Admin
20th January 2010, 10:00 PM
پيچيدگي محاسبات و معماري سيستم‌هاي نانويي
سيستم‌هاي محاسباتي مبتني بر فناوري نانو، نيازمند ابزارهاي دقيقي جهت ارزيابي” defects “و Fault-tolerant” “به منظور بهبود بخشيدن به اعتبارشان در راستاي محاسبة فاكتورهاي مؤثر مي‌باشند. به عنوان مثال خودآرائي شيميايي ابزارهاي مولكولي فقط داراي حدهاي آماري مي‌باشند كه متضمن كاركرد تمام عيار ابزارهاي وابسته به آن نمي‌باشند.
پژوهشگران مسأله قابليت اعتبار در محاسبات نانوئي را از زواياي گوناگون مورد بررسي قرار داده‌اند:
"افزونگي N پيمانه‌اي"، "تسهيم NAND"، "تجديد آرايش" "رمزنگاري كنترل خطا"، "شبكههاي عصبي هوشمند" و ساير معماري‌هاي نوين محاسباتي.
همة اين روش‌هاي محاسباتي در كنترل خطا در حوزة معيني از ارزيابي خطا معتبرند. اما برا ي آن كه به قابليت اعتمادي بالاتر از %95 دسترسي پيدا كنيم نيازمند حل مسأله محاسبات در كلية سطوح: سطح ابزارها، سطح معماري سيستم و سطح كاربرد، مي‌باشيم.
به عنوان مثال در سطح ابزارها، پارامترهاي طراحي ابزارها مي‌بايستي لحاظ گردد تا قابليت اعتماد ابزار در« عملكردها» ودر« دورة زندگي» كافي، افزايش يابد.
در سال 1956، "جان فون نيومن" در كتاب مشهورش
Probabilistic Logics and the Synthesis of Reliable organisms from unreliable Components"
دربارة قابليت اعتماد به سيستم‌هاي محاسباتي مبتني بر مؤلفه‌هاي مستعد خطا، صحبت كرد. از آن تاريخ به بعد، اين ديدگاه در سيستم‌هاي محاسباتي اهميت يافت.
دريچه هاي عمل كننده به عنوان ابزارهاي switching، در اين دورة به عنوان عملگرهاي تكرار، مورد استفاده واقع شدند. با ظهور ترانزيستورهاي سيليكوني و با افزايش و بهبودكارآئي صنعت نيم‌رساناها، اين امر اهميت كمتري پيدا كرد. البته محاسبه و ارزيابي خطا در سيستم‌هاي محاسباتي،به ويژه براي مأموريت «سيستم‌هاي بحراني» همواره يك زمينة عمدة تحقيقاتي بوده است.
به هر حال ايده طراحي سيستم‌هاي با احتمال خطاي صفر، مطرح شده بود، كه، اخيراً پژوهشگران ايده استفاده از نانوتكنولوژي به عنوان المان‌هاي switching را مطرح كردند.
در صنايع حال حاضر نيم‌رساناها، بلافاصله بعد از ظهور ويفرهاي سليكوني، آزمايش‌ها آغاز شد و بخش‌هاي معيوب، مردود شد.بازدهي ساخت به وسيلة درصد بخش‌هاي بدون عيب اندازه‌گيري مي‌شود.
متأسفانه، با ابزارهاي پايه سليكوني كه تا حد چندين نانومتر يا حتي با فناوري‌هاي نوتر (نظير لايه‌هاي مولكولي خودآرا، سلول‌هاي پايه نقطه كوانتومي يا سوئيچ‌هاي مبتني بر نانوتيوب) ساخته مي‌شوند احتمال خطا كاملاً بالا مي‌رود.
از اين رو حل مسألة خطا در ابزارهاي محاسباتي مبتني بر فناوري نانو، به عنوان يك اولويت قابل ملاحظه در طراحي مطرح است زيرا بازده ساخت سازه‌هاي نانوئي بر مبناي شاخص اعتبار، سنجيده مي‌شود.
P مدلهاي محاسباتي غير كلاسيك و معماري آنها:
در ماوراء كاربرد فرم‌هاي اغلب كلاسيك، براي اندازه‌گيري تلرانس خطا، پژوهشگران جسوري در جستجوي ساخت راههائي براي اندازه‌گيري قابل اعتماد بودن سيستم‌هاي محاسباتي هستند. در اين قسمت به بررسي مدلهاي الهام گرفته شده از بيولوژي تا روش‌هاي جديد اندازه‌گيري تابع احتمال مي‌پردازيم:
شبكههاي عصبي: در طي 20 سال گذشته، شبكههاي هوش مصنوعي ملهم از سيستم‌هاي بيولوژيك عموميت يافته است و روش‌هاي اثبات شده‌اي در راستاي حل مسائل پيچيدة غير خطي در گسترة وسيعي از علوم و مهندسي شده‌اند.
شبكههاي عصبي هوش مصنوعي مبتني بر خواص بيولوژيك"نرون"ها و"سيناپس"ها استوار است،به گونه‌اي كه بر هم‌كنش محل اتصال دو عصب متناسب با وزن هر محل اتصال در مجموعه‌اي از يك شبكة توزيع يافتة محاسباتي است.
Rouw"" و"Hoekstra" دو چالش اصلي در ساخت شبكة عصبي نانوالكترونيك را معرفي كردند.
شبكة عصبي،به صورت نوعي، پر از اتصال هستند كه نيازمند اين است كه هر "نود" از طريق فواصل طولاني ارتباط پيدا كند، نانوالكترونيك اجرائي طرفدار ارتباطات محلي و ارتباطات در قالب مسافت كوتاه مي‌باشد. شبكههاي عصبي مبتني بر جمع زدن به منظور اندازه‌گيري وزن اتصال تحت خطاي ناشي از رفتار طبيعي و كاتوره‌اي ترانزيستورهاي تك الكتروني مقيد است.
اين پژوهشگران قيدهاي حاكم بر اين مسأله را به صورت زير پيشنهاد كردند:
· تعاملات بين اتصالات محلي بر مبناي توپولوژي خطي كه كاوشگر زمان تأخير است
· يادگيري Hebbian و شرايط كلاسيك به عنوان روش‌هاي آموزش و اصلاح
· ضامن‌هاي تك الكتروني به عنوان مبناي نانوساختارهاي دودوئي سيگنال آنالوگ اتصال دهنده موسوم به (BiWAS) معرفي شدند.در اين راستا ارسال و انشعاب سوئچ‌هاي ضامني پيشنهاد شد.
اين بلوك‌هاي ساخته شده به منظور طراحي 2 بعدي آرايه‌هاي اتصالي مربعي تطبيق‌پذير، استفاده مي‌شود.
آزمايش‌هاي مرتبط با «آرايه‌هاي رشد آزاد» نشان داد كه براي يك اتصال نوعي از"Cerebral cortex" (هر سلول شبكه به 10.000 اتصال مي‌يابد)، ظرفيت اتصال تنها به چند اتصال در سانتيمتر مربع اجازه اتصال مي‌دهد.
يك توپولوژي اميدبخش ديگر بر پاية اتصال به نزديك‌ترين همسايه در فضاي 2 بعدي يك شبكة مش‌بندي شده، بود.به گونه‌اي كه نورون‌ها بر روي چهار خط "axonic" وچهارخط"dendritic" ارتباط پيدا مي‌كردند. خطوط ارتباطي به وسيلة يك تك الكترون BiWAS به هم ربط مي‌يافتند. اين معماري، ظرفيت شبكة عصبي را به بالاتر از 108 عصب در سانتيمتر مربع ارتقاء مي‌داد.
معماري نوين ديگر مبتني بر شبكههاي عصبي، بر رفتار طبيعي و كاتوره‌اي و تونل زنندة تك الكترون استوار بود. يك ماشين شبكة عصبي "بولتزمان" مبتني بر ارتباط دو سويه نودها به گونه‌اي كه هر نود با هر نود ديگري در ارتباط باشد. هر عصب يك حالت خروجي دودوئي دارد كه بر حسب يك قانون كاتوره‌اي انتقالي در پاسخ به ورودي‌ها، عوض مي‌شود. همة عصب‌ها به صورت موازي عمل مي‌كنند. با هر تنظيم حالت، در پاسخ به تغييرات حالت ديگر عصب‌ها عوض مي‌شوند. يك نوسانگر ديجيتالي با استفاده از يك مدار تك الكتروني كه نوسان‌هاي تصادفي 1-/1 را به وجود مي‌آورد، نيازمندي‌هايي جريان دودوئي بولتزمان را تأمين مي‌كند. هر چند كه هنوز مسائل مربوط به ارتباطات حجيم در اين قالب مورد بررسي قرار نگرفته است.
به نظر مي‌رسد كه شبكههاي عصبي براي كاربردي كردن نانوالكترونيك در جهت حل مسأله تلرانس خطا، جذاب باشد. از آنجائي كه محاسبات از طريق آرايه‌ها توزيع مي‌يابد، ممكن است سيستم نسبت به خطاهاي داخلي جزئي، غير حساس باشد. از سوي ديگر، از آنجائي كه محاسبات توزيع مي‌شود، يك خطا در يك عصب يا اتصال به صورت بالقوه شبكه را تحت تأثير قرار مي‌دهد. يافته‌ها نشان مي‌دهد كه درجة تلزانس خطاي يك شبكة عصبي بسته به درجة افزونگي در تعادل دارد.
يك راه حل براي افزايش تلزانس خطا در شبكههاي عصبي، بهبود پروسه‌هاي يادگيري به منظور اعمال نيرو به يك عصب به منظور تحمل كردن تغييرات بزرگتر در سيگنال‌هاي ورودي است. يكي از روش‌ها، بالا بردن تلرانس خطا بر مبناي توابع "Gaussian radial" است كه چند نود را به سمت صفر ميل مي‌دهد (به منظور شبيه‌سازي تأخير در خطاهاي صفر) و سپس كل شبكه را ساماندهي مي‌كند.
متناوباً، خروجي عصب‌ها، به منظوربررسي يك مقدار داده شده كه به نظر داراي خطا مي‌باشد ثابت نگه داشته مي‌شود به همين ترتيب وزن هر يك از عصب‌ها به منظور رسيدن به خطاي مطلوب عوض مي شود.
تمام اين مدل‌ها افزونگي در شبكه را به صورت ضمني لحاظ مي‌كنند.
Phatak” “و”Koren” ، ثابت كردند كه افزونگي، triple-modular لازم است تا تلرانس كامل به منظور "forward –Feed "شبكة عصبي برقرار شود. بنابر اين، در حالات حدي، بکارگيري مدل شبكة عصبي همان نيازمندي‌هائ را مي‌طلبد كه مدلهاي محاسباتي كلاسيك مي‌طلبند.
منبع:http://www.nano.ir
سيستم‌هاي محاسباتي مبتني بر فناوري نانو، نيازمند ابزارهاي دقيقي جهت ارزيابي” defects “و Fault-tolerant” “به منظور بهبود بخشيدن به اعتبارشان در راستاي محاسبة فاكتورهاي مؤثر مي‌باشند. به عنوان مثال خودآرائي شيميايي ابزارهاي مولكولي فقط داراي حدهاي آماري مي‌باشند كه متضمن كاركرد تمام عيار ابزارهاي وابسته به آن نمي‌باشند.
پژوهشگران مسأله قابليت اعتبار در محاسبات نانوئي را از زواياي گوناگون مورد بررسي قرار داده‌اند:
"افزونگي N پيمانه‌اي"، "تسهيم NAND"، "تجديد آرايش" "رمزنگاري كنترل خطا"، "شبكههاي عصبي هوشمند" و ساير معماري‌هاي نوين محاسباتي.
همة اين روش‌هاي محاسباتي در كنترل خطا در حوزة معيني از ارزيابي خطا معتبرند. اما برا ي آن كه به قابليت اعتمادي بالاتر از %95 دسترسي پيدا كنيم نيازمند حل مسأله محاسبات در كلية سطوح: سطح ابزارها، سطح معماري سيستم و سطح كاربرد، مي‌باشيم.
به عنوان مثال در سطح ابزارها، پارامترهاي طراحي ابزارها مي‌بايستي لحاظ گردد تا قابليت اعتماد ابزار در« عملكردها» ودر« دورة زندگي» كافي، افزايش يابد.
در سال 1956، "جان فون نيومن" در كتاب مشهورش
Probabilistic Logics and the Synthesis of Reliable organisms from unreliable Components"
دربارة قابليت اعتماد به سيستم‌هاي محاسباتي مبتني بر مؤلفه‌هاي مستعد خطا، صحبت كرد. از آن تاريخ به بعد، اين ديدگاه در سيستم‌هاي محاسباتي اهميت يافت.
دريچه هاي عمل كننده به عنوان ابزارهاي switching، در اين دورة به عنوان عملگرهاي تكرار، مورد استفاده واقع شدند. با ظهور ترانزيستورهاي سيليكوني و با افزايش و بهبودكارآئي صنعت نيم‌رساناها، اين امر اهميت كمتري پيدا كرد. البته محاسبه و ارزيابي خطا در سيستم‌هاي محاسباتي،به ويژه براي مأموريت «سيستم‌هاي بحراني» همواره يك زمينة عمدة تحقيقاتي بوده است.
به هر حال ايده طراحي سيستم‌هاي با احتمال خطاي صفر، مطرح شده بود، كه، اخيراً پژوهشگران ايده استفاده از نانوتكنولوژي به عنوان المان‌هاي switching را مطرح كردند.
در صنايع حال حاضر نيم‌رساناها، بلافاصله بعد از ظهور ويفرهاي سليكوني، آزمايش‌ها آغاز شد و بخش‌هاي معيوب، مردود شد.بازدهي ساخت به وسيلة درصد بخش‌هاي بدون عيب اندازه‌گيري مي‌شود.
متأسفانه، با ابزارهاي پايه سليكوني كه تا حد چندين نانومتر يا حتي با فناوري‌هاي نوتر (نظير لايه‌هاي مولكولي خودآرا، سلول‌هاي پايه نقطه كوانتومي يا سوئيچ‌هاي مبتني بر نانوتيوب) ساخته مي‌شوند احتمال خطا كاملاً بالا مي‌رود.
از اين رو حل مسألة خطا در ابزارهاي محاسباتي مبتني بر فناوري نانو، به عنوان يك اولويت قابل ملاحظه در طراحي مطرح است زيرا بازده ساخت سازه‌هاي نانوئي بر مبناي شاخص اعتبار، سنجيده مي‌شود.
P مدلهاي محاسباتي غير كلاسيك و معماري آنها:
در ماوراء كاربرد فرم‌هاي اغلب كلاسيك، براي اندازه‌گيري تلرانس خطا، پژوهشگران جسوري در جستجوي ساخت راههائي براي اندازه‌گيري قابل اعتماد بودن سيستم‌هاي محاسباتي هستند. در اين قسمت به بررسي مدلهاي الهام گرفته شده از بيولوژي تا روش‌هاي جديد اندازه‌گيري تابع احتمال مي‌پردازيم:
شبكههاي عصبي: در طي 20 سال گذشته، شبكههاي هوش مصنوعي ملهم از سيستم‌هاي بيولوژيك عموميت يافته است و روش‌هاي اثبات شده‌اي در راستاي حل مسائل پيچيدة غير خطي در گسترة وسيعي از علوم و مهندسي شده‌اند.
شبكههاي عصبي هوش مصنوعي مبتني بر خواص بيولوژيك"نرون"ها و"سيناپس"ها استوار است،به گونه‌اي كه بر هم‌كنش محل اتصال دو عصب متناسب با وزن هر محل اتصال در مجموعه‌اي از يك شبكة توزيع يافتة محاسباتي است.
Rouw"" و"Hoekstra" دو چالش اصلي در ساخت شبكة عصبي نانوالكترونيك را معرفي كردند.
شبكة عصبي،به صورت نوعي، پر از اتصال هستند كه نيازمند اين است كه هر "نود" از طريق فواصل طولاني ارتباط پيدا كند، نانوالكترونيك اجرائي طرفدار ارتباطات محلي و ارتباطات در قالب مسافت كوتاه مي‌باشد. شبكههاي عصبي مبتني بر جمع زدن به منظور اندازه‌گيري وزن اتصال تحت خطاي ناشي از رفتار طبيعي و كاتوره‌اي ترانزيستورهاي تك الكتروني مقيد است.
اين پژوهشگران قيدهاي حاكم بر اين مسأله را به صورت زير پيشنهاد كردند:
· تعاملات بين اتصالات محلي بر مبناي توپولوژي خطي كه كاوشگر زمان تأخير است
· يادگيري Hebbian و شرايط كلاسيك به عنوان روش‌هاي آموزش و اصلاح
· ضامن‌هاي تك الكتروني به عنوان مبناي نانوساختارهاي دودوئي سيگنال آنالوگ اتصال دهنده موسوم به (BiWAS) معرفي شدند.در اين راستا ارسال و انشعاب سوئچ‌هاي ضامني پيشنهاد شد.
اين بلوك‌هاي ساخته شده به منظور طراحي 2 بعدي آرايه‌هاي اتصالي مربعي تطبيق‌پذير، استفاده مي‌شود.
آزمايش‌هاي مرتبط با «آرايه‌هاي رشد آزاد» نشان داد كه براي يك اتصال نوعي از"Cerebral cortex" (هر سلول شبكه به 10.000 اتصال مي‌يابد)، ظرفيت اتصال تنها به چند اتصال در سانتيمتر مربع اجازه اتصال مي‌دهد.
يك توپولوژي اميدبخش ديگر بر پاية اتصال به نزديك‌ترين همسايه در فضاي 2 بعدي يك شبكة مش‌بندي شده، بود.به گونه‌اي كه نورون‌ها بر روي چهار خط "axonic" وچهارخط"dendritic" ارتباط پيدا مي‌كردند. خطوط ارتباطي به وسيلة يك تك الكترون BiWAS به هم ربط مي‌يافتند. اين معماري، ظرفيت شبكة عصبي را به بالاتر از 108 عصب در سانتيمتر مربع ارتقاء مي‌داد.
معماري نوين ديگر مبتني بر شبكههاي عصبي، بر رفتار طبيعي و كاتوره‌اي و تونل زنندة تك الكترون استوار بود. يك ماشين شبكة عصبي "بولتزمان" مبتني بر ارتباط دو سويه نودها به گونه‌اي كه هر نود با هر نود ديگري در ارتباط باشد. هر عصب يك حالت خروجي دودوئي دارد كه بر حسب يك قانون كاتوره‌اي انتقالي در پاسخ به ورودي‌ها، عوض مي‌شود. همة عصب‌ها به صورت موازي عمل مي‌كنند. با هر تنظيم حالت، در پاسخ به تغييرات حالت ديگر عصب‌ها عوض مي‌شوند. يك نوسانگر ديجيتالي با استفاده از يك مدار تك الكتروني كه نوسان‌هاي تصادفي 1-/1 را به وجود مي‌آورد، نيازمندي‌هايي جريان دودوئي بولتزمان را تأمين مي‌كند. هر چند كه هنوز مسائل مربوط به ارتباطات حجيم در اين قالب مورد بررسي قرار نگرفته است.
به نظر مي‌رسد كه شبكههاي عصبي براي كاربردي كردن نانوالكترونيك در جهت حل مسأله تلرانس خطا، جذاب باشد. از آنجائي كه محاسبات از طريق آرايه‌ها توزيع مي‌يابد، ممكن است سيستم نسبت به خطاهاي داخلي جزئي، غير حساس باشد. از سوي ديگر، از آنجائي كه محاسبات توزيع مي‌شود، يك خطا در يك عصب يا اتصال به صورت بالقوه شبكه را تحت تأثير قرار مي‌دهد. يافته‌ها نشان مي‌دهد كه درجة تلزانس خطاي يك شبكة عصبي بسته به درجة افزونگي در تعادل دارد.
يك راه حل براي افزايش تلزانس خطا در شبكههاي عصبي، بهبود پروسه‌هاي يادگيري به منظور اعمال نيرو به يك عصب به منظور تحمل كردن تغييرات بزرگتر در سيگنال‌هاي ورودي است. يكي از روش‌ها، بالا بردن تلرانس خطا بر مبناي توابع "Gaussian radial" است كه چند نود را به سمت صفر ميل مي‌دهد (به منظور شبيه‌سازي تأخير در خطاهاي صفر) و سپس كل شبكه را ساماندهي مي‌كند.
متناوباً، خروجي عصب‌ها، به منظوربررسي يك مقدار داده شده كه به نظر داراي خطا مي‌باشد ثابت نگه داشته مي‌شود به همين ترتيب وزن هر يك از عصب‌ها به منظور رسيدن به خطاي مطلوب عوض مي شود.
تمام اين مدل‌ها افزونگي در شبكه را به صورت ضمني لحاظ مي‌كنند.
Phatak” “و”Koren” ، ثابت كردند كه افزونگي، triple-modular لازم است تا تلرانس كامل به منظور "forward –Feed "شبكة عصبي برقرار شود. بنابر اين، در حالات حدي، بکارگيري مدل شبكة عصبي همان نيازمندي‌هائ را مي‌طلبد كه مدلهاي محاسباتي كلاسيك مي‌طلبند.
منبع:http://www.nano.ir