Soft-hardware

V informatice a výpočetní technice je dnes velmi populární soft computing. ¹⁾ Jde o soubor výpočetních metodologií, které se zrodily z klasické umělé inteligence. Od svého mateřského oboru se liší hlavně ve využívání biologické inteligence. Zatímco klasická umělá inteligence, zabývající se programy schopnými soutěžit s člověkem, využívá spíš elementy, které v biologické inteligenci nejsou klíčové (heuristiku, reprezentaci znalostí či symbolické zpracování), soft computing čerpá z modelování přírodních procesů. Inspiruje se jimi na úrovni fylogeneze (evoluční algoritmy), ontogeneze (celulární automaty) i epigeneze (umělé neuronové sítě a imunitní systémy).

Soft computing zahrnuje řadu přístupů, ²⁾ které lze všelijak kombinovat. Například evoluční algoritmy ve spojení s celulárními automaty vedly ke vzniku nového výpočetního paradigmatu – celulárního programování. Přístupy soft computing používáme především proto, že v určité kategorii úloh jimi dokážeme za stejný čas spočítat více než konvenčními technikami. Jestliže je simulace počítačového modelu na konvenčním procesoru pomalá, můžeme navrhnout specializovaný hardware (např. nový procesor). Je to podobné jako třeba grafický procesor pro urychlení operací na grafické kartě v osobním počítači.

Návrh specializovaného procesoru se příliš neliší od návrhu běžného programu. V programovacím jazyce pro popis obvodů se navrhne a simuluje zapojení číslicového obvodu (tj. našeho procesoru), a z tohoto popisu se v jiném programu vytvoří konfigurační informace, která se nahraje do univerzálního rekonfigurovatelného (programovatelného) obvodu. Pokud potřebujeme jiný specializovaný obvod, změníme pouze konfigurační informaci programovatelného obvodu (samozřejmě ji musíme mít připravenu předem). Konfigurační informace určuje, jak se naprogramují jednotlivé elementy obvodu (zda bude element pracovat jako logický součin nebo logický součet a kam se mají připojit jeho vstupy i výstupy) a také jak se to celé připojí k vstupům a výstupům obvodu. K tomu účelu se používají programovatelná hradlová pole, která mají dostatečnou kapacitu na to, aby takový procesor mohl vzniknout. Přeprogramování hradlových polí trvá několik milisekund, jednotlivé skupiny elementů lze přeprogramovat za pár mikrosekund, někdy i rychleji. Konfigurační informace je uložena v paměti typu RAM a je zajímavé, že některé obvody umožní nahrát i náhodnou konfiguraci, aniž se zničí čip. Vytvořením specializovaného obvodu lze urychlit výpočet úlohy (například výpočet umělé neuronové sítě se už nesimuluje programově, ale řeší se obvodově).

Od počátku devadesátých let (a hlavně kolem r. 1996) vedly rekonfigurovatelné obvody ve spojení se soft computing k formování hardwaru inspirovaného biologií. Zasloužili se o to zejména T. Higuchi, A. Thompson, H. de Garis a D. Mange. Rekonfigurovatelný obvod přestává být pouhým prostředkem k urychlení výpočtu a stává se podstatou věci. Nejvýrazněji je to patrné na vyvíjejících se obvodech, kde je fyzické zapojení obvodu subjektem evoluce, je inspirováno fylogenezí. Celulární systémy jsou zase inspirovány ontogenezí. Celý obvod je chápán jako vícebuněčný organizmus. Počáteční obvod se vytváří z mateřské buňky a od počátku nese ve své struktuře celý genetický program buněčného dělení a buněčné specializace i s užitečnými vrozenými rysy, jako je sebeoprava či sebereplikace. Celulární automat, spolu s evolucí své přechodové funkce, lze ještě kombinovat s umělou neuronovou sítí.

Klasifikaci hardwaru inspirovaného biologií zavádí POE hardware (POE – zkratka pro fylogenezi, ontogenezi a epigenezi). Citujme autory modelu: Jestliže se díváme do budoucnosti a trochu při tom sníme, můžeme si představit skutečné nanosystémy (bioware), které budou vybaveny evolučními, sebereprodukčními, sebeopravujícími a nervovými schopnostmi. Takové systémy potom povedou ke vzniku nových druhů, které budou existovat spolu s živými bytostmi založenými na uhlíku. Tím je nejspíš vymezen náš cíl.

Lze je charakterizovat jako technologii umožňující vytvořit vyvíjející se systém, který je schopen autonomně a dynamicky měnit své fyzické zapojení v závislosti na změně prostředí, v němž je použit. Evoluční algoritmus (např. genetický) pracuje s populací bitových řetězců, které představují různá zapojení obvodu (např. jako konfigurační informace programovatelného obvodu), a je použit pro konstrukci zapojení. Nová populace je vygenerována s využitím operátorů inspirovaných biologií (mutacemi, křížením a selekcí), které jsou definovány nad těmito zapojeními. Kvalitu řešení určuje fitness funkce (říká se jí též funkce vhodnosti). Programovatelný obvod se nakonfiguruje pomocí navrženého řešení a vzniklé zapojení se ohodnotí. Jestliže má evoluce nalézt například zapojení sčítačky (sčítací jednotky), musíme tuto funkci zkonstruovat tak, aby jejím výsledkem byla větší hodnota pro lépe sčítající sčítačku a menší hodnota pro hůře sčítající sčítačku. (Hůře znamená, že taková sčítačka pracuje správně jen pro některé vstupy.)

Kdybychom definovali jen jedinou funkci vhodnosti, neměl by se náš přístup (dle některých autorů) nazývat vyvíjející se obvody, ale evoluční návrh obvodů. Ten nám bude stačit, jestliže budeme hledat pouze jedno zapojení – například zmíněnou sčítačku. Výsledek evoluce – tedy zapojení sčítačky, které by mělo mít lepší parametry než doposud nejlepší známá sčítačka navržená tradičními technikami – se potom může začít používat ve všech aplikacích namísto té dosavadní nejlepší sčítačky. Termín vyvíjející se obvody by měl být používán jen v případě, že použijeme vícero funkcí vhodnosti, které budou představovat dynamicky se měnící prostředí (evoluce nemá předem daný cíl) a že celý systém bude realizován v hardwaru. V takovém případě jde o současnou evoluci zapojení obvodu a prostředí. Evoluci nelze nikdy trvale ukončit, protože dosavadní nejlepší řešení nemusí být dostatečně kvalitní v novém prostředí.

Jako příklad uveďme kompresi obrazu (balení). Vyvíjející se obvod pracuje jako prediktor obrazových elementů (pixelů) v bloku obrazu předem neznámé velikosti. Pokud je predikce úspěšná, může se blok postupně zvětšovat, evoluce tento prediktor neustále vylepšuje. V jistém okamžiku ale klesne kvalita komprese bloku pod povolenou úroveň a evoluce se musí zastavit. Konfigurace nalezeného prediktoru pak (společně s dalšími údaji) představuje blok ve zkomprimovaném souboru. Stejně se pokračuje se zbytkem obrazu. Jednotlivé bloky, respektive jejich konkrétní datové obsahy, pak lze chápat jako různá prostředí pro vyvíjející se prediktor.

• Evoluce umožňuje navrhnout obvody technikami, které jsou pro konvenční návrh nedosažitelné. Odstraňuje omezení, která jsou součástí tradičního návrhu (nepoužívá klasické návrhové techniky založené na dekompozici a minimalizaci), odstraňuje i předsudky, které vnášel sám návrhář.
• Umělá evoluce najde (díky realizaci v hardwaru) dostatečné řešení rychleji než konvenční metoda, anebo poskytne alespoň nějaké řešení tam, kde konvenční metoda z časových důvodů neposkytne žádné.
• Tato technika má praktické výsledky, protože existuje řada aplikací, a dokonce i několik komerčních čipů založených na vyvíjejících se obvodech (např. pro kompresi obrazu).
• Umělá evoluce vnáší do systému „vrozenou“ odolnost proti poruchám. Při poruše některého prvku je velmi pravděpodobné, že se (díky redundanci programovatelných elementů obvodu) podaří najít zapojení ze zbylých prvků.
• Návrhy využívající tuto techniku jsou uživatelsky příjemné – uživatel definuje, co se má udělat, a ne jak se to má udělat.

• Ve škálovatelnosti. Pro velký počet elementů v programovatelném obvodu je výpočet zatím časově nezvládnutelný. Evoluce zaznamenala úspěch jen pro poměrně jednoduchá zapojení. Hlavní překážkou, kterou je nutno překonat při škálování evolučního návrhu číslicových obvodů, jsou (dle V. Vassileva a J. F. Millera) obtíže s definováním stavebních bloků tak, aby byly vhodné pro evoluci. Zjistilo se, že velké sčítačky mohou být evolucí navrhovány efektivně jen tehdy, jestliže se sčítačky menší velikosti využijí jako stavební bloky. To ale neplatí o násobičkách. Možná že násobička je základní jednotka, kterou nelze rozložit na menší bloky tak, aby byl výsledek evoluce tím nejlepším možným návrhem. Je také pravděpodobné, že existují další aritmetické a logické funkce, které neumožňují, aby byl nejlepší možný návrh rozložen do subobvodů.
• Ve schopnosti generalizovat. Pro logické obvody se funkce vhodnosti obvykle počítá jako procento správně určených výstupů pro všechny vstupy. Pro malou šířku vstupu je doba, po kterou se zapojení hodnotí, přijatelná, ale přidáním jednoho vstupu se velikost tabulky zdvojnásobí (kombinační logické sítě). Evoluce obvykle nenajde správný kombinační obvod, pokud nemá k dispozici všechny možné vstupy.
• V odolnosti. Pokud není obvod navržený evolucí triviální, můžeme ho chápat pouze jako „černou skříňku“. Vykazuje sice požadované chování, ale o jeho dalších vlastnostech nevíme téměř nic. Zapojení nebylo připraveno tradiční inženýrskou metodou, ale propojováním, které se řídí zákonitostmi, jež neznáme. Jestliže ale výsledný obvod není „proměřen“, nelze garantovat jeho činnost v jiném prostředí než v tom, v němž evoluce probíhala.

Vyvíjející se obvody (jako disciplína) potvrdily oprávněnost své existence. Nejenže již existují komerčně dostupné čipy založené na této technologii, ale evoluce umožnila najít i zcela unikátní a elegantní zapojení elementárních obvodových prvků. Návrh aplikací vyvíjejících se obvodů je časově i intelektuálně náročný, vyžaduje zkušenosti s navrhováním programů, obvodů a evolučních algoritmů. Je založen na experimentování.

Důsledkem toho všeho je změkčení hardwaru. Zůstává tradiční rychlost a paralelní výpočet, ale obvody můžeme chápat jako programy, které se přizpůsobují požadavkům prostředí, v němž pracují. Můžeme je mazat, kopírovat, doučovat... Jsme teprve na začátku, tudíž nezbývá než souhlasit s P. Hájkem: Dnes ještě patrně nelze odhadnout, jak to se soft computing (a – dodejme – ani s hardwarem inspirovaným biologií) dopadne. Nicméně návrháři hardwaru odkryli v tomto nesmírně vzrušujícím odvětví další potenciál. Výsledky bádání nemusí být použity jen v inženýrské a návrhářské praxi, mohou také zpětně ovlivnit studium a vývoj zdroje své inspirace – biologie. ³⁾