शोधकर्ता मेम्रिस्टर का उपयोग करके अधिक ऊर्जा-कुशल न्यूरल नेटवर्क बनाते हैं

कृत्रिम बुद्धिमत्ता के कम ग्लैमरस पहलुओं में से एक यह है कि यह अक्सर बहुत अधिक प्रसंस्करण शक्ति की आवश्यकता होती है और इसलिए इसका अक्सर एक बड़ा ऊर्जा पदचिह्न होता है। यूसीएल में शोधकर्ताओं द्वारा किए गए हाल के काम ने एक कृत्रिम बुद्धिमत्ता की ऊर्जा दक्षता में सुधार करने के तरीके का पता लगाया है।

न्यूरल नेटवर्क और मशीन लर्निंग शक्तिशाली उपकरण हैं, लेकिन कृत्रिम बुद्धिमत्ता के सबसे प्रभावशाली कारनामों में आमतौर पर एक बड़ा ऊर्जा लागत जुड़ी होती है। उदाहरण के लिए, जब ओपनएआई ने एक रोबोटिक हाथ को रूबिक क्यूब को मैनिपुलेट करना सिखाया, तो इसका अनुमान लगाया गया कि इस कारनामे में लगभग 2.8 गिगावाट-घंटे बिजली की आवश्यकता थी।

टेकएक्सप्लोर के अनुसार, यूसीएल के शोधकर्ताओं ने कृत्रिम न्यूरल नेटवर्क को जनरेट करने के लिए एक नई विधि डिज़ाइन की है। इस नई विधि में मेम्रिस्टर का उपयोग किया जाता है, जो पारंपरिक दृष्टिकोण से बनाए गए नेटवर्क की तुलना में लगभग 1000 गुना अधिक ऊर्जा-कुशल हैं। मेम्रिस्टर ऐसे उपकरण हैं जो अंतिम बार जो बिजली का प्रवाह उनसे हुआ था, उसे याद रख सकते हैं, और वे अपनी स्मृति स्थिति को तब भी बनाए रख सकते हैं जब वे बंद हों। इसका मतलब है कि वे अपनी स्थिति को याद रख सकते हैं, भले ही डिवाइस को बंद कर दिया जाए। मेम्रिस्टर के बारे में लगभग 50 वर्षों पहले पहली बार सोचा गया था, लेकिन 2008 तक एक वास्तविक मेम्रिस्टर नहीं बनाया गया था।

मेम्रिस्टर को कभी-कभी “न्यूरोमॉर्फिक” कंप्यूटिंग डिवाइस या “ब्रेन-इंस्पायर्ड” डिवाइस कहा जाता है। मेम्रिस्टर मस्तिष्क द्वारा उपयोग किए जाने वाले निर्माण खंडों के समान होते हैं जो जानकारी को संसाधित करने और स्मृति बनाने के लिए उपयोग किए जाते हैं। वे अधिकांश आधुनिक कंप्यूटर प्रणालियों की तुलना में बहुत अधिक कुशल हैं। इन मेम्रिस्टर उपकरणों में कैपेसिटर और रेसिस्टर के गुण होते हैं, और पिछले एक दशक में वे विभिन्न मेमोरी डिवाइसों में निर्मित और उपयोग किए गए हैं। यूसीएल शोध टीम को उम्मीद है कि उनका शोध उन्हें कुछ वर्षों के भीतर एआई प्रणालियों को बनाने में मदद करेगा।

उनकी बढ़ी हुई ऊर्जा दक्षता के बावजूद, मेम्रिस्टर पारंपरिक न्यूरल नेटवर्क की तुलना में बहुत कम कुशल होते हैं, लेकिन यूसीएल शोधकर्ताओं ने मेम्रिस्टर की सटीकता बढ़ाने का एक तरीका खोजा। शोधकर्ताओं ने पाया कि जब कई मेम्रिस्टर का उपयोग किया जाता है, तो उन्हें कई उप-समूहों में विभाजित किया जा सकता है और फिर उनकी गणना को एक साथ औसत किया जा सकता है। उप-समूहों में खामियों को रद्द करने और अधिक प्रासंगिक पैटर्न खोजने में मदद करने के लिए उप-समूहों की गणना को औसत करने से मदद मिली।

डॉ. अदनान मेहोनिक और पीएचडी छात्र डोविडास जोकसास (दोनों यूसीएल इलेक्ट्रॉनिक और इलेक्ट्रिकल इंजीनियरिंग) और उनके सह-लेखकों ने विभिन्न मेम्रिस्टर प्रकारों में इस औसत दृष्टिकोण का परीक्षण किया और पाया कि यह तकनीक सभी परीक्षण किए गए मेम्रिस्टर में सटीकता में सुधार करती है, न कि केवल एक या दो में। सटीकता में सुधार सभी समूहों में लागू होता है, चाहे मेम्रिस्टर किस सामग्री से बना हो।

डॉ. मेहोनिक के अनुसार, जैसा कि टेकएक्सप्लोर द्वारा उद्धृत है:

“हमें उम्मीद थी कि ऐसे अधिक सामान्य दृष्टिकोण हो सकते हैं जो डिवाइस-स्तर पर नहीं, बल्कि सिस्टम-स्तर पर व्यवहार में सुधार करें। हमें लगता है कि हमने एक ऐसा तरीका खोज लिया है। हमारा दृष्टिकोण दिखाता है कि जब मेम्रिस्टर की बात आती है, तो कई सिर एक से बेहतर होते हैं। न्यूरल नेटवर्क को एक बड़े नेटवर्क के बजाय कई छोटे नेटवर्क में व्यवस्थित करने से समग्र सटीकता में वृद्धि हुई।”

शोध टीम ने एक कंप्यूटर विज्ञान तकनीक को मेम्रिस्टर पर लागू करने और मेम्रिस्टर न्यूरल नेटवर्क की सटीकता बढ़ाने के लिए एक सामान्य त्रुटि बचाव तकनीक (गणना को औसत करने) का उपयोग करने के लिए उत्साहित थी। अध्ययन के सह-लेखक प्रोफेसर टोनी केन्योन của यूसीएल इलेक्ट्रॉनिक और इलेक्ट्रिकल इंजीनियरिंग का मानना है कि मेम्रिस्टर “एज कंप्यूटिंग डिवाइस और आईओटी डिवाइस बनाने में एक प्रमुख भूमिका निभा सकते हैं जो अधिक ऊर्जा-सustainable हैं।

मेम्रिस्टर न केवल पारंपरिक न्यूरल नेटवर्क मॉडल की तुलना में अधिक ऊर्जा-कुशल हैं, बल्कि वे आसानी से एक हाथ में पकड़े जाने वाले मोबाइल डिवाइस में शामिल किए जा सकते हैं। यह भविष्य के करीब में बढ़ती महत्ता की भविष्यवाणी की जाती है क्योंकि अधिक डेटा बनाया जा रहा है और हर समय प्रसारित किया जा रहा है, भले ही एक निश्चित बिंदु से परे प्रसारण क्षमता को बढ़ाना मुश्किल हो। मेम्रिस्टर बड़ी मात्रा में डेटा को एक फ्रैक्शन की ऊर्जा लागत पर स्थानांतरित करने में मदद कर सकते हैं।