গবেষকরা একটি ইলেকট্রনিক নিউরন ডিজাইন করেছেন যা দুটি সাধারণ উপাদান, একটি প্রচলিত ট্রানজিস্টর এবং একটি ন্যানোস্কেল চৌম্বকীয় ডিভাইসকে একত্রিত করে, যা জৈবিক নিউরনের আচরণের পুনরুত্পাদন করে। প্রচলিত ইলেকট্রনিক নিউরনের বিপরীতে, এই আচরণগুলি জটিল নিয়ন্ত্রণ সার্কিটরির প্রয়োজন ছাড়াই ডিভাইসের চৌম্বকীয় বৈশিষ্ট্য থেকে স্বাভাবিকভাবেই উদ্ভূত হয়। সার্কিটটি সঠিকভাবে সময়মতো বৈদ্যুতিক ডাল তৈরি করতে পারে যা জৈবিক নিউরনের সাথে সাদৃশ্যপূর্ণ এবং একটি ছোট প্রদর্শনে, মেশিন লার্নিং সম্পাদন করে।

AI এর সর্বশেষ অবতারের একটি অসুবিধাজনক ক্ষুধা রয়েছে: মডেলগুলি যত বড় হবে, তত বেশি চিপ, ডেটা চলাচল এবং বিদ্যুতের প্রয়োজন হবে। অতএব, পরবর্তী প্রজন্মের AI হার্ডওয়্যারের একটি লক্ষ্য কেবল কম্পিউটারগুলিকে আরও স্মার্ট করা নয়, বরং গণনাকে অনেক কম অপচয় করা।

মিশিগানের ওকল্যান্ড ইউনিভার্সিটির একটি দল এই বর্জ্যের বেশিরভাগ অংশ ফিরিয়ে আনার একটি উপায় প্রস্তাব করেছে: একটি ম্যাগনেটিক টানেল জংশন বা MTJ এর সাথে যুক্ত একটি স্ট্যান্ডার্ড ইলেকট্রনিক ট্রানজিস্টর থেকে কৃত্রিম নিউরন তৈরি করুন। সিমুলেশনে, এই উপাদানগুলি থেকে তৈরি নেটওয়ার্কগুলি প্রচলিত ডিজিটাল সংকেতের পরিবর্তে বৈদ্যুতিক স্পাইকের সময় ব্যবহার করে একটি মানক মেশিন-লার্নিং বেঞ্চমার্ক, XOR গেট শিখেছে। গবেষণাটি সম্প্রতি আইইইই ট্রানজ্যাকশন অন সার্কিট অ্যান্ড সিস্টেমে প্রকাশিত হয়েছে।

কাজটি সিমুলেশন-ভিত্তিক রয়ে গেছে, তবে এটি AI হার্ডওয়্যারকে একটি প্রচলিত কম্পিউটারের মতো কম এবং মস্তিষ্কের মতো আচরণ করার একটি সম্ভাব্য উপায় নির্দেশ করে: কিছু ঘটলে সক্রিয়, এবং এর উপাদানগুলির পদার্থবিদ্যাকে কাজের অংশ করতে দিতে সক্ষম।

"মানুষের মস্তিষ্ক কাজ করার জন্য 20 ওয়াট শক্তি ব্যবহার করে; সাধারণ AI মডেলের অনুমানের জন্য প্রায় 500 গুণ এবং আপনি এটি জিজ্ঞাসা করা প্রতিটি প্রশ্নের জন্য আরও 50 বার প্রয়োজন," বলেছেন OU দলের প্রধান গবেষক ডঃ স্টিভেন লুইস। "এটি দৈনন্দিন ডিভাইসের জন্য খুব বেশি শক্তি। আমরা চাই AI স্থানীয়ভাবে কাজ করুক, বিশাল ডেটা সেন্টারের উপর নির্ভর না করে। জীববিজ্ঞানের অনুকরণ এটি সম্ভব করার উপায় হতে পারে।"

একটি চুম্বক সাহায্য গণনা করা

এমটিজেগুলি ইতিমধ্যেই এমআরএএম (ম্যাগনেটোরেসিটিভ র্যান্ডম অ্যাক্সেস মেমরি) এ ব্যাপকভাবে ব্যবহৃত হয়। তারা একটি অত্যন্ত পাতলা অন্তরক বাধা দ্বারা পৃথক করা চৌম্বকীয় স্তর ধারণ করে। এই চৌম্বকীয় স্তরগুলির মধ্যে একটি তার অভিযোজন পরিবর্তন করতে পারে যখন যন্ত্রের মধ্য দিয়ে বিদ্যুৎ চলে যায়।

এটি ঘটে কারণ ইলেকট্রনের স্পিন নামক একটি বৈশিষ্ট্য রয়েছে, যা কিছুটা ছোট চৌম্বকীয় অভিযোজনের মতো আচরণ করে। MTJ এর মধ্য দিয়ে কারেন্ট প্রবাহিত হওয়ার সাথে সাথে এই স্পিনগুলি চুম্বকীয়করণে একটি ছোট বাঁকানো শক্তি প্রয়োগ করতে পারে। গবেষকরা একে স্পিন-ট্রান্সফার টর্ক বলে।

প্রভাব ছোট, কিন্তু ন্যানোস্কেলে এটি একটি পরিমাপযোগ্য পরিবর্তন আনতে পারে। চুম্বকীয়করণের পরিবর্তনের সাথে সাথে MTJ এর বৈদ্যুতিক প্রতিরোধের পরিবর্তন হয়। মেমরি চিপগুলিতে, সেই পরিবর্তনটি একটি সংরক্ষিত বিটকে উপস্থাপন করতে পারে। এখানে, গবেষকরা এটিকে ভিন্ন কিছুর জন্য ব্যবহার করছেন: সংক্ষিপ্ত বৈদ্যুতিক ডাল বা "স্পাইকস" তৈরি করতে সাহায্য করার জন্য, যা জৈবিক নিউরন যোগাযোগ করতে ব্যবহার করে।

MTJ একটি একক NMOS ট্রানজিস্টরের সাথে যুক্ত - আধুনিক কম্পিউটার চিপ জুড়ে পাওয়া মৌলিক অন-অফ সুইচ। ট্রানজিস্টর ম্যাগনেটিক ডিভাইসের মধ্য দিয়ে প্রবাহিত কারেন্ট নিয়ন্ত্রণ করে। চৌম্বকীয়করণ চলার সাথে সাথে, MTJ এর প্রতিরোধের পরিবর্তন হয়, সার্কিটে ভোল্টেজ পরিবর্তন করে। সঠিক অবস্থার অধীনে, এটি একটি স্পাইক উত্পাদন করে। একসাথে, MTJ এবং ট্রানজিস্টর একটি "চুম্বকীয় নিউরন" গঠন করে।

জৈবিক নিউরন প্রতিটি আগত সংকেতে সাড়া দেয় না। তারা ইনপুট সংগ্রহ করে, শুধুমাত্র তখনই আগুন দেয় যখন সেই ইনপুটগুলি একটি থ্রেশহোল্ড অতিক্রম করে এবং তারপরে তারা আবার ফায়ার করার আগে একটি সংক্ষিপ্ত অবাধ্য সময়ের মধ্যে প্রবেশ করে। সিমুলেটেড ম্যাগনেটিক নিউরন থ্রেশহোল্ড স্পাইকিং, লেটেন্সি, রিফ্র্যাক্টরি পিরিয়ড, সিনাপটিক ইন্টিগ্রেশন এবং ইনহিবিশন সহ বেশ কিছু দরকারী নিউরনের মতো আচরণ পুনরুত্পাদন করে।

প্রচলিত ইলেকট্রনিক নিউরনে, এই আচরণগুলি পুনরুত্পাদন করার জন্য প্রায়শই অনেকগুলি ট্রানজিস্টর ধারণকারী জটিল সার্কিটের প্রয়োজন হয়, তবুও এখানে আচরণগুলি একটি একক MTJ-এর চৌম্বকীয় গতিবিদ্যা থেকে স্বাভাবিকভাবে উদ্ভূত হয়।

এটি একটি জৈবিক নিউরন নয়। কিন্তু এটি গণনামূলক আচরণের অনুকরণ করতে পারে যা নিউরনকে দরকারী করে তোলে।

কেন শুধু একটি সাধারণ চিপ ব্যবহার করবেন না?

প্রচলিত কম্পিউটার মেমরি এবং গণনাকে অনেকাংশে আলাদা রাখে। একটি প্রসেসর ডেটা আনে, একটি অপারেশন সঞ্চালন করে, ফলাফলটি আবার লিখে এবং এগিয়ে যায়। আধুনিক এআই এক্সিলারেটর, জিপিইউ সহ, সেই প্রক্রিয়াটিকে দক্ষ করে তোলার ক্ষেত্রে অত্যন্ত ভাল—কিন্তু মেমরি এবং প্রসেসিং ইউনিটগুলির মধ্যে ডেটা সরানো এখনও প্রচুর পরিমাণে শক্তি খরচ করে৷

নিউরোমর্ফিক হার্ডওয়্যার সেই সীমানাকে অস্পষ্ট করার চেষ্টা করে। একটি ভৌত ​​যন্ত্র এমন একটি অবস্থা ধরে রাখতে পারে যা তথ্য সঞ্চয় করে এবং গণনায় অংশগ্রহণ করে। এই নকশায়, MTJ-এর পরিবর্তিত চৌম্বকীয় অবস্থা শুধুমাত্র সার্কিট পরিমাপ করে এমন কিছু নয়। এর গতিবিদ্যা কখন নিউরন আগুন দেয় তা নির্ধারণ করতে সহায়তা করে।

এটি AI সিস্টেমের জন্য গুরুত্বপূর্ণ হতে পারে যেগুলি ক্রমাগত চালানোর প্রয়োজন নেই। একটি স্পাইক না আসা পর্যন্ত একটি স্পাইকিং সার্কিট অনেকাংশে নিষ্ক্রিয় থাকতে পারে, বারবার পরিবর্তিত হয়নি এমন ডেটাতে শক্তি-ব্যয়বহুল গণনা করার পরিবর্তে।

এটি শক্তি-সীমাবদ্ধ, ইভেন্ট-চালিত অ্যাপ্লিকেশনগুলির জন্য সম্ভাব্যভাবে আকর্ষণীয় করে তোলে: শিল্প সেন্সর, রোবট, ক্যামেরা, অডিও সিস্টেম এবং পরিধানযোগ্য ডিভাইস, যেখানে ডেটা প্রায়শই একটি ধ্রুবক প্রবাহের পরিবর্তে মাঝে মাঝে আসে।

যখন সময় তথ্য বহন করে

গুরুত্বপূর্ণ মোচড় হল যে সার্কিট তথ্য এনকোড করে যখন একটি স্পাইক ঘটে।

একটি প্রচলিত ডিজিটাল সিস্টেমে, একটি সংকেত সাধারণত একটি যৌক্তিক অবস্থা হিসাবে পড়া হয়: একটি বা একটি শূন্য। একটি স্পাইকিং সিস্টেমে, একটি পালস যা তাড়াতাড়ি আসে তার অর্থ পরে আসা থেকে ভিন্ন কিছু হতে পারে। সময় প্রক্রিয়া করা তথ্যের অংশ হয়ে ওঠে।

ওকল্যান্ড ইউনিভার্সিটির সিমুলেশনে, কৃত্রিম নিউরন ন্যানোসেকেন্ড টাইমস্কেলে স্পাইক টাইমিংয়ের মাধ্যমে যোগাযোগ করে। গবেষকরা পাঁচ ন্যানোসেকেন্ডের নিচে সাধারণ নিউরন প্রতিক্রিয়া বিলম্বের রিপোর্ট করেছেন, নেটওয়ার্ক এমন একটি নিয়মে কাজ করে যেখানে প্রতিটি নিউরন ইনপুট প্যাটার্নে সর্বাধিক একটি স্পাইক তৈরি করে।

যে সময় শুধুমাত্র একটি আউটপুট নয়. এটি শেখার ভিত্তি হয়ে ওঠে।

একটি সহজ শেখার পরীক্ষা

প্রস্তাবিত নিউরনগুলি আগুনের চেয়ে বেশি কিছু করতে পারে কিনা তা দেখার জন্য, গবেষকরা তাদের একটি ছোট মাল্টিলেয়ার নেটওয়ার্কের সাথে সংযুক্ত করেছেন এবং এটিকে XOR গেটে প্রশিক্ষণ দিয়েছেন, যা অরৈখিক মেশিন লার্নিংয়ের জন্য একটি মানদণ্ড।

নেটওয়ার্কটি সিনাপটিক ওজন দিয়ে শুরু হয়েছিল যা সঠিক উত্তর তৈরি করেনি। প্রশিক্ষণের সময়, এটি বারবার অনুমান চালায়, প্রকৃত আউটপুট স্পাইক টাইমিংকে পছন্দসই সময়ের সাথে তুলনা করে এবং একটি গ্রেডিয়েন্ট-ডিসেন্ট-ভিত্তিক নিয়ম ব্যবহার করে সিনাপটিক ওজন সামঞ্জস্য করে। প্রশিক্ষণের পরে, নেটওয়ার্ক XOR ফাংশন পুনরুত্পাদন করতে পারে।

গবেষকরা রিপোর্ট করেছেন যে নেটওয়ার্কটি মডেল করা অবস্থার অধীনে একত্রিত হয়েছে, ননলাইনার প্রসেসিং, মাল্টিলেয়ার যোগাযোগ এবং সম্পূর্ণরূপে অ্যানালগ সিমুলেশনের মধ্যে ওজন অভিযোজন প্রদর্শন করে। এমনকি প্রশিক্ষণটি সফ্টওয়্যারে বাহ্যিকভাবে সঞ্চালিত হওয়ার পরিবর্তে সিমুলেটেড অ্যানালগ সার্কিটের ভিতরে ঘটে।

এটি একটি খুব ছোট প্রদর্শনী, এবং কেউই পরামর্শ দিচ্ছে না যে মুষ্টিমেয় চৌম্বকীয় নিউরন একটি GPU প্রতিস্থাপন করবে, তবে আরও আকর্ষণীয় বিষয় হল যে চৌম্বক যন্ত্রের শারীরিক গতিশীলতা শুধুমাত্র একটি প্রচলিত প্রসেসরের ম্যানিপুলেট করার জন্য ডেটা সঞ্চয় করার পরিবর্তে গণনায় সরাসরি অংশগ্রহণ করে।

একটি ব্যবহারিক শুরু বিন্দু

OU দল তাদের পদ্ধতিকে "CMOS+X" হিসাবে বর্ণনা করে। সাধারণ ভাষায়, এটি আজকের চিপস তৈরির জন্য ব্যবহৃত প্রযুক্তি পরিত্যাগ করে না; পরিবর্তে, এটি প্রচলিত ইলেকট্রনিক্সের পাশাপাশি অন্য ধরনের ডিভাইস যোগ করে- এই ক্ষেত্রে, স্পিনট্রনিক্স।

এটি ধারণাটিকে প্রথম প্রদর্শিত হওয়ার চেয়ে কম দূরবর্তী করে তোলে। এমটিজে এবং সম্পর্কিত চৌম্বকীয় ডিভাইসগুলির এমআরএএম এবং সেন্সর ব্যবহারের কারণে ইতিমধ্যেই একটি প্রতিষ্ঠিত উত্পাদন এবং গবেষণা ভিত্তি রয়েছে। খোলা প্রশ্ন হল একই ডিভাইসগুলি গণনার জন্য ব্যবহারিক বিল্ডিং ব্লকও হতে পারে কিনা।

ধরা: এটি এখনও নির্মিত হয়নি

যদিও প্রকাশিত ফলাফলগুলি আশাব্যঞ্জক, এই পর্যন্ত তারা শুধুমাত্র LTspice ব্যবহার করে সার্কিট সিমুলেশনে প্রমাণিত হয়েছে। প্রস্তাবিত নিউরন তৈরি করা এবং এটি একটি পরীক্ষাগারে প্রদর্শন করা সময় এবং অর্থায়নের বিষয় হবে।

প্রকৃত চৌম্বকীয় ডিভাইসগুলি অগোছালো হওয়ায় আরও প্রচেষ্টা গুরুত্বপূর্ণ হবে। উত্পাদন বৈচিত্র তাদের আচরণ পরিবর্তন করতে পারে. তাপীয় ওঠানামা চুম্বকীয়করণকে বিরক্ত করতে পারে। তাপমাত্রা, প্রতিরোধের পার্থক্য এবং স্ব-উষ্ণতা সবই স্পাইকগুলি কতটা নির্ভরযোগ্যভাবে উত্পাদিত হয় তা প্রভাবিত করতে পারে। তাই, পরবর্তী ধাপে বাস্তব-বিশ্বের অবস্থার অধীনে স্পাইক টাইমিং কতটা শক্তিশালী হবে তা প্রতিষ্ঠিত করতে হবে।

সিমুলেটেড সিস্টেমের কিছু অংশও আদর্শ করা হয়, এবং নির্দিষ্ট সিনাপটিক এবং লার্নিং সার্কিটগুলি সম্পূর্ণ ট্রানজিস্টর-স্তরের বাস্তবায়নের পরিবর্তে কার্যকরী মডেলগুলির সাথে উপস্থাপন করা হয়।

চুম্বক শুধুমাত্র শুরু

একটি ব্যবহারিক নিউরোমরফিক প্রসেসরের জন্য একাধিক কর্মরত কৃত্রিম নিউরনের প্রয়োজন হবে। গবেষণার পরবর্তী পর্যায়গুলিতে প্রচুর সংখ্যক ডিভাইস সংযোগ করতে হবে, ব্যবহারিক সিনাপ্স তৈরি করতে হবে, উপাদানগুলির মধ্যে বৈচিত্র্য পরিচালনা করতে হবে এবং প্রশিক্ষণের পদ্ধতিগুলি বিকাশ করতে হবে যা শান্তভাবে সিস্টেমটিকে একটি প্রচলিত ডিজিটাল কম্পিউটারে ফিরিয়ে আনবে না।

তবুও, প্রস্তাবিত স্থাপত্যটি তার সরলতায় আকর্ষণীয়। একটি ট্রানজিস্টর একটি চৌম্বক যন্ত্র নিয়ন্ত্রণ করে। চুম্বক অবস্থা পরিবর্তন করে। এটি বৈদ্যুতিক সংকেত পরিবর্তন করে, এবং সার্কিট একটি স্পাইক তৈরি করে যার সময় তথ্য বহন করে।

"এই উপাদানগুলির পর্যাপ্ত পরিমাণ একসাথে রাখুন, এবং ফলাফলটি একটি প্রচলিত প্রসেসরের মতো কম এবং জৈবিক নিউরনের সংগ্রহের মতো দেখতে শুরু করে," লুই বলেছিলেন। তবুও এটি দ্রুত বা আরও শক্তি-দক্ষ AI তে অনুবাদ করে কিনা তা দেখা বাকি। কিন্তু তার কাজ একটি সম্ভাবনার পরামর্শ দেয়: ভবিষ্যতের AI হার্ডওয়্যারকে একটি নিউরাল নেটওয়ার্কের প্রতিটি অংশ স্পষ্টভাবে গণনা করার প্রয়োজন নাও হতে পারে। কিছু গণনা ঘটতে পারে কারণ উপকরণগুলি নিজেরাই সঠিকভাবে আচরণ করে।

এবং এই ক্ষেত্রে, সেই উপকরণগুলির মধ্যে একটি হল একটি খুব ক্ষুদ্র চুম্বক।

এই গল্পটি সায়েন্স এক্স ডায়ালগের অংশ, যেখানে গবেষকরা তাদের প্রকাশিত গবেষণা নিবন্ধগুলি থেকে ফলাফলগুলি রিপোর্ট করতে পারেন৷ সাইন্স এক্স ডায়ালগ এবং কিভাবে অংশগ্রহণ করতে হয় সে সম্পর্কে তথ্যের জন্য এই পৃষ্ঠাটি দেখুন।

স্টিভেন লুই ওকল্যান্ড ইউনিভার্সিটিতে ইলেকট্রিক্যাল এবং কম্পিউটার ইঞ্জিনিয়ারিং পড়ান। তার গবেষণা চৌম্বকত্বের আবিষ্কারগুলিকে ব্যবহারিক প্রযুক্তিতে পরিণত করে, মস্তিষ্ক দ্বারা অনুপ্রাণিত কম্পিউটার থেকে সংকেত বিশ্লেষণের দ্রুত উপায়ে।