پیچیدگی محاسبات و معماری سیستم‌های نانویی

سیستم‌های محاسباتی مبتنی بر فناوری نانو، نیازمند ابزارهای دقیقی جهت ارزیابی” defects “و Fault-tolerant” “به منظور بهبود بخشیدن به اعتبارشان در راستای محاسبة فاکتورهای مؤثر می‌باشند. به عنوان مثال خودآرائی شیمیایی ابزارهای مولکولی فقط دارای حدهای آماری می‌باشند که متضمن کارکرد تمام عیار ابزارهای وابسته به آن نمی‌باشند.
پژوهشگران مسأله قابلیت اعتبار در محاسبات نانوئی را از زوایای گوناگون مورد بررسی قرار داده‌اند:
"افزونگی N پیمانه‌ای"، "تسهیم NAND"، "تجدید آرایش" "رمزنگاری کنترل خطا"، "‌شبکه‌های عصبی هوشمند" و سایر معماری‌های نوین محاسباتی.
همة این روش‌های محاسباتی در کنترل خطا در حوزة معینی از ارزیابی خطا معتبرند. اما برا ی آن که به قابلیت اعتمادی بالاتر از %95 دسترسی پیدا کنیم نیازمند حل مسأله محاسبات در کلیة سطوح: سطح ابزارها، سطح معماری سیستم و سطح کاربرد، می‌باشیم.
به عنوان مثال در سطح ابزارها، پارامترهای طراحی ابزارها می‌بایستی لحاظ گردد تا قابلیت اعتماد ابزار در« عملکردها» ودر« دورة زندگی» کافی، افزایش یابد.

در سال 1956، "جان فون نیومن" در کتاب مشهورش
 

دربارة قابلیت اعتماد به سیستم‌های محاسباتی مبتنی بر مؤلفه‌های مستعد خطا، صحبت کرد. از آن تاریخ به بعد، این دیدگاه در سیستم‌های محاسباتی اهمیت یافت.
دریچه های عمل کننده به عنوان ابزارهای switching،‌ در این دورة به عنوان عملگرهای تکرار،‌ مورد استفاده واقع شدند.

 
  با ظهور ترانزیستورهای سیلیکونی و با افزایش و بهبودکارآئی صنعت نیم‌رساناها، این امر اهمیت کمتری پیدا کرد. البته محاسبه و ارزیابی خطا در سیستم‌های محاسباتی،به ویژه‌ برای مأموریت «سیستم‌های بحرانی» همواره یک زمینة عمدة تحقیقاتی بوده است.
به هر حال ایده طراحی سیستم‌های با احتمال خطای صفر، مطرح شده بود، که، اخیراً پژوهشگران ایده استفاده از نانوتکنولوژی به عنوان المان‌های switching را مطرح کردند.
در صنایع حال حاضر نیم‌رساناها، بلافاصله بعد از ظهور ویفرهای سلیکونی، آزمایش‌ها آغاز شد و بخش‌های معیوب، مردود شد.بازدهی ساخت به وسیلة درصد بخش‌های بدون عیب اندازه‌گیری می‌شود.
متأسفانه،‌ با ابزارهای پایه سلیکونی که تا حد چندین نانومتر یا حتی با فناوری‌های نوتر (نظیر لایه‌های مولکولی خودآرا، سلول‌های پایه نقطه کوانتومی یا سوئیچ‌های مبتنی بر نانوتیوب) ساخته می‌شوند احتمال خطا کاملاً بالا می‌رود.
از این رو حل مسألة خطا در ابزارهای محاسباتی مبتنی بر فناوری نانو، به عنوان یک اولویت قابل ملاحظه در طراحی مطرح است زیرا بازده ساخت سازه‌های نانوئی بر مبنای شاخص اعتبار، سنجیده می‌شود.

P مدل‌های محاسباتی غیر کلاسیک و معماری آنها:
 

در ماوراء کاربرد فرم‌های اغلب کلاسیک، برای اندازه‌گیری تلرانس خطا، پژوهشگران جسوری در جستجوی ساخت راههائی برای اندازه‌گیری قابل اعتماد بودن سیستم‌های محاسباتی هستند. در این قسمت به بررسی مدل‌های الهام گرفته شده از بیولوژی تا روش‌های جدید اندازه‌گیری تابع احتمال می‌پردازیم:

شبکه‌های عصبی:
 

در طی 20 سال گذشته، شبکه‌های هوش مصنوعی ملهم از سیستم‌های بیولوژیک عمومیت یافته است و روش‌های اثبات شده‌ای در راستای حل مسائل پیچیدة غیر خطی در گسترة وسیعی از علوم و مهندسی شده‌اند.
شبکه‌های عصبی هوش مصنوعی مبتنی بر خواص بیولوژیک"نرون‌‌"ها و"سیناپس"‌ها استوار است،به گونه‌ای که بر هم‌کنش محل اتصال دو عصب متناسب با وزن هر محل اتصال در مجموعه‌ای از یک شبکة توزیع یافتة محاسباتی است.
Rouw"" و"Hoekstra" دو چالش اصلی در ساخت شبکة عصبی نانوالکترونیک را معرفی کردند.
شبکة عصبی،به صورت نوعی، پر از اتصال هستند که نیازمند این است که هر "نود" از طریق فواصل طولانی ارتباط پیدا کند، نانوالکترونیک اجرائی طرفدار ارتباطات محلی و ارتباطات در قالب مسافت کوتاه می‌باشد. شبکه‌های عصبی مبتنی بر جمع زدن به منظور اندازه‌گیری وزن اتصال تحت خطای ناشی از رفتار طبیعی و کاتوره‌ای ترانزیستورهای تک الکترونی مقید است.
این پژوهشگران قیدهای حاکم بر این مسأله را به صورت زیر پیشنهاد کردند:
· تعاملات بین اتصالات محلی بر مبنای توپولوژی خطی که کاوشگر زمان تأخیر است
· یادگیری Hebbian و شرایط کلاسیک به عنوان روش‌های آموزش و اصلاح
· ضامن‌های تک الکترونی به عنوان مبنای نانوساختارهای دودوئی سیگنال آنالوگ اتصال دهنده موسوم به (BiWAS) معرفی شدند.در این راستا ارسال و انشعاب سوئچ‌های ضامنی پیشنهاد شد.
این بلوک‌های ساخته شده به منظور طراحی 2 بعدی آرایه‌های اتصالی مربعی تطبیق‌پذیر، استفاده می‌شود.
آزمایش‌های مرتبط با «آرایه‌های رشد آزاد» نشان داد که برای یک اتصال نوعی از"Cerebral cortex" (هر سلول شبکه به 10.000 اتصال می‌یابد)، ظرفیت اتصال تنها به چند اتصال در سانتیمتر مربع اجازه اتصال می‌دهد.
یک توپولوژی امیدبخش دیگر بر پایة اتصال به نزدیک‌ترین همسایه در فضای 2 بعدی یک شبکة مش‌بندی شده، بود.به گونه‌ای که نورون‌ها بر روی چهار خط "axonic" وچهارخط"dendritic" ارتباط پیدا می‌کردند. خطوط ارتباطی به وسیلة یک تک الکترون BiWAS به هم ربط می‌یافتند. این معماری، ظرفیت شبکة عصبی را به بالاتر از 108 عصب در سانتیمتر مربع ارتقاء می‌داد.
معماری نوین دیگر مبتنی بر شبکه‌های عصبی، بر رفتار طبیعی و کاتوره‌ای و تونل زنندة تک الکترون استوار بود. یک ماشین شبکة عصبی "بولتزمان" مبتنی بر ارتباط دو سویه نودها به گونه‌ای که هر نود با هر نود دیگری در ارتباط باشد. هر عصب یک حالت خروجی دودوئی دارد که بر حسب یک قانون کاتوره‌ای انتقالی در پاسخ به ورودی‌ها، عوض می‌شود. همة عصب‌ها به صورت موازی عمل می‌کنند. با هر تنظیم حالت، در پاسخ به تغییرات حالت دیگر عصب‌ها عوض می‌شوند. یک نوسانگر دیجیتالی با استفاده از یک مدار تک الکترونی که نوسان‌های تصادفی 1-/1 را به وجود می‌آورد، نیازمندی‌هایی جریان دودوئی بولتزمان را تأمین می‌کند. هر چند که هنوز مسائل مربوط به ارتباطات حجیم در این قالب مورد بررسی قرار نگرفته است.
به نظر می‌رسد که شبکه‌‌های عصبی برای کاربردی کردن نانوالکترونیک در جهت حل مسأله تلرانس خطا، جذاب باشد. از آنجائی که محاسبات از طریق آرایه‌ها توزیع می‌یابد، ممکن است سیستم نسبت به خطاهای داخلی جزئی، غیر حساس باشد. از سوی دیگر، از آنجائی که محاسبات توزیع می‌شود، یک خطا در یک عصب یا اتصال به صورت بالقوه شبکه را تحت تأثیر قرار می‌دهد. یافته‌ها نشان می‌دهد که درجة تلزانس خطای یک شبکة عصبی بسته به درجة افزونگی در تعادل دارد.
یک راه حل برای افزایش تلزانس خطا در شبکه‌های عصبی،‌ بهبود پروسه‌های یادگیری به منظور اعمال نیرو به یک عصب به منظور تحمل کردن تغییرات بزرگتر در سیگنال‌های ورودی است. یکی از روش‌ها، بالا بردن تلرانس خطا بر مبنای توابع "Gaussian radial" است که چند نود را به سمت صفر میل می‌دهد (به منظور شبیه‌سازی تأخیر در خطاهای صفر) و سپس کل شبکه را ساماندهی می‌کند.
متناوباً، خروجی عصب‌ها، به منظوربررسی یک مقدار داده شده که به نظر دارای خطا می‌باشد ثابت نگه داشته می‌شود به همین ترتیب وزن هر یک از عصب‌ها به منظور رسیدن به خطای مطلوب عوض می شود.
تمام این مدل‌ها افزونگی در شبکه را به صورت ضمنی لحاظ می‌کنند.
Phatak” “و”Koren” ، ثابت کردند که افزونگی، triple-modular لازم است تا تلرانس کامل به منظور "forward –Feed "شبکة عصبی برقرار شود. بنابر این، در حالات حدی، بکارگیری مدل شبکة عصبی همان نیازمندی‌هائ را می‌طلبد که مدل‌‌های محاسباتی کلاسیک می‌طلبند.
Probabilistic Logics and the Synthesis of Reliable organisms from unreliable Components"
منبع:http://www.maghaleh.net