ムーアの法則は行き詰まっていますが、それは処理能力の進歩が終わることを意味するものではありません。 Rしかし、半導体物理学やシリコン製造技術に依存するのではなく、ソフトウェア、アルゴリズム、ハードウェアの革新に目を向ける必要がある、と一流の専門家グループは述べています。
半世紀近くにわたって計算能力の指数関数的な成長を推進してきたにもかかわらず、トランジスタの微細化は基本的なバッファーに到達しようとしています。原子レベルに近づくにつれて、これらのパフォーマンス向上の背後にある物理学が変化し始めるだけでなく、コストもすぐに法外なものになります。
ホストのフォトニクスなどのシリコンの代替品が待機中です。、超電導回路などがありますが、私たちがこれまで依存してきた技術を置き換えることができるものはどれもありません。しかし、新しい本の著者によると、紙入り科学,ソフトウェア、アルゴリズム、チップ アーキテクチャにはパフォーマンス向上の余地が非常に大きいため、すべてが失われるわけではありません。
ムーアの法則によってチップの性能が 1 ～ 2 年ごとに 2 倍になっている一方で、怠けがちだった、と著者らは述べています。速度の定期的な向上が保証されていたため、ソフトウェア開発は、アプリケーションの実行にかかる時間ではなく、アプリケーションの開発にかかる時間を短縮することに重点を置きました。同様にインセンティブもほとんどなかったにわかったときに特定のタスクに特化したチップを開発するそれ数年後には汎用チップがそれを上回る性能を発揮するでしょう。
今それしかし、それらの容易な利益は失われ、パフォーマンスのためにコンピューティングスタックのすべての要素を最適化することにコンピュータ科学者の努力を再度集中させることがますます重要になるだろうと著者らは述べています。私大変でしょう,そして利益は不均等になりますそして散発的な.
しかし、彼らはまた、その種類を強調しますの改善の余地はあります。行列乗算のコードの簡単な例では、次のことが示されています。ただコーディング言語を Python から C に切り替えると 50 倍のスピードアップが得られます。最適化するチップのハードウェア機能を利用するコードにより、60,000 倍のブーストが実現します。
ソフトウェアの場合、ハードウェアの機能を活用するためにコードをより適切に調整することで利点の多くが得られます。たとえば、最新のチップ上の複数のコアを利用して、多くの操作を実行します。平行順番ではなく。最新のソフトウェアのほとんどは、遅延による膨大な量の肥大化を特徴としています。再利用構築されていないもののコード。
残念ながら、著者らは、高性能コードは低速コードよりも記述がはるかに複雑になる傾向があるため、プログラマー向けのトレーニングを強化し、プログラマーを支援する生産性ツールを増やす必要があると指摘しています。
アルゴリズムのレベルでは、改善への道筋はそれほど明確ではありません。s人間の創意工夫に依存する傾向があり、特定の問題に特化する傾向があります。しかし、その予測不可能性にもかかわらず、効率が大幅に向上する可能性があるということは、時間の経過とともに平均すると、ムーアの法則から期待される効率に匹敵する可能性があることを意味します。
単純な成功例もいくつかあります。たとえば、今日のアルゴリズム開発の多くの基礎となるモデルを更新することです。これは、プロセッサーが一度に 1 つの操作しか実行できず、アルゴリズムのどの部分にアクセスしてもコストは同じであると想定しています。そのメモリですが、今日のハードウェアには当てはまりません。
未来の一部になる
サインアップして、SingularityHub から画期的なテクノロジーや先見の明のある思想家に関するトップ ストーリーを受け取りましょう。
完全無料。スパムはありません。いつでも購読を解除してください。
チップアーキテクチャに関しては、設計者はアプローチをひっくり返す必要があるだろうと著者らは言う。ムーアの法則は、より多くのトランジスタをチップ上に詰め込むことで実現されましたが、将来的には、使用するトランジスタの数を減らして合理化することで利益がもたらされるでしょうsそして、ハードウェア機能を実行するためのチップスペースが少なくなります。
この余分なスペースにより、より多くのコアをチップに詰め込むことが可能になり、パフォーマンスがさらに向上します。並行して実行される操作の数。 2004 年頃にプロセッサのクロック速度の上昇が止まって以来、この傾向はすでにパフォーマンスの向上の多くを後押ししていますが、さらなる改善の余地はまだたくさんあります。
プロセッサを簡素化し、特定のアプリケーションに特化することは、何でも屋の汎用チップの構築に伴うオーバーヘッドの多くを除去することも期待できます。コンピューター グラフィックスと機械学習の両方を強化する GPU は、専門化の力の好例です。T行列の乗算に優れており、上記のコードのスニペットを元の実装より 360,000 倍高速に実行できます。
最大の課題の 1 つはsそれは、パフォーマンス向上のためのこれらの手段の多くが絡み合っているということです。たとえば、コードがより並列になるように設計されている場合、プロセッサ上のコアを増やすだけで効果が高まります。
つまり、これらの利益を得るのに最も簡単な場所は、著者らが「ビッグコンポーネント」と呼ぶもの、つまりオペレーティングシステム、マイクロプロセッサ、コンパイラなどのコンピューティング機械の複雑で自己完結型の部分であり、特にそれらが、大幅な変更を加える自由と動機を持つ単一の組織によって所有されている場合に当てはまります。
これらの大きなコンポーネントの所有者が著者らの呼びかけに従うかどうかはまだ分からない。でも少なくとも今は我々は持っていますムーアの法則以降のコンピューティング テクノロジーの 1 つがシリコンの限界を超えるまで、私たちが困難を乗り越えるためのロードマップです。
画像クレジット:ミゲル・A.パドリニャンからピクサベイ
Edd は、インドのバンガロールに拠点を置くフリーランスの科学技術ライターです。彼の主な関心分野はエンジニアリング、コンピューティング、生物学であり、特にこれら 3 つの交差点に焦点を当てています。