng lượng thấp nhất trước khi thực hiện phép tính, một quá trình quá chậm để ứng dụng thực tế. Rào cản thứ hai là giới hạn tuyến tính: công nghệ chỉ xử lý được đại số tuyến tính đơn giản, không đáp ứng được các yêu cầu phi tuyến tính của các hệ thống học máy hiện đại.
Nhóm nghiên cứu phá vỡ cả hai rào cản bằng cách đưa các thành phần phi tuyến tính vào thiết kế. Kết quả thực nghiệm qua mô phỏng kỹ thuật số cho thấy máy tính nhiệt động lực học có thể thực hiện phép tính vào những thời điểm xác định trước, bất kể hệ thống đã đạt trạng thái cân bằng hay chưa. Phần cứng từ đó hoạt động nhanh và ổn định tương tự bộ xử lý thông thường, nhưng chỉ tiêu thụ một phần nhỏ điện năng so với máy tính truyền thống.
Siêu máy tính phân tích hơn một nghìn tỷ đường đi ngẫu nhiên
Vì bản chất của máy tính nhiệt động lực học là ngẫu nhiên, không có hai lần chạy nào cho kết quả giống nhau hoàn toàn do dao động nhiệt liên tục thay đổi, các phương pháp huấn luyện tiêu chuẩn cho hệ thống học máy không còn hiệu quả.
Nhà nghiên cứu Corneel Casert sử dụng siêu máy tính Perlmutter tại Trung tâm Điện toán Nghiên cứu Năng lượng Quốc gia Mỹ (NERSC) để giải quyết bài toán này. Với 96 bộ xử lý đồ họa hoạt động song song, Casert chạy các mô phỏng tiến hóa quy mô lớn, phân tích hơn một nghìn tỷ đường đi ngẫu nhiên của hệ thống trong không gian trạng thái. Nhóm nghiên cứu áp dụng thuật toán di truyền, một kỹ thuật tối ưu hóa lấy cảm hứng từ tiến hóa sinh học qua các vòng lặp chọn lọc và điều chỉnh tham số, để tìm ra bộ cấu hình tối ưu cho hệ thống vận hành bằng dao động nhiệt.
Casert thừa nhận quá trình huấn luyện tốn kém tài nguyên tính toán. Tuy nhiên, ông nhấn mạnh điểm then chốt: "Một khi đã được huấn luyện và chế tạo thành phần cứng vật lý, chúng ta có thể thực hiện suy luận trên phần cứng đó với chi phí năng lượng rất thấp."
Tầm nhìn tiết kiệm điện cho kỷ nguyên học máy
Bối cảnh đặt ra cho nghiên cứu này mang tính cấp bách rõ rệt. Chỉ một lần tìm kiếm trên Google tiêu thụ đủ điện để thắp sáng bóng đèn LED 6 watt trong ba phút. Khi các hệ thống học máy ngày càng được triển khai rộng rãi, mức tiêu thụ điện của toàn ngành tạo áp lực lớn lên hạ tầng năng lượng toàn cầu.
Điện toán nhiệt động lực học, nếu được hiện thực hóa thành phần cứng, có thể chuyển phần lớn công việc suy luận của các hệ thống học máy sang nền tảng tiêu tốn ít điện hơn nhiều. Nhóm tại Berkeley Lab hiện tìm kiếm đối tác thử nghiệm để chuyển đổi các thiết kế kỹ thuật số thành linh kiện vật lý thực tế.
Nghiên cứu này chứng minh rằng máy tính hoạt động ở nhiệt độ phòng, tận dụng chính dao động nhiệt của electron thay vì chống lại nhiễu nhiệt, có thể mô phỏng mạng nơ-ron và thực hiện các tác vụ học máy phi tuyến tính phức tạp. Đây có thể là hướng đi mà giới khoa học đặt kỳ vọng sẽ thay đổi cán cân năng lượng trong kỷ nguyên học máy toàn cầu.
