एआई मॉडल हैं पावर हॉग.

जैसे-जैसे एल्गोरिदम बढ़ते हैं और अधिक जटिल होते जाते हैं, वे वर्तमान कंप्यूटर चिप्स पर तेजी से कर लगा रहे हैं। कई कंपनियों ने बिजली खपत को कम करने के लिए एआई के अनुरूप चिप्स डिजाइन किए हैं। लेकिन वे सभी एक मूलभूत नियम पर आधारित हैं - वे बिजली का उपयोग करते हैं।

इस महीने, चीन में सिंघुआ विश्वविद्यालय की एक टीम ने नुस्खा बदल दिया। वे एक तंत्रिका नेटवर्क चिप बनाया जो ऊर्जा लागत के एक अंश पर एआई कार्यों को चलाने के लिए बिजली के बजाय प्रकाश का उपयोग करता है NVIDIA का H100एआई मॉडल को प्रशिक्षित करने और चलाने के लिए उपयोग की जाने वाली एक अत्याधुनिक चिप।

ताइची नामक चिप अपनी आंतरिक संरचना में दो प्रकार के प्रकाश-आधारित प्रसंस्करण को जोड़ती है। पिछले की तुलना में ऑप्टिकल चिप्स, ताइची हाथ से लिखी संख्याओं या अन्य छवियों को पहचानने जैसे अपेक्षाकृत सरल कार्यों के लिए कहीं अधिक सटीक है। अपने पूर्ववर्तियों के विपरीत, चिप सामग्री भी उत्पन्न कर सकती है। उदाहरण के लिए, यह डच कलाकार विंसेंट वैन गॉग पर आधारित शैली में या जोहान सेबेस्टियन बाख से प्रेरित शास्त्रीय संगीत नंबरों में बुनियादी छवियां बना सकता है।

ताइची की दक्षता का एक हिस्सा इसकी संरचना के कारण है। चिप कई घटकों से बनी होती है जिन्हें चिपलेट्स कहा जाता है। मस्तिष्क के संगठन के समान, प्रत्येक चिपलेट समानांतर में अपनी गणना करता है, जिसके परिणामों को समाधान तक पहुंचने के लिए दूसरों के साथ एकीकृत किया जाता है।

1,000 से अधिक श्रेणियों में छवियों को अलग करने की चुनौतीपूर्ण समस्या का सामना करते हुए, ताइची लगभग 92 प्रतिशत समय सफल रहा, वर्तमान चिप प्रदर्शन से मेल खाता हुआ, लेकिन ऊर्जा खपत को एक हजार गुना से कम कर दिया।

एआई के लिए, "अधिक उन्नत कार्यों से निपटने की प्रवृत्ति अपरिवर्तनीय है," लेखकों ने लिखा। "ताइची बड़े पैमाने पर फोटोनिक [प्रकाश-आधारित] कंप्यूटिंग के लिए मार्ग प्रशस्त करता है," जिससे कम ऊर्जा लागत के साथ अधिक लचीले एआई की ओर अग्रसर होता है।

कंधे पर चिप

आज के कंप्यूटर चिप्स AI के साथ अच्छी तरह मेल नहीं खाते हैं।

समस्या का एक हिस्सा संरचनात्मक है. पारंपरिक चिप्स पर प्रोसेसिंग और मेमोरी भौतिक रूप से अलग होती है। उनके बीच डेटा शटलेट करने में भारी मात्रा में ऊर्जा और समय लगता है।

अपेक्षाकृत सरल समस्याओं को हल करने के लिए कुशल होते हुए भी, जब जटिल एआई की बात आती है, तो चैटजीपीटी को शक्ति देने वाले बड़े भाषा मॉडल की तरह सेटअप अविश्वसनीय रूप से बिजली की भूख वाला है।

मुख्य समस्या यह है कि कंप्यूटर चिप्स कैसे बनाये जाते हैं। प्रत्येक गणना ट्रांजिस्टर पर निर्भर करती है, जो गणना में उपयोग किए गए 0 और 1 को दर्शाने के लिए चालू या बंद होती है। इंजीनियरों ने दशकों से ट्रांजिस्टर को नाटकीय रूप से छोटा कर दिया है ताकि वे चिप्स पर और अधिक ठूंस सकें। लेकिन वर्तमान चिप तकनीक एक ऐसे ब्रेकिंग प्वाइंट की ओर बढ़ रही है जहां हम और छोटे स्तर पर नहीं जा सकते।

वैज्ञानिक लंबे समय से मौजूदा चिप्स को नया रूप देने की कोशिश कर रहे हैं। मस्तिष्क से प्रेरित एक रणनीति "सिनैप्स" पर निर्भर करती है - न्यूरॉन्स को जोड़ने वाला जैविक "डॉक" - जो एक ही स्थान पर जानकारी की गणना और भंडारण करता है। ये मस्तिष्क-प्रेरित, या न्यूरोमॉर्फिक, चिप्स ऊर्जा की खपत को कम करते हैं और गणना को गति देते हैं। लेकिन मौजूदा चिप्स की तरह, वे बिजली पर निर्भर हैं।

एक अन्य विचार पूरी तरह से एक अलग कंप्यूटिंग तंत्र का उपयोग करना है: प्रकाश। लेखकों ने लिखा, "फोटोनिक कंप्यूटिंग" "लगातार बढ़ता ध्यान आकर्षित कर रही है।" बिजली का उपयोग करने के बजाय, प्रकाश की गति से एआई को बिजली देने के लिए प्रकाश कणों का अपहरण करना संभव हो सकता है।

वहाँ रोशनी हो चलो

बिजली-आधारित चिप्स की तुलना में, प्रकाश बहुत कम बिजली का उपयोग करता है और एक साथ कई गणनाओं को निपटा सकता है। इन गुणों का उपयोग करते हुए, वैज्ञानिकों ने ऑप्टिकल न्यूरल नेटवर्क का निर्माण किया है जो बिजली के बजाय एआई चिप्स के लिए फोटॉन-प्रकाश के कणों का उपयोग करता है।

ये चिप्स दो तरह से काम कर सकते हैं. एक में, चिप्स प्रकाश संकेतों को इंजीनियर चैनलों में बिखेरते हैं जो अंततः किसी समस्या को हल करने के लिए किरणों को जोड़ते हैं। विवर्तन कहे जाने वाले, ये ऑप्टिकल तंत्रिका नेटवर्क कृत्रिम न्यूरॉन्स को एक साथ निकटता से पैक करते हैं और ऊर्जा लागत को कम करते हैं। लेकिन उन्हें आसानी से बदला नहीं जा सकता है, जिसका अर्थ है कि वे केवल एक ही, सरल समस्या पर काम कर सकते हैं।

एक अलग सेटअप प्रकाश की एक अन्य संपत्ति पर निर्भर करता है जिसे हस्तक्षेप कहा जाता है। समुद्र की लहरों की तरह, प्रकाश तरंगें भी संयोजित होती हैं और एक दूसरे को रद्द कर देती हैं। जब चिप पर सूक्ष्म सुरंगों के अंदर, वे एक-दूसरे को बढ़ावा देने या बाधित करने के लिए टकरा सकते हैं - इन हस्तक्षेप पैटर्न का उपयोग गणना के लिए किया जा सकता है। इंटरफेरोमीटर नामक उपकरण का उपयोग करके हस्तक्षेप पर आधारित चिप्स को आसानी से पुन: कॉन्फ़िगर किया जा सकता है। समस्या यह है कि वे शारीरिक रूप से भारी होते हैं और बहुत अधिक ऊर्जा की खपत करते हैं।

फिर सटीकता की समस्या है. यहां तक ​​कि अक्सर हस्तक्षेप प्रयोगों के लिए उपयोग किए जाने वाले मूर्तिकला चैनलों में भी, प्रकाश उछलता है और बिखरता है, जिससे गणना अविश्वसनीय हो जाती है। एकल ऑप्टिकल तंत्रिका नेटवर्क के लिए, त्रुटियाँ सहनीय हैं। लेकिन बड़े ऑप्टिकल नेटवर्क और अधिक परिष्कृत समस्याओं के साथ, शोर तेजी से बढ़ता है और अस्थिर हो जाता है।

यही कारण है कि प्रकाश-आधारित तंत्रिका नेटवर्क को आसानी से बढ़ाया नहीं जा सकता है। अब तक, वे केवल बुनियादी कार्यों को ही हल कर पाए हैं, जैसे संख्याओं या स्वरों को पहचानना।

टीम ने लिखा, "मौजूदा आर्किटेक्चर के पैमाने को बढ़ाने से प्रदर्शन में आनुपातिक सुधार नहीं होगा।"

डबल परेशानी

नए एआई, ताइची ने ऑप्टिकल न्यूरल नेटवर्क को वास्तविक दुनिया में उपयोग की ओर धकेलने के लिए दो लक्षणों को संयोजित किया।

एकल तंत्रिका नेटवर्क को कॉन्फ़िगर करने के बजाय, टीम ने एक चिपलेट विधि का उपयोग किया, जिसने एक कार्य के विभिन्न हिस्सों को कई कार्यात्मक ब्लॉकों को सौंप दिया। प्रत्येक ब्लॉक की अपनी ताकत थी: एक को विवर्तन का विश्लेषण करने के लिए स्थापित किया गया था, जो कम समय में बड़ी मात्रा में डेटा को संपीड़ित कर सकता था। हस्तक्षेप प्रदान करने के लिए एक अन्य ब्लॉक को इंटरफेरोमीटर के साथ एम्बेड किया गया था, जिससे कार्यों के बीच चिप को आसानी से पुन: कॉन्फ़िगर किया जा सके।

गहरी शिक्षा की तुलना में, ताइची ने एक "उथला" दृष्टिकोण अपनाया जिससे कार्य कई चिपलेट्स में फैल गया।

मानक गहन शिक्षण संरचनाओं के साथ, त्रुटियाँ परतों और समय के साथ जमा होती जाती हैं। यह सेटअप शुरुआत में ही अनुक्रमिक प्रसंस्करण से आने वाली समस्याओं को दूर कर देता है। किसी समस्या का सामना करने पर, ताइची कार्यभार को कई स्वतंत्र समूहों में वितरित करता है, जिससे न्यूनतम त्रुटियों के साथ बड़ी समस्याओं से निपटना आसान हो जाता है।

रणनीति सफल रही.

ताइची में कुल 4,256 कृत्रिम न्यूरॉन्स की कम्प्यूटेशनल क्षमता है, जिसमें लगभग 14 मिलियन पैरामीटर मस्तिष्क कनेक्शन की नकल करते हैं जो सीखने और स्मृति को एन्कोड करते हैं। टीम ने लिखा, जब छवियों को 1,000 श्रेणियों में क्रमबद्ध किया गया, तो फोटोनिक चिप लगभग 92 प्रतिशत सटीक थी, जो "वर्तमान में लोकप्रिय इलेक्ट्रॉनिक तंत्रिका नेटवर्क" के बराबर थी।

चिप ने अन्य मानक एआई छवि-पहचान परीक्षणों में भी उत्कृष्ट प्रदर्शन किया, जैसे विभिन्न वर्णमालाओं से हाथ से लिखे अक्षरों की पहचान करना।

अंतिम परीक्षण के रूप में, टीम ने विभिन्न कलाकारों और संगीतकारों की शैली में सामग्री को समझने और फिर से बनाने के लिए फोटोनिक एआई को चुनौती दी। जब बाख के प्रदर्शनों की सूची के साथ प्रशिक्षित किया गया, तो एआई ने अंततः संगीतकार की पिच और समग्र शैली सीख ली। इसी प्रकार, वान गाग या एडवर्ड मंच की छवियां - प्रसिद्ध पेंटिंग के पीछे के कलाकार, चीख़-एआई में फीड करने से इसे समान शैली में छवियां उत्पन्न करने की इजाजत मिली, हालांकि कई बच्चे के मनोरंजन की तरह दिखते थे।

ऑप्टिकल न्यूरल नेटवर्क को अभी भी बहुत आगे जाना है। लेकिन अगर व्यापक रूप से उपयोग किया जाए, तो वे वर्तमान एआई सिस्टम के लिए अधिक ऊर्जा-कुशल विकल्प हो सकते हैं। ताइची पिछले पुनरावृत्तियों की तुलना में 100 गुना अधिक ऊर्जा कुशल है। लेकिन चिप को अभी भी बिजली और डेटा ट्रांसफर इकाइयों के लिए लेजर की आवश्यकता होती है, जिन्हें संघनित करना कठिन होता है।

इसके बाद, टीम आसानी से उपलब्ध मिनी लेजर और अन्य घटकों को एक एकल, एकजुट फोटोनिक चिप में एकीकृत करने की उम्मीद कर रही है। इस बीच, उन्हें उम्मीद है कि ताइची "अधिक शक्तिशाली ऑप्टिकल समाधानों के विकास में तेजी लाएगा" जो अंततः शक्तिशाली और ऊर्जा-कुशल एआई के "एक नए युग" को जन्म दे सकता है।

छवि क्रेडिट: spainter_vfx / Shutterstock.com

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
• प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
• प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
• स्रोत: https://singularityhub.com/2024/04/15/a-new-photonic-computer-chip-uses-light-to-slash-ai-energy-costs/