Bugün, biz bilgisayarlarla çevrili olmayı ve devamlı akıllı telefonlarla oynamayı çok doğal görüyoruz. İnsanlar, web ve internetin ortak yaşamının başlangıcı 1999’da tarihi AOL reklamına dayanıyor bu reklamda Boris Becker “Ben buradayım.” demişti. 2019’da (yani bundan yirmi yıl sonra), burada olmak bambaşka olacak: ‘Yapay Zeka’ (YZ) ve ‘nesnelerin interneti’ şu an bir kaç yıl önce ‘bulut’ ne kadar uzaksa o kadar uzak, fakat bu geçiş süreci bizim günlük hayatımıza çok ciddi derecede etki edecek.
Nesnelerin interneti santimetre büyüklüğünde ağa bağlanabilen cihazlardan oluşan bir dünya yaratıyor, çiplerden, sensörlerden ve kablosuz aktarımlardan ibaret bir dünya. Bunlar kıyafetlerde, arabalarda, sokak lambalarında ve park yerlerinde bulunacak ve bir veri akışını toplayacaklar. Gelecekte, bu veri yavaş algoritmalarca değil, kendi kendine öğrenen sistemlerce işlenecek ve her yeni veri ile daha iyi hale gelecek ve daha “akıllıca” tepki verecekler.
Fakat, bu yeni dünya ancak basit bir sabit var olursa kurulabilir: En küçük aritmetik birim (yani transistörler) küçülmek zorunda, böylece bilgisayarlar daha efektif hale gelecektir. 15 yıl önce, transistörlerin ebatı 130 nanometreydi (nm),yani bir grip virüsü kadar ufaklardı; bugün araştırmacılar atomik çapın (0.3 nm) altında transistörler üretmek için kafa patlatıyorlar.
Gelişim için küçülme
Transistörler ikili kodlardaki bir ve sıfırları temsil eden minik elektronik anahtarlar. Transistörler ne kadar küçük olursa, bilgisayarlar o kadar hızlı (konu performans olunca) veya müsrif (pilli çalışmada daha önemli ) oluyor. Meşhur Moore yasası çip üretiminde 50 yıldır tempoyu belirliyor. Bu yasaya göre, aynı alana sığacak transistör sayısı her geçen 18 ayda bir iki katına çıkmalı. Bu iki kata çıkma yaklaşık yüzde 40 efektivite artışı demek. Çip endüstrisi şu an Moore’un yasasına ayak uyduramıyor zira çip üretiminde kullanılan teknoloji kendi sınırına ulaştı.
Yeni bir nesil geliştirme süreci daha şimdiden milyarlarca Euro harcanmasına sebep oldu. Yaklaşık 20 çip üreticisinden sadece dördü Moore yasasını ileri taşıyabiliyor: Intel, Samsung, TSMC (Taiwan Semiconductor Manufacturing Company) ve Globalfoundries (AMD’ye çip veren firma). Bir çok akıllı telefon üreticisi TSMC’nin üretim hizmetlerini kullanıyor. Daha da ötesinde, bir transistör neslinin ebat tasarımları artık gerçek boyutlarla ilgili değil. Samsung Galaxy S8’de 10 nm’lik transistörlerden oluşan bir çip var. Aslında transistörün hiç bir parçasının ebatı 10 nm değil. Samsung tarafından ‘10 nanometre’ olarak tanımlanan şeyin Intel ve TSMC için bambaşka bir anlamı var.
Bu yeni FinFET modeli ile ilişkilendiriliyor, ki bu Intel tarafından 2012’de tanıtıldı. Basitçe bir FinFET’te iki yapısal eleman var – kanatçık ve kapı – bunlar bir örgüde kesişiyor. Elektrik kanatçığın içinden geçiyor. Bu elektrik kapı tarafından geçiriliyor veya engelleniyor. Bu aranjman değerdeki 0 veya 1’i değiştirebiliyor. Bu iki değer farklı çip üreticilerinin yapısal ebatlarını kıyaslamaya imkan sağlıyor: ‘Temas eden poli alan’ kapıların arasındaki mesafeyi belirliyor ‘Minimum metal alan’ kontaktların arasındaki mesafeyi belirliyor ve bunlar direkt transistörlerin üzerine yerleştirilerek elektrik akımının tedariğini sağlıyor.
Moore yasası hakkında son dakika
FinFET’in avantajı kanatçıkta. Kapı kanatçığı üç yanından sarıyor ve bu durum elektrik akımının aktive edilmesini veya devreden çıkarılmasını efektif bir biçimde kontrol edebilme imkanı sağlıyor. Fakat yapı ne kadar ufak olursa, elektriğin akışını kontrol etmek de bir o kadar zor oluyor. Bu akımda sızmalara, daha çok ısıya ve gereksiz derecede yüksek sarfiyata sebep oluyor. Yarı iletken endüstrisinde, FinFET’lerin yedi nm ile kendi sınırlarına ulaştığı kabul ediliyor. TSMC 2018’de 7 nm’e geçmeyi ve bunu bir sonraki iPhone’da kullanmayı planlıyor. Bu gerçekleşirse, şirket eski teknolojiyi kullanan son çip neslini piyasaya sunmuş olacak.
İki icadın Moore yasasının devamını sağlaması bekleniyor: İlki yeni bir maruz bırakma metodunun kullanılması. Çip üreticileri şu an batırma litografi prosedürü ile silikonda yapıları oluşturuyor. Bu 193 nm dalga uzunluğu kullanan lazer ile yapılıyor. Maskeler kullanılarak malzemede dalga uzunluğundan daha küçük yapılar oluşturulabiliniyor. EUV (extreme ultraviolet) lazerlerin, sadece 13.5 nm dalga uzunluklu, kullanımına yakında geçilecek. Çok kısa dalga boyundan dolayı, bu teknolojiyi vakumlu ortamda ve özel aynalarla kullanmak gerekecek – Bunlar ciddi teknolojik sorunlar. Hollandalı ASML firması EUV makineler üretiyor; 14 adet böylesi sistem dünyada kullanımda. ASML EUV seri üretim makinelerin 2019’dan itibaren hazır olacağına inanıyor.
2020 gibi 5-nm nesline ulaşılınca, yeni bir tasarım denkleme girecek: Nanowire transistörlerde, kapı kanatçığı tamamen saracak. Sonuç olarak, elektriğin akımı FinFET’ten daha iyi kontrol edilmiş olacak.
2016’ yazında, Interuniversity Microelectronics Centre (yaklaşık 2000 çalışan ile bu alanda çalışan en büyük araştırma merkezlerinden biri) Belçika’nın Leuven şehrinde 8 nm çapındaki ilk nanowire prototipini üretti. Endüstride nanowireların 3 nm nesline kadar kullanılabileceğine inanılıyor. Bu eşiğe ulaşılınca silikonun transistörlerde kullanılması bir hatıra olarak yerini alacak.
Geleceğin bilgisayarında hızlı hesaplama motorları
Transistörlerin küçülmesi gelecekte ev PC’leri için yeni tasarımların gelmesini hazırlıyor. AMD yakınlarda tüm dünyaya bu tarz bir yeni bilgisayarın nasıl gözükeceğini gösterdi. Exascale heterogeneous processor (EHP) tipi bir işlemci tüm bileşenleri (işlemci, ekran kartı ve RAM) tek bir çipte sunuyor. Bir çok modern işlemcide işlemci çekirdeklerine ek olarak bir grafik ünitesi bulunuyor. Bunlar sadece filmleri dekode etmek için kullanılıyor, bunlar oyunlar için fazla güçsüzler. EHP grafiği işlemci çekirdeklerinden ayırıyor ve bunları yan yana konumlandırıyor. Sonuç olarak, grafik sistemi yüksek performanslı hesaplamalar yapabilmek için yeterince çip alanına sahip oluyor.
İşlemci ve grafik kartı işlemcisi interposer ile bağlanıyor. Bir interposer kendisine binlerce iletken basılmış bir silikon yüzey anlamına geliyor. Bu interposer ile gerçekleşen veri aktarımının hızını ciddi derecede artırıyor. RAM – burada bir high-bandwidth memory (HBM) şeklinde – grafik çekirdeklerinin üzerinde konumlandırılmış. HBM’in RAM çubuklarına karşı avantajı hafıza hücrelerinin çoklu katmanlar halinde istiflenmiş olması – Bu verinin aktarımını da hızlandırıyor. Yüksek sıcaklık oluşumu şu an hafızanın direkt aritmetik ünitelerin üzerine konulmasını engelliyor, zira bu şekilde çip eriyecektir. Bu konsept daha ufak transistörleri mecbur kılıyor ve bunlar düşük enerji sarfiyatlarına rağmen hızlı çalışabiliyorlar.
YZ donanımı ile çevrelenmiş
EHP konsepti PC’lere adapte edilebilirse de bu bu cihazlar için tasarlanmadı. Bugün teknolojik gelişmenin momentumu sunucular, PC’ler veya akıllı telefonlarla oluşturulmuyor. İki başka faktör geleceğin bilgisayarının nasıl görüneceğini belirleyecek: Bu iki faktör yapay zeka (YZ) and ve nesnelerin interneti (IoT), bunlar sensölerin ve cihazların tek bir altyapıda birbirine çapraz bağlanması şeklinde açıklanabilir.
Sınırlı fakat yapay zeka
‘YZ’ hatalı bir tabir, zira YZ’nin yaptıklarının genelde “zeka” kavramı ile pek de bir ilgisi yok. Biz şu an YZ’dan çok ama çok uzaktayız, kompleks bir ortamda bir insan gibi hareket edebilen ve karşılaşmadığı sorunları çözebilen bir yapıdan. Bunun yerine, bir YZ merkezi özellikle belirlenmiş bir görevi yapan nöronlardan oluşan bir ağ gibi – ve bunu yapmadan önce çok kapsamlı bir eğitim programından geçmeli. Bazı YZ’lar eğitim aşamasından sonra geri bildirimlerle öğrenmeye devam edebiliyorlar; böylesi YZ’lar gittikçe daha iyi hale geliyorlar.
Bu tarz ağlar bir çok devrenin basit hesaplamaları birbirine paralel olarak yapması şeklinde tezahür ediyorlar. YZ geliştiricileri nVidia 1080 GTX [ 2560 aritmetik mantıksal ünitesi var (ALU)] gibi ekran kartlarını YZ hesaplamalarında kullanmaktan memnunlar. Fakat bu doğrusunu söylemek gerekirse etrafından dolaşmaktan başka bir şey değil: Bir çok ALU genelde kullanılmıyor, zira bu nöron ağında bu kadar çok paralelliğe gerek duyulmuyor. Daha da ötesinde, bir nöron ağında sürekli ciddi miktarda veri Hafızaya ve hafızadan aktarılmalı– Bu anlamda, bir HBM GTX 1080’deki RAM’den daha hızlı. Intel’in Lake Crest projesi YZ için optimize edilmiş bir aritmetik ünitenin neye benzeyeceğini gösteriyor; ilgili cihazlar raflarda yerini bulmaya başladı gibi. Lake Crest’teki işlemci devrelerine Intel ‘işlem kümesi’ adını koymuş. Her kümede, bir çok ALU birbiri ile ve HDM ile bağlı durumda.
İnsanlar için yapay zeka
YZ için optimize edilmiş donanım şimdiden cihazlarımıza girdi: Örneğin, Qualcomm’un yeni Snapdragon 835’ini kullanan akıllı telefonları düşünün. İşlemci ve grafik ünitesinin yanında, böylesi bir mobil çipte bazı özel işlemciler var. Qualcomm bunlardan birini özellikle Google TensorFlow AI yazılımı içeren hesaplamalar için optimize etmiş. TensorFlow işlemleri işlemci işlemlerinden 25 kat daha hızlı ve ekran kartı işlemlerindense 8 kat daha hızlı. Geçen yıl, Google TensorFlow’un program kütüphanesini açık kaynak olarak paylaştı. Ayrıca 2017 başında Windows’la uyumlu hale getirildi. Sonuç olarak, YZ fonksiyonları telefon uygulamalarına ve Windows programlarına sızmaya başladılar.
Ayrıca konu nesnelerin interneti olunca, YZ hesaplamaları için optimize edilmiş donanım yaratmak mümkün olabilecektir. Amerikalı start-up CubeWorks şirketi bunu nereye kadar götürebileceğimizi test ediyor. Firma mikromotlar geliştiriyor, bunlar milimetre ebatında ve mini kameralar, hareket veya sıcaklık sensörleri ile geliştirilebilen mini bilgisayarlar. CubeWorks geçenlerde YZ işlemcili bir mikromot tanıttı ki bu sadece 300 mikrowatt enerji sarfiyatına sahip. Mikromot bir hırsızın yaklaştığını fark edebilmeli veya pencerenin önünde rüzgardan sallanan bir dalı algılayabilmeli.
Donanım iyileştirmelerine ek olarak, YZ gelişmesi yapay zekayı günlük rutinimize gittikçe daha çok sokuyor, zira bazı hesaplamalar sadece YZ’nin yardımı ile daha da geliştirilebilir. Kasım’dan beri, Google Raisr’ı kullanıyor, bu nöron ağı düşük kaliteli küçük fotoğrafların kalitesini bir insanın ürettiği her ölçekleme filtresinden daha iyi şekilde artırabiliyor. Nöron ağlarının video kodlamasında kullanılmasına dair araştırmalar devam ediyor ve Google belli ki bu tahminlere 2 yıl önceden başlamış, bunu kendi ürünleri olan VP10 video kodeğinden anlayabiliyoruz. Bir nöron ağı kullanarak filmleri dönüştürmek teoride daha iyi çıkış kalitesi anlamına gelir, zira video sıkıştırmanın ilk adımı farklı sahnelerdeki benzer renk ve parlaklık değerlerini tanımlamaktan geçer. Bunu yapabilecek sofistike algoritmalar mevcut olsa da, YZ bunu mevcut filmin verisinde bunu optimize etmek için kullanılabilir.
Sosyal ikilemde bilgisayarlar insani yönlerini gösteriyor
Bilgisayarlar yalan söyleyebilir mi? Generative adversarial networks (GAN, üretici reklam ağları ) eğitildiklerinde, bunların karşılıklı çalışan iki YZ olması bekleniyor, durum şu olacak: Bir nöron ağı görüntü tanımlama için optimize edilmiş olacak ve diğerine görüntüler sunacak, bunlara suni görüntüler de dahil. Eğitim almamış ağ hangi görüntünün gerçek olduğunu hangisinin olmadığını tespit etmek zorunda olacak. İki ağ da tanımanın veya tanımamanın etkili olduğuna dair geri bildirim alacak. Bunlar birbiri ile çalıştıkça, biri sahte olanları tespit etmekte diğeri ise onları yaratmakta daha iyi hale gelecektir. Sonunda, iki ağ da kendi işlerini yapmayı yanlış bilgilendirmenin sonucu olarak daha hızlı öğrenecektir (sadece gerçek görüntüler içeren bir eğitime kıyasen) GAN’ların yanında, YZ araştırması pekiştirici öğrenme alanında da ilerliyor. Bu alanda YZ’lerin etrafındaki şartlara kendi başlarına ne derece iyi uyum sağlayabileceği araştırılıyor. Bu anlamda, bilgisayar oyunları yeterince basit bir çerçeve sunuyor, fakat YZ’a yaptıklarının başarılı olup olmadığını anlayabilmeleri için yeterince geri bildirim de yapabiliyor. DeepMind (Google’ın YZ oluşumu) bu konsepti biraz daha ileri taşıdı; şirket iki YZ’nın bir oyun ortamında bir sosyal ikilem içinde nasıl davranacağını inceliyor: Başarı işbirliği ile mi yoksa rekabet ile mi gelir? Sonuç: İş birliği daha zor senaryo ve daha çok öğrenme ilgili emek gerektiriyor. Mevcut kaynakların sayısı arttıkça, bu strateji YZ’lar tarafından daha sık seçildi. İş birliği sonuçta daha çok işlem gücü gerektiriyor.
