एआई मॉडल और प्लेटफ़ॉर्म

ऊर्जा-कुशल एआई: न्यूरोमॉर्फिक कंप्यूटर्स के साथ एक नया युग

Alex McFarland
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुन्यूरोमॉर्फिक कंप्यूटिंग मस्तिष्क की समानांतर प्रसंस्करण प्रणाली की नकल करके एआई की…
और देखें
  • न्यूरोमॉर्फिक कंप्यूटिंग मस्तिष्क की समानांतर प्रसंस्करण प्रणाली की नकल करके एआई की ऊर्जा खपत में भारी कमी लाती है।
  • एक नई स्व-अधिगम भौतिक मशीन बाहरी प्रतिक्रिया के बिना ही अधिक दक्षता के साथ एआई को प्रशिक्षित करती है।
  • पहली कार्यशील स्व-अधिगम भौतिक मशीन को तीन वर्षों के भीतर प्रदर्शित किया जा सकता है।

तेजी से बढ़ते क्षेत्र में कृत्रिम बुद्धिमत्ता (एआई) अपने प्रदर्शन के लिए प्रसिद्ध है, लेकिन इसकी ऊर्जा लागत बहुत अधिक है। जर्मनी के एरलांगेन में मैक्स प्लैंक इंस्टीट्यूट फॉर द साइंस ऑफ लाइट में दो प्रमुख वैज्ञानिकों द्वारा प्रस्तावित एक नई दृष्टिकोण, एआई को अधिक कुशलता से प्रशिक्षित करने का लक्ष्य रखता है, जो डेटा को संसाधित करने के तरीके को क्रांतिकारी बना सकता है।

वर्तमान एआई मॉडल प्रशिक्षण के दौरान बड़ी मात्रा में ऊर्जा की खपत करते हैं। जबकि सटीक आंकड़े दुर्लभ हैं, स्टैटिस्टा के अनुमानों से पता चलता है कि जीपीटी-3 के प्रशिक्षण में लगभग 1000 मेगावाट घंटे की आवश्यकता होती है – 200 बड़े जर्मन घरों की वार्षिक खपत के बराबर। जबकि इस ऊर्जा-गहन प्रशिक्षण ने जीपीटी-3 को शब्द अनुक्रमों की भविष्यवाणी करने के लिए परिष्कृत किया है, यह सहमति है कि यह शब्दों के अंतर्निहित अर्थों को नहीं समझा है।

न्यूरोमॉर्फिक कंप्यूटिंग: मस्तिष्क और मशीन का संयोजन

जबकि पारंपरिक एआई प्रणालियां डिजिटल कृत्रिम तंत्रिका नेटवर्क पर निर्भर करती हैं, भविष्य न्यूरोमॉर्फिक कंप्यूटिंग में हो सकता है। फ्लोरियन मार्क्वार्ट, मैक्स प्लैंक इंस्टीट्यूट के निदेशक और एरलांगेन विश्वविद्यालय में प्रोफेसर, ने पारंपरिक एआई सेटअप के नुकसान को रेखांकित किया।

“प्रोसेसर और मेमोरी के बीच डेटा ट्रांसफर अकेले एक महत्वपूर्ण मात्रा में ऊर्जा की खपत करता है,” मार्क्वार्ट ने कहा, विशाल तंत्रिका नेटवर्क को प्रशिक्षित करने में अक्षमताओं पर प्रकाश डाला।

न्यूरोमॉर्फिक कंप्यूटिंग मानव मस्तिष्क से प्रेरणा लेती है, डेटा को समानांतर में संसाधित करती है, न कि क्रमिक रूप से। मूल रूप से, मस्तिष्क में सिनैप्स प्रोसेसर और मेमोरी दोनों के रूप में कार्य करते हैं। इन विशेषताओं की नकल करने वाली प्रणालियां, जैसे कि फोटोनिक सर्किट जो गणना के लिए प्रकाश का उपयोग करते हैं, वर्तमान में अन्वेषण के अधीन हैं।

स्व-शिक्षित भौतिक मशीनों के साथ एआई प्रशिक्षण

डॉक्टरेट छात्र विक्टर लोपेज़-पास्टर के साथ काम करते हुए, मार्क्वार्ट ने न्यूरोमॉर्फिक कंप्यूटरों के लिए एक अभिनव प्रशिक्षण विधि पेश की। उनकी “स्व-शिक्षित भौतिक मशीन” मूल रूप से एक अंतर्निहित भौतिक प्रक्रिया के माध्यम से अपने पैरामीटर को अनुकूलित करती है, बाहरी प्रतिक्रिया को अप्रासंगिक बना देती है। “इस प्रतिक्रिया की आवश्यकता नहीं होने से प्रशिक्षण बहुत अधिक कुशल हो जाता है,” मार्क्वार्ट ने कहा, सुझाव देते हुए कि यह विधि ऊर्जा और कम्प्यूटिंग समय दोनों को बचाएगी।

व्यावहारिक कार्यान्वयन की ओर

द्वय के सैद्धांतिक कार्य व्यावहारिक अनुप्रयोगों के साथ संरेखित हैं। एक प्रयोगात्मक टीम के साथ सहयोग करते हुए, वे एक ऑप्टिकल न्यूरोमॉर्फिक कंप्यूटर को आगे बढ़ा रहे हैं जो सुपरइम्पोज्ड लाइट तरंगों का उपयोग करके जानकारी संसाधित करता है। उनका उद्देश्य स्पष्ट है: स्व-शिक्षित भौतिक मशीन की अवधारणा को वास्तविक बनाना।

“हम तीन साल में पहली स्व-शिक्षित भौतिक मशीन प्रस्तुत करने की उम्मीद करते हैं,” मार्क्वार्ट ने अनुमान लगाया, यह संकेत देते हुए कि ये भविष्य के नेटवर्क अधिक डेटा को संभालेंगे और समकालीन प्रणालियों की तुलना में बड़े डेटा सेट के साथ प्रशिक्षित होंगे। एआई की बढ़ती मांगों और वर्तमान सेटअप की अंतर्निहित अक्षमताओं को देखते हुए, न्यूरोमॉर्फिक कंप्यूटरों की ओर कुशलता से प्रशिक्षित होने का रुझान दोनों ही अपरिहार्य और आशाजनक लगता है।

मार्क्वार्ट के शब्दों में, “हमें विश्वास है कि स्व-शिक्षित भौतिक मशीनें कृत्रिम बुद्धिमत्ता के चल रहे विकास में एक ठोस मौका रखती हैं।” वैज्ञानिक समुदाय और एआई उत्साही दोनों ही भविष्य में क्या होगा इसके लिए उत्सुकता से प्रतीक्षा कर रहे हैं।

Alex McFarland

Alex Unite.AI के एआई‑संचालित समाचार संचालन का नेतृत्व करते हैं, पत्रकारिता, अनुसंधान और स्वचालन को मिलाकर कृत्रिम बुद्धिमत्ता की समय पर और स्केलेबल कवरेज को समर्थन देते हैं। उनका काम यह सुनिश्चित करने में मदद करता है कि उभरते एआई विकास को प्रभावी ढंग से उजागर किया जाए, जबकि प्रकाशन के संपादकीय मानकों को बनाए रखा जाए।