ब्रेन-इंस्पायर्ड चिप ने AI हार्डवेयर की ऊर्जा खपत 70 प्रतिशत कम की

AI के केंद्र में ऊर्जा संकट

कृत्रिम बुद्धिमत्ता का विस्फोटक विकास एक ऊर्जा खपत समस्या पैदा कर गया है जिसे अब नजरअंदाज करना मुश्किल हो गया है। बड़े भाषा मॉडल का प्रशिक्षण विशाल कम्प्यूटेशनल संसाधन की आवश्यकता है, लेकिन अधिक व्यापक चुनौती अनुमान है — AI मॉडल को उत्पादन में चलाना जैसे प्रश्नों का उत्तर देना, छवियों का विश्लेषण करना, या सेंसर डेटा को प्रोसेस करना — बड़े पैमाने पर जो कुल मिलाकर प्रशिक्षण की तुलना में अधिक ऊर्जा खपत करता है। डेटा सेंटर ऑपरेटर और डिवाइस निर्माता ऐसी कम्प्यूटिंग आर्किटेक्चर खोजने के लिए बढ़ते दबाव में हैं जो वर्तमान ऊर्जा लागत के अंश में AI प्रदर्शन दे सकें।

वैज्ञानिकों की एक टीम ने परिणाम प्रकाशित किए हैं जो दर्शाते हैं कि एक न्यूरोमॉर्फिक चिप — जो जैविक न्यूरल सर्किट की स्पाइक-आधारित, ईवेंट-चालित सूचना प्रसंस्करण की नकल करने के लिए डिज़ाइन किया गया है — पारंपरिक ग्राफिक्स प्रोसेसिंग यूनिट या एप्लिकेशन-विशिष्ट AI त्वरक की तुलना में 70 प्रतिशत कम ऊर्जा खपत के साथ AI अनुमान कार्यभार निष्पादित कर सकता है। यह परिणाम न्यूरोमॉर्फिक कम्प्यूटिंग को एक बड़े हिस्से में सैद्धांतिक प्रस्ताव से AI हार्डवेयर तैनाती के लिए प्रत्यक्ष प्रासंगिकता के साथ एक प्रदर्शित इंजीनियरिंग क्षमता तक आगे बढ़ाता है।

न्यूरोमॉर्फिक कम्प्यूटिंग कैसे भिन्न है

पारंपरिक कम्प्यूटिंग मेमोरी और प्रोसेसिंग यूनिट के बीच डेटा के बड़े ब्लॉक को स्थानांतरित करके सूचना को प्रोसेस करता है, घने मैट्रिक्स ऑपरेशन करता है जिन्हें उच्च बैंडविड्थ और निरंतर बिजली की आपूर्ति की आवश्यकता होती है। यह दृष्टिकोण अत्यधिक समानांतर, सिंक्रोनस कम्प्यूटेशन के लिए कुशल है जो न्यूरल नेटवर्क अनुमान में शामिल है, लेकिन यह डेटा आंदोलन, घड़ी वितरण, और सर्किट तत्वों में सक्रिय स्थिति बनाए रखने की आवश्यकता से अंतर्निहित ऊर्जा लागत ले जाता है जो वर्तमान में कम्प्यूटेशन में योगदान नहीं दे रहे हैं।

जैविक न्यूरल सर्किट बहुत अलग तरीके से सूचना संभालते हैं। न्यूरॉन्स ज्यादातर शांत रहते हैं, केवल तभी जब कोई सिग्नल थ्रेसहोल्ड को पार करता है, और कम्प्यूटेशन नेटवर्क में वितरित किया जाता है न कि केंद्रीकृत प्रोसेसिंग यूनिट में। मस्तिष्क लगभग 20 वाट की निरंतर बिजली पर उल्लेखनीय संज्ञानात्मक प्रदर्शन प्राप्त करता है — एक बेंचमार्क जो तुलनीय कार्य करते समय वर्तमान AI हार्डवेयर नहीं पहुंच सकता।

न्यूरोमॉर्फिक चिप सिलिकॉन में इस स्पाइक-आधारित, ईवेंट-चालित आर्किटेक्चर की ऊर्जा दक्षता को कैप्चर करने का प्रयास करते हैं। निरंतर घड़ी वाली कम्प्यूटेशन के बजाय, न्यूरोमॉर्फिक प्रोसेसर तब आग लगाते हैं जब इनपुट थ्रेसहोल्ड को पार करते हैं, सक्रिय प्रोसेसिंग के लिए ऊर्जा खपत करते हैं न कि कम्प्यूटेशन चरणों के बीच पूर्ण शक्ति पर निष्क्रिय रहते हैं।

70 प्रतिशत दक्षता लाभ

अनुसंधान टीम ने छवि वर्गीकरण, प्राकृतिक भाषा अनुमान, और सेंसर फ्यूजन सहित कई मानक AI बेंचमार्क कार्य में 70 प्रतिशत ऊर्जा में कमी हासिल की — AI संचालन के प्रकार जो दैनिक रूप से किनारे वाले उपकरणों, सर्वर फार्मों, और मोबाइल एप्लिकेशन में अरबों बार चलते हैं। ऊर्जा लाभ विरल, ईवेंट-चालित इनपुट के लिए सबसे अधिक उच्चारण था — सेंसर डेटा, ऑडियो स्ट्रीम, और रुक-रुक कर प्रश्न पैटर्न — जहां न्यूरोमॉर्फिक चिप की ईवेंट के बीच निष्क्रिय होने की क्षमता इनपुट दर की परवाह किए बिना घड़ी गतिविधि बनाए रखने वाले प्रोसेसर पर एक संरचनात्मक लाभ प्रदान करती है।

चिप को एक संशोधित मानक सेमिकंडक्टर प्रक्रिया का उपयोग करके निर्मित किया गया था, जो पहले के न्यूरोमॉर्फिक अनुसंधान प्लेटफार्मों से एक महत्वपूर्ण व्यावहारिक भेद है जिन्हें विदेशी निर्माण की आवश्यकता थी। परंपरागत सेमिकंडक्टर बुनियादी ढांचे का उपयोग करना का अर्थ है कि तकनीक को संभवतः समर्पित निर्माण निवेश की आवश्यकता के बजाय मौजूदा चिप fab के माध्यम से स्केल किया जा सकता है।

अनुप्रयोग और सीमाएं

सबसे तत्काल आवेदन लक्ष्य किनारे AI परिदृश्य हैं: औद्योगिक IoT में सेंसर नोड्स, सुनने वाली सहायता और चिकित्सा प्रत्यारोपण, उपभोक्ता इलेक्ट्रॉनिक्स में हमेशा-चालू कीवर्ड पहचान, और स्वायत्त वाहन धारणा प्रणाली जहां बैटरी जीवन या तापीय बाधाएं AI अनुमान के लिए उपलब्ध बिजली बजट को सीमित करती हैं। ये अनुप्रयोग इस विशेषता को साझा करते हैं कि वे विरल, वास्तविक-दुनिया सेंसर डेटा पर निरंतर या उच्च आवृत्ति पर अनुमान चलाते हैं — बिल्कुल वह शासन जहां न्यूरोमॉर्फिक दक्षता लाभ सबसे बड़े हैं।

डेटा सेंटर AI कार्यभार के लिए — विशेष रूप से बड़े भाषा मॉडल अनुमान जहां प्रश्न घने हैं और बैच प्रोसेसिंग सामान्य है — ऊर्जा लाभ कम नाटकीय हैं। महत्वपूर्ण सॉफ्टवेयर इकोसिस्टम कार्य n्यूरोमॉर्फिक प्रोसेसर AI framework और मॉडल की पूर्ण श्रेणी को चलाने से पहले बना हुआ है जो पारंपरिक GPU पर चलते हैं, जो व्यापक अपनाने के लिए प्राथमिक व्यावहारिक बाधा का प्रतिनिधित्व करता है।

प्रतिस्पर्धी परिदृश्य

कई प्रमुख प्रौद्योगिकी कंपनियों और अनुसंधान संस्थानों के सक्रिय न्यूरोमॉर्फिक कार्यक्रम हैं। Intel की Loihi चिप ने विशिष्ट कार्य में ऊर्जा दक्षता लाभ का प्रदर्शन किया है, और IBM का TrueNorth दशक से अधिक समय से अनुसंधान अनुप्रयोगों के लिए उपयोग किया गया है। Innatera, SpiNNcloud, और BrainChip सहित स्टार्टअप्स ने किनारे अनुप्रयोगों को लक्षित करने वाले वाणिज्यिक न्यूरोमॉर्फिक उत्पाद विकसित किए हैं। 70 प्रतिशत ऊर्जा में कमी आंकड़ा हाइपरस्केल डेटा सेंटर ऑपरेटर से महत्वपूर्ण रुचि पैदा करेगा जो सक्रिय रूप से AI अवसंरचना से जुड़े खगोलीय बिजली बिलों को कम करने वाली किसी भी तकनीक की तलाश कर रहे हैं — एक लागत जो हर बड़ी प्रौद्योगिकी कंपनी के लिए एक केंद्रीय रणनीतिक चिंता बन गई है जो AI को पैमाने पर संचालित कर रही है।

यह लेख Interesting Engineering द्वारा रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।