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

कृत्रिम बुद्धिमत्ता (एआई) का तेजी से बढ़ता क्षेत्र अपने प्रदर्शन के लिए प्रसिद्ध है, लेकिन इसकी ऊर्जा लागत काफी 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 उद्देश्य है, जो संभावित रूप से एआई द्वारा डेटा को संसाधित करने के तरीके को क्रांतिकारी बना सकता है।

वर्तमान एआई मॉडल प्रशिक्षण के दौरान विशाल मात्रा में ऊर्जा की खपत करते हैं। सटीक आंकड़े दुर्लभ हैं, लेकिन स्टैटिस्टा के अनुमानों के अनुसार, जीपीटी-3 के प्रशिक्षण में लगभग 1000 मेगावाट घंटे की आवश्यकता होती है – 200 बड़े जर्मन परिवारों की वार्षिक खपत के बराबर। जबकि यह ऊर्जा-गहन प्रशिक्षण ने जीपीटी-3 को शब्द क्रम की भविष्यवाणी करने के लिए बारीकी से ट्यून किया है, ऐसा माना जाता है कि यह वाक्यांशों के अंतर्निहित अर्थों को नहीं समझा है।

न्यूरोमॉर्फिक कंप्यूटिंग: मस्तिष्क और मशीन का संयोजन

जबकि पारंपरिक एआई सिस्टम डिजिटल कृत्रिम तंत्रिका नेटवर्क पर निर्भर करते हैं, भविष्य न्यूरोमॉर्फिक कंप्यूटिंग में हो सकता है। फ्लोरियन मार्क्वार्ट, मैक्स प्लैंक इंस्टीट्यूट के निदेशक और एरलांगेन विश्वविद्यालय के प्रोफेसर ने पारंपरिक एआई सेटअप की कमी 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 अक्षमता को नोट किया।
न्यूरोमॉर्फिक कंप्यूटिंग मानव मस्तिष्क से प्रेरणा लेती है, जो 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। फोटोनिक सर्किट जैसी प्रणालियों का अनुसरण करती हैं जो गणना के लिए प्रकाश का उपयोग करती 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 होना प्रशिक्षण को बहुत अधिक कुशल बनाता है,” मार्क्वार्ट ने कहा, सुझाव देते हुए कि यह विधि ऊर्जा और कंप्यूटिंग समय दोनों को बचाएगी।
हालांकि, इस क्रांतिकारी तकनीक के विशिष्ट आवश्यकताएं हैं। प्रक्रिया को प्रतिवर्ती होना चाहिए, न्यूनतम ऊर्जा हानि सुनिश्चित करना, और पर्याप्त जटिल या गैर-रेखीय होना चाहिए। “केवल गैर-रेखीय प्रक्रियाएं इनपुट डेटा और परिणामों के बीच जटिल परिवर्तनों को निष्पादित कर सकती हैं,” मार्क्वार्ट ने कहा, रेखीय और गैर-रेखीय क्रियाओं के बीच एक अंतर खींचते हैं।

व्यावहारिक कार्यान्वयन की ओर

द्वय के सैद्धांतिक कार्य व्यावहारिक अनुप्रयोगों के साथ संरेखित है। 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।
“हमें उम्मीद है कि हम तीन साल में पहली स्व-शिक्षित भौतिक मशीन प्रस्तुत करेंगे,” 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 किए जाएंगे। एआई की बढ़ती मांगों और वर्तमान सेटअप की अंतर्निहित अक्षमताओं को देखते हुए, कुशलता से प्रशिक्षित न्यूरोमॉर्फिक कंप्यूटरों की ओर बदलाव निरंतर और आशाजनक लगता है।

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