नवीन अ‍ॅनालॉग चिप संशोधनात अपशिष्ट उष्णता संगणनाचे माध्यम बनते

इलेक्ट्रॉनिक्स सहसा काढून टाकण्याचा प्रयत्न करतात ती उष्णता जर उपयुक्त काम करू शकली तर?

त्या संकल्पनेवर आधारित नवीन अ‍ॅनालॉग संगणन पद्धत MIT च्या Institute for Soldier Nanotechnologies मधील संशोधकांच्या नेतृत्वाखालील एका पथकाने सादर केली आहे. अपशिष्ट उष्णतेला नको असलेला उपउत्पाद मानण्याऐवजी, संशोधकांनी तिलाच माहितीवाहक म्हणून वापरले.

स्रोत अहवालात वर्णन केलेल्या प्रणालीमध्ये, इनपुट डेटा विद्युत बायनरी मूल्यांप्रमाणे एन्कोड केला जात नाही. तो उपकरणात आधीच असलेल्या उष्णतेच्या आधारावर तापमानांच्या संचाप्रमाणे दर्शवला जातो. ती उष्मीय माहिती भौतिकी-आधारित optimization algorithm ने डिझाइन केलेल्या सूक्ष्म सिलिकॉन संरचनांमधून प्रवास करते. तयार होणारे उष्णता वितरण आणि प्रवाह गणना करतात, तर आउटपुट दुसऱ्या टोकाला गोळा केलेल्या शक्तीच्या रूपात दाखवला जातो.

हे पारंपरिक तर्काचे एक उल्लेखनीय उलट रूप आहे. बहुतांश आधुनिक संगणन प्रणाली विद्युत पद्धतीने काम करतात आणि नंतर त्यांनी निर्माण केलेल्या उष्णतेशी झुंज देतात. हे काम विचारते की काही प्रकारच्या गणना त्या उष्णतेवरच उभारून केल्या जाऊ शकतील का, ज्यामुळे विशिष्ट अनुप्रयोगांमध्ये अतिरिक्त ऊर्जा इनपुटची गरज कमी होऊ शकेल.

संशोधकांनी मशीन लर्निंगमधील एक मूलभूत ऑपरेशन दाखवले

पथकाने सिलिकॉन संरचनांचा वापर करून matrix-vector multiplication चे एक साधे रूप केले, ही मशीन-लर्निंग प्रणालींच्या केंद्रस्थानी असलेली गणितीय क्रिया आहे, ज्यामध्ये मोठे भाषा मॉडेल्सही येतात. स्रोत मजकुरानुसार, अनेक प्रकरणांमध्ये निकाल 99 टक्क्यांहून अधिक अचूक होते.

ती अचूकता लक्षवेधी आहे, कारण matrix operations हेच अनेक AI workload वर वर्चस्व गाजवणारे पुनरावृत्ती linear algebra आहे. तत्त्वतः, त्या कार्यक्षमतेने करू शकणारी कोणतीही नवी पद्धत लक्ष वेधून घेते. पण आपण काय तयार केले आहे हे अतिशयोक्तीने मांडू नये, याबाबत संशोधक सावध आहेत.

स्रोत अहवाल स्पष्ट करतो की ही पद्धत आधुनिक deep learning मध्ये वापरल्या जाणाऱ्या विशाल प्रणालींच्या स्तरावर जाण्यास अजून खूप दूर आहे. अशा लाखो thermal structures एकत्र बसवणे मोठ्या अभियांत्रिकी आव्हानांना सामोरे जाईल. matrices अधिक गुंतागुंतीच्या होत गेल्या, आणि input व output terminals मधील अंतर वाढले, की अचूकताही घटते.

म्हणूनच, हे डिजिटल AI accelerators चा निकट भविष्यातील पर्याय नाही. नियंत्रित परिस्थितीत thermal analog computation प्रत्यक्ष आणि अचूक बनू शकते, याचे हे एक प्रदर्शन म्हणून अधिक योग्यरीत्या समजले पाहिजे.

अ‍ॅनालॉग उष्णता-आधारित संगणन इतके रोचक का आहे

याचे आकर्षण ऊर्जा-तर्कात आहे. जर एखादे उपकरण आधीपासूनच उष्णता निर्माण करत असेल, आणि ती उष्णता sensing किंवा signal-processing कामांसाठी वापरता आली, तर गणनात्मक भाराचा काही भाग अतिरिक्त विद्युत कामाऐवजी विद्यमान भौतिक उपउत्पादावर हलवता येईल.

हे edge devices, embedded electronics, आणि ज्या प्रणालींमध्ये thermal management आधीच मोठी design concern आहे, त्यांच्यात महत्त्वाचे ठरू शकते. उष्णतेशी संबंधित माहिती मोजण्यासाठी किंवा प्रक्रिया करण्यासाठी अतिरिक्त circuitry जोडण्याऐवजी, एक chip काही कामांसाठी heat flow थेट operating substrate म्हणून वापरू शकतो.

स्रोत अहवाल एक विशेषतः तात्काळ शक्यता अधोरेखित करतो: thermal sensing. संशोधक म्हणतात की ही पद्धत त्रासदायक heat sources शोधण्यास आणि अतिरिक्त ऊर्जा खर्च न करता इलेक्ट्रॉनिक्समधील तापमान बदल मोजण्यास मदत करू शकते. ती मौल्यवान chip area व्यापणाऱ्या अनेक temperature sensors ची गरजही कमी करू शकते.

कदाचित हेच अधिक वास्तववादी पहिले अनुप्रयोग ठरेल. क्रांतिकारी संगणन परिमाणे बहुतेकदा मुख्य प्रवाहातील प्रोसेसरना बदलून नव्हे, तर अधिक अरुंद आणि अधिक तातडीची समस्या विद्यमान साधनांपेक्षा चांगली सोडवून आपले पहिले मूल्य मिळवतात.

इलेक्ट्रॉनिक्समधील उष्णतेकडे पाहण्याचा वेगळा दृष्टिकोन

आधुनिक chip design सामान्यतः उष्णतेला एक अभियांत्रिकी मर्यादा मानतो. अतिरिक्त उष्णता कार्यक्षमता कमी करते, घटकांचे आयुष्य कमी करते, आणि शीतकरण खर्च लादते. त्यामुळे प्रमुख उद्दिष्ट ती कमी करणे, हलवणे, किंवा dissipate करणे हेच असते.

हे संशोधन त्याउलट भूमिका स्वीकारते. स्रोत मजकुरात उद्धृत प्रमुख लेखक Caio Silva म्हणतात की उष्णता सामान्यतः इलेक्ट्रॉनिक गणनेचा अपशिष्ट उत्पादन असते. येथे पथक उष्णतेलाच माहिती म्हणून वापरते.

हा बदल संकल्पनात्मकदृष्ट्या महत्त्वाचा आहे. तो सूचित करतो की उपकरणांमधील उष्णीय वर्तन केवळ व्यवस्थापित करायची समस्या नसून, आकार देता येईल असा संसाधनही आहे. सिलिकॉन संरचना सामान्य channels नाहीत. त्या अनुकूलित ज्यामिती आहेत, ज्या अशा रीतीने तयार केल्या आहेत की thermal flow अपेक्षित रूपांतरण अंमलात आणेल.

प्रत्यक्षात, material layout हाच गणनेचा भाग बनतो. एकदा तयार झाल्यावर, ती संरचना उष्णता कशी पसरते हे भौतिकरित्या नियंत्रित करते, ज्यामुळे उपकरण आपल्या स्वतःच्या thermodynamics द्वारे विशिष्ट ऑपरेशन सोडवू शकते.

मर्यादा खऱ्या आहेत, पण संधीही तितकीच खरी आहे

अनेक प्रायोगिक संगणन कल्पना हुशार proof of concept आणि उत्पादनक्षम, स्केलेबल platform यांमधील अंतरावर अडकतात. हे काम ते अंतर स्पष्टपणे सामोरे जाते. स्रोत अहवालात scaling, complexity, आणि distance-related accuracy loss या समस्या नमूद केल्या आहेत. त्या गौण नाहीत. त्या प्रयोगशाळेतील निकाल आणि व्यावसायिकदृष्ट्या व्यवहार्य architecture यांमधील फरक ठरवतात.

तरीही, या संशोधनात असे अनेक गुण आहेत जे त्याकडे लक्ष द्यावेसे वाटते. पहिले, ते किमान काही matrix operations मध्ये उच्च अचूकता दर्शवते. दुसरे, ते microscopic silicon structures वर आधारलेले आहे, म्हणजेच ते semiconductor जगात आधीच परिचित असलेल्या materials आणि fabrication approaches वर उभे आहे. तिसरे, ते वाढत्या bottleneck ला लक्ष्य करते: वाढत्या घनतेच्या electronics चे thermal behavior कसे sense करायचे, manage करायचे, आणि कदाचित वापरायचे.

उष्णता-आधारित अ‍ॅनालॉग संगणन कधीच सामान्य-उद्देश AI engine बनले नाही तरी, ते co-processors, on-chip diagnostics, किंवा विशेष कमी-ऊर्जा signal-processing functions मध्ये आपली जागा निर्माण करू शकते.

व्यापक संगणन परिदृश्यात हे का महत्त्वाचे आहे

या कामाचे महत्त्व digital computing ला बदलण्यात कमी आणि गणना काय मानायची याची व्याख्या विस्तृत करण्यात अधिक आहे. AI आणि इतर data-intensive workloads ऊर्जा मागणी वाढवत असताना, संशोधक efficiency gains च्या शोधात analog, photonic, neuromorphic, आणि इतर अपरंपरागत architectures पुन्हा तपासत आहेत.

हा MIT-नेतृत्वाखालील प्रयत्न त्या प्रवाहात अगदी बसतो. तो सुचवतो की thermal energy, जी सहसा हानी मानली जाते, ती अंशतः कार्य म्हणून परत मिळवता येऊ शकते. अशा युगात, जिथे chip वरील प्रत्येक watt महत्त्वाचा आहे, त्या कल्पनेत व्यावहारिक तसेच तात्त्विक आकर्षण आहे.

स्रोत अहवाल जवळच्या भविष्यात असा processor येईल असे म्हणत नाही जो फक्त अपशिष्ट उष्णतेवर मोठे language models चालवेल, आणि तसे वाचूही नये. तो जे देतो ते म्हणजे निवडक कामांमध्ये उष्णतेला उच्च अचूकतेने माहिती म्हणून encode, direct, आणि interpret करता येते याचा विश्वासार्ह पुरावा.

हे कदाचित नव्या संशोधन-धारेची सुरुवात करण्यास पुरेसे ठरेल. संगणनाच्या इतिहासात अशा अनेक उदाहरणांनी भरलेला आहे, जिथे सुरुवातीला मर्यादित असलेली तंत्रज्ञानपद्धत एक कठीण समस्या असामान्यरीत्या चांगली सोडवल्यामुळे मौल्यवान ठरली. अपशिष्ट-उष्णता संगणनही तोच मार्ग अनुसरू शकते. त्याचा पहिला प्रभाव प्रोसेसर बदलण्यातून नव्हे, तर chip ची सर्वात गरम जबाबदारी एका नवीन साधनात रूपांतरित करण्यातून येऊ शकतो.

हा लेख MIT Technology Review च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.