Mooresches Gesetz: Definition, Geschichte und Wirkung auf die Zukunft

Die Wellen der wirtschaftlichen Entwicklung werden von Erfindungen getragen, und diese wiederum in aller Regel von technologischen Durchbrüchen.
Eines der prägenden Merkmale der Wirtschaft der vergangenen fünfzig Jahre ist das Mooresche Gesetz: Es hat zu einem exponentiellen Wachstum der Rechenleistung und zu einem ebenso exponentiellen Verfall ihrer Kosten geführt.

Die 4 Waves Of Industrial Revolution zeichnen die gesamte Geschichte der menschlichen Zivilisation anschaulich nach, mit Schwerpunkt auf der kulturellen, technologischen und organisatorischen Entwicklung. Eines dieser bemerkenswerten Beispiele für disruptive Innovation ist heute als Mooresches Gesetz bekannt.

Was ist das Mooresche Gesetz?

Im Jahr 1965 beobachtete Gordon E. Moore, der Mitgründer von Intel, dass sich die Zahl der Transistoren auf einem integrierten Schaltkreis etwa alle zwei Jahre verdoppeln lässt.  Intel machte diese Beobachtung zum Hauptziel seiner Entwicklung: Fertigung und Forschung an Chip-Architekturen wurden darauf ausgerichtet, die Rechenleistung im Zweijahrestakt zu verdoppeln und die Kosten dabei in einem vertretbaren Rahmen zu halten.

Indem Intel die Transistoren verkleinerte (bis auf 65 nm) und ihren Einsatz optimierte, konnte das Unternehmen dieses Ziel bis zum Jahr 2005 mit Einkern-CPUs verfolgen.  Als Lösung stellte Intel die erste Mehrkern-CPU vor: Mit der Verdopplung der Recheneinheiten auf einer einzelnen CPU verdoppelte sich auch die Leistung.
Das setzte das Mooresche Gesetz zwar fort, doch Mehrkern-CPUs erzwangen einen harten Bruch in der Art, wie Anwendungen entwickelt wurden. Statt eine einzelne serielle Anwendung zu schreiben, mussten Programmierer beginnen, Parallelität einzuführen, um mehrere Kerne gleichzeitig nutzen zu können.

Mehrkern-CPUs brachten mehrere Einschränkungen für das Mooresche Gesetz mit sich: Nicht jeder Algorithmus kann Mehrkern-CPUs vollständig ausnutzen (Amdahlsches Gesetz). Nur gut parallelisierbare Algorithmen profitieren also in vollem Umfang von mehreren Recheneinheiten.  Bei Einkern-CPUs senkte die Verkleinerung der Transistoren zugleich den Energiebedarf je Transistor (Dennard-Skalierung), bei Mehrkern-CPUs galt das nicht mehr.  Unabhängig davon wurde eine dritte Einschränkung wichtig, die Lücke zwischen Rechen- und Speicherleistung: Während die Leistung von CPUs exponentiell wächst, wächst ihre Speicherbandbreite nur linear. Aufgaben, die sehr viele Speicherzugriffe erfordern, können die verfügbare Leistung einer CPU nicht ausschöpfen.

Warum das Mooresche Gesetz heute weiter gilt

Grafikprozessoren (GPUs) sind heute der Grund dafür, dass das Mooresche Gesetz weiter gilt. GPUs wurden zunächst für die schnelle Berechnung von Grafik in Computerspielen eingeführt, erlauben aber die massiv parallele Bearbeitung von Aufgaben auf Tausenden von Kernen (aktuelle GPUs von Nvidia haben bis zu 6000 Kerne). Die Hersteller erreichen diese hohe Zahl, indem sie die Flexibilität des einzelnen Kerns beim Rechnen verringern. GPUs gelten oft als Beschleuniger: Für komplexe Aufgaben müssen Entwickler auf CPUs zurückgreifen; sobald ein Algorithmus sehr viele gleichartige Rechenschritte auf einem regelmäßigen Datensatz verlangt, geben die CPUs die Arbeit an eine GPU ab.

Wir sehen: Die Algorithmen, die von dieser Art hybrider Hardware am meisten profitieren, sind auch die mit den beeindruckendsten Ergebnissen – neuronale Netze im Umfeld des maschinellen Lernens und jene Aufgaben, die in Blockchains als Proof-of-Work dienen.

Parallel dazu begann die Branche, spezialisierte Chips für bestimmte Anwendungsfelder zu entwickeln: Tensor Processing Units (TPUs) werden von Google oder Nvidia allein zu dem Zweck entwickelt, Algorithmen des maschinellen Lernens zu beschleunigen. Apple verfolgt in der aktuellen Chip-Architektur der iPhones einen hybriden Ansatz.  Energieeffiziente Kerne arbeiten, solange das Smartphone ruht und lediglich Daten erfasst; bei Nutzung werden Hochleistungskerne zugeschaltet. In den jüngsten Supercomputer-Clustern rechnen Hunderttausende leistungsstarker und energiehungriger Prozessoren an parallelen Algorithmen, um eine Leistung im Exaflop-Bereich zu erreichen.

Die Auswirkungen auf die Zukunft

Die Entwicklungen, die wir hier beschreiben, sind aller Voraussicht nach auch die der kommenden Jahre.

Während die Transistoren nur noch in langsameren Zyklen kleiner werden (die 2-nm-Grenze wird 2025 erreicht), hat sich das Mooresche Gesetz von einer allgemeinen Entwicklung der Chips zu einer Frage der Leistungssteigerung durch Spezialisierung gewandelt.

Als aufkommende Technologie wird man auch Quantencomputer (QC) auf eine bestimmte Klasse von Aufgaben anwenden. Quantencomputer sind heute überwiegend ein abstraktes Konzept – alle Versuche eines tatsächlichen Quantencomputers richten sich darauf, eine physikalisch stabile Umsetzung zu finden –, doch Physik und theoretische Informatik erlauben bereits einen Blick in die Zukunft:

In der Quantenphysik werden Zustände zu einer Frage der Wahrscheinlichkeit. Dadurch kann ein Quantenbit unendlich viele Zustände zugleich darstellen (Superpositionsprinzip) statt zweier wie ein klassisches Bit. Mit passenden Algorithmen (Shor-Algorithmus, Grover-Algorithmus) lassen sich Quantenbits so verändern, dass sie die wahrscheinlichste Lösung einer Aufgabe abbilden. Ob das Ergebnis einer Quantenberechnung tatsächlich die Lösung der Aufgabe ist, bleibt ungewiss; es muss deshalb stets von einem klassischen Rechner überprüft werden.

Mit diesen Eigenschaften eignen sich Quantencomputer hervorragend für Aufgaben, bei denen klassische Rechner nicht besser abschneiden als das bloße Raten der Lösung. Quantencomputer werden die Verschlüsselung verändern, wie wir sie kennen: Ein Schlüssel gilt heute als sicher, wenn er sich nur erraten lässt. Bei Suchaufgaben dagegen, wie sie in Datenbanken oder beim maschinellen Lernen auftreten, werden wir einen enormen Leistungssprung sehen.