புதிய அனலாக் சிப் ஆய்வில் கழிவு வெப்பம் கணக்கீட்டு ஊடகமாக மாறுகிறது

மின்னணுக்கள் சாதாரணமாக அகற்ற முயலும் வெப்பமே பயனுள்ள வேலையைச் செய்யுமானால்?

அந்த யோசனையை அடிப்படையாகக் கொண்ட புதிய அனலாக் கணக்கீட்டு அணுகுமுறையை MIT-யின் Institute for Soldier Nanotechnologies-இல் உள்ள ஆராய்ச்சியாளர்கள் தலைமையிலான ஒரு குழு அறிக்கையிட்டுள்ளது. கழிவு வெப்பத்தை தேவையற்ற துணைப் பொருளாகக் கருதுவதற்கு பதிலாக, ஆராய்ச்சியாளர்கள் அதைத் தகவல் ஊடகமாகவே பயன்படுத்தினர்.

மூல அறிக்கையில் விவரிக்கப்பட்ட அமைப்பில், உள்ளீட்டு தரவு மின்சார பைனரி மதிப்புகளாக குறியிடப்படவில்லை. அது சாதனத்தில் ஏற்கனவே உள்ள வெப்பத்தின் அடிப்படையில் உள்ள வெப்பநிலைகளின் தொகுப்பாக பிரதிநிதித்துவப்படுத்தப்படுகிறது. அந்த வெப்பத் தகவல், இயற்பியல்-அடிப்படையிலான ஒத்திசைவு அல்காரிதம் மூலம் வடிவமைக்கப்பட்ட அளவியலில் உள்ள நுண்ணிய சிலிக்கான் அமைப்புகள் வழியாக நகர்கிறது. அதனால் உருவாகும் வெப்பப் பகிர்வு மற்றும் ஓட்டம் கணக்கீட்டைக் செய்கிறது; வெளியீடு மறுமுனையில் சேகரிக்கப்படும் சக்தியாக வெளிப்படுகிறது.

இது பாரம்பரிய தர்க்கத்தின் குறிப்பிடத்தக்க தலைகீழாக்கம். நவீன கணக்கீட்டு அமைப்புகள் பெரும்பாலும் மின்சாரமாக இயங்கி, பின்னர் தாங்கள் உருவாக்கும் வெப்பத்துடன் போராடுகின்றன. சில வகை கணக்கீடுகள் அந்த வெப்பத்தையே பயன்படுத்திக் கொள்ள முடியுமா, குறிப்பிட்ட பயன்பாடுகளில் கூடுதல் ஆற்றல் உள்ளீட்டின் தேவையை குறைக்க முடியுமா என்பதைக் குறித்து இந்தப் பணி கேட்கிறது.

இயந்திரக் கற்றலில் பயன்படும் ஒரு முக்கிய செயல்பாட்டை ஆராய்ச்சியாளர்கள் காட்டினர்

குழு சிலிக்கான் அமைப்புகளைப் பயன்படுத்தி matrix-vector multiplication எனப்படும், இயந்திரக் கற்றல் அமைப்புகளின் மையத்தில் இருக்கும் ஒரு எளிய கணிதச் செயல்பாட்டை செய்தது; இதில் பெரிய மொழி மாதிரிகளும் அடங்கும். மூல உரையின் படி, பல சந்தர்ப்பங்களில் முடிவுகள் 99 சதவீதத்துக்கு மேல் துல்லியமாக இருந்தன.

அந்தத் துல்லியம் குறிப்பிடத்தக்கது, ஏனெனில் matrix செயல்பாடுகள்தான் பல AI வேலைப்பளுவை ஆட்சி செய்யும் மீண்டும் மீண்டும் நடைபெறும் நேரியல் அலகுப் பணிகள். கோட்பாட்டில், அவற்றை திறமையாகச் செய்யக்கூடிய எந்த புதிய முறையும் கவனத்தை ஈர்க்கும். ஆனால் தாங்கள் உருவாக்கியதை மிகைப்படுத்தாமல் பேசுவதில் ஆராய்ச்சியாளர்கள் கவனமாக இருக்கிறார்கள்.

இந்த நுட்பம் நவீன deep learning-இல் பயன்படுத்தப்படும் பெரும் அமைப்புகளின் அளவுக்கு விரிவடைய இன்னும் வெகுதூரம் இருப்பதை மூல அறிக்கை தெளிவுபடுத்துகிறது. இத்தகைய வெப்ப அமைப்புகளில் கோடிக்கணக்கானவற்றை ஒன்றாக அடுக்குவது குறிப்பிடத்தக்க பொறியியல் சவால்களை ஏற்படுத்தும். matrices மேலும் சிக்கலாகும்போது, உள்ளீடு மற்றும் வெளியீட்டு முனைகளுக்கிடையிலான தூரம் அதிகரிக்கும்போது துல்லியமும் குறைகிறது.

ஆகவே, இது digital AI accelerators-க்கு அருகிலான மாற்றாக அல்ல. கட்டுப்படுத்தப்பட்ட சூழலில் thermal analog computation-ஐ உண்மையிலும் துல்லியமாகவும் உருவாக்க முடியும் என்பதைக் காட்டும் ஒரு நிரூபணமாகவே இதை புரிந்துகொள்வது நல்லது.

வெப்ப அடிப்படையிலான அனலாக் கணக்கீடு ஏன் சுவாரசியம்

அதன் ஈர்ப்பு ஆற்றல் தர்க்கத்தில் உள்ளது. ஒரு சாதனம் ஏற்கனவே வெப்பத்தை உருவாக்கிக் கொண்டிருந்தால், அந்த வெப்பத்தை sensing அல்லது signal-processing பணிகளுக்கு பயன்படுத்த முடிந்தால், கூடுதல் மின்சார வேலை தேவையில்லாமல் கணக்கீட்டு சுமையின் ஒரு பகுதியை ஏற்கனவே உள்ள இயற்பியல் துணைப் பொருள்மீது மாற்ற முடியும்.

அது edge devices, embedded electronics, மற்றும் வெப்ப மேலாண்மை ஏற்கனவே ஒரு முக்கிய வடிவமைப்பு கவலை ஆக இருக்கும் அமைப்புகளில் பொருத்தமானதாக இருக்கலாம். வெப்பத்துடன் தொடர்புடைய தகவலை அளக்க அல்லது செயலாக்க கூடுதல் circuitry சேர்ப்பதற்குப் பதிலாக, ஒரு chip சில பணிகளுக்கான செயல்பாட்டு அடிப்படையாக வெப்ப ஓட்டத்தை நேரடியாகப் பயன்படுத்தலாம்.

மூல அறிக்கை ஒரு குறிப்பாக உடனடி சாத்தியத்தை முன்வைக்கிறது: thermal sensing. கூடுதல் ஆற்றலைச் செலவிடாமல், பிரச்சனையுள்ள வெப்ப மூலங்களை கண்டறியவும், மின்னணுக்களில் வெப்பநிலை மாற்றங்களை அளவிடவும் இந்த நுட்பம் உதவலாம் என ஆராய்ச்சியாளர்கள் கூறுகின்றனர். மதிப்புமிக்க chip பகுதியை எடுத்துக் கொள்ளும் பல temperature sensors-ன் தேவையையும் இது குறைக்கலாம்.

அதுவே மிக யதார்த்தமான முதற்கட்ட பயன்பாடாக இருக்கக்கூடும். புரட்சிகர கணக்கீட்டு பரிமாணங்கள் பெரும்பாலும் முதலில் முக்கியத்துவம் பெறுவது பிரதான செயலிகளைக் மாற்றுவதால் அல்ல; மாறாக, உள்ள கருவிகளைவிட குறுகியதும் அவசரமானதுமான ஒரு சிக்கலை சிறப்பாகத் தீர்ப்பதால்தான்.

மின்னணுக்களில் உள்ள வெப்பத்தைப் பார்க்கும் ஒரு வேறுபட்ட பார்வை

நவீன chip வடிவமைப்பு பொதுவாக வெப்பத்தை ஒரு பொறியியல் கட்டுப்பாடாகக் கருதுகிறது. அதிக வெப்பம் செயல்திறனை குறைக்கிறது, கூறுகளின் ஆயுளைக் குறைக்கிறது, மேலும் குளிர்விப்பு செலவுகளைக் கொண்டுவருகிறது. எனவே, அதை குறைப்பது, நகர்த்துவது அல்லது களைப்பது என்பதே முதன்மை இலக்காகிறது.

இந்த ஆய்வு அதற்கு மாறான நிலைப்பாட்டை எடுத்துள்ளது. மூல உரையில் மேற்கோள் காட்டப்பட்ட முதன்மை ஆசிரியர் Caio Silva, வெப்பம் பொதுவாக மின்னணு கணக்கீட்டின் கழிவு உற்பத்தி என்று குறிப்பிடுகிறார். இங்கு, குழு வெப்பத்தையே தகவலாகப் பயன்படுத்துகிறது.

இந்த மாற்றம் கருத்தியல் ரீதியாக முக்கியமானது. சாதனங்களுக்குள் உள்ள வெப்ப நடத்தை நிர்வகிக்க வேண்டிய பிரச்சினை மட்டுமல்ல, வடிவமைக்கக்கூடிய ஒரு வளமாகவும் இருக்கலாம் என்பதைக் காட்டுகிறது. சிலிக்கான் அமைப்புகள் பொதுவான வழித்தடங்கள் அல்ல. அவை இலக்கிடப்பட்ட மாற்றத்தை வெப்ப ஓட்டம் செயல்படுத்தும் வகையில் வடிவமைக்கப்பட்ட ஒத்திசைவு அளவியல்கள்.

விளைவாக, பொருள் அமைப்பே கணக்கீட்டின் ஒரு பகுதியாகிறது. உருவாக்கப்பட்ட பிறகு, அந்த அமைப்பு வெப்பம் எவ்வாறு பரவ வேண்டும் என்பதை உடல்ரீதியாக வரையறுக்கிறது; இதனால் சாதனம் தனது சொந்த thermodynamics-ஐப் பயன்படுத்தி ஒரு நிர்ணயிக்கப்பட்ட செயல்பாட்டைத் தீர்க்க முடிகிறது.

வரம்புகள் நிஜமானவை, ஆனால் வாய்ப்பும் அதேபோல நிஜமானது

பல பரிசோதனைக்குரிய கணக்கீட்டு யோசனைகள் ஒரு சிந்தனையுள்ள proof of concept மற்றும் உற்பத்தி செய்யக்கூடிய, விரிவாக்கக்கூடிய platform ஆகியவற்றுக்கிடையிலான இடைவெளியில் தடுமாறுகின்றன. இந்த வேலை அந்த இடைவெளியைத் தெளிவாக எதிர்கொள்கிறது. மூல அறிக்கை scaling, complexity, மற்றும் தூரத்துடன் தொடர்புடைய துல்லிய இழப்பு போன்ற சிக்கல்களை குறிப்பிடுகிறது. அவை முக்கியமற்ற விவரங்கள் அல்ல. அவையே ஒரு ஆய்வக முடிவுக்கும் வணிகரீதியாக சாத்தியமான கட்டமைப்புக்கும் இடையிலான வேறுபாட்டை வரையறுக்கின்றன.

அப்படியானாலும், இந்த ஆராய்ச்சியை கவனிக்கத் தகுந்ததாக 만드는 பல அம்சங்கள் உள்ளன. முதலில், குறைந்தது சில matrix செயல்பாடுகளில் இது உயர்ந்த துல்லியத்தை காட்டுகிறது. இரண்டாவது, இது நுண்ணிய சிலிக்கான் அமைப்புகளை நம்புகிறது, அதாவது semiconductor உலகிற்கு ஏற்கனவே பரிச்சயமான பொருட்கள் மற்றும் உற்பத்தி அணுகுமுறைகளில் இது அடிப்படையைக் கொண்டுள்ளது. மூன்றாவது, இது வளர்ந்து வரும் bottleneck ஒன்றை குறிவைக்கிறது: அதிக அடர்த்தியான மின்னணுக்களின் வெப்ப நடத்தை எவ்வாறு உணர்ந்து, நிர்வகித்து, சாத்தியமாகப் பயன்படுத்துவது.

வெப்ப அடிப்படையிலான அனலாக் கணக்கீடு ஒருபோதும் பொதுப்பயன் AI engine ஆக மாறாவிட்டாலும், co-processors, on-chip diagnostics, அல்லது சிறப்பான குறைந்த-ஆற்றல் signal-processing செயல்பாடுகளில் அது தனக்கென ஒரு பங்கை உருவாக்கிக்கொள்ளலாம்.

விரிவான கணக்கீட்டு சூழலில் இது ஏன் முக்கியம்

இந்தப் பணியின் முக்கியத்துவம் digital computing-ஐ மாற்றுவதில் அல்ல; மாறாக, கணக்கீடு என்றால் என்ன என்பதைக் குறிக்கும் வரம்பை விரிவுபடுத்துவதில் உள்ளது. AI மற்றும் பிற data-intensive வேலைப்பளுக்கள் ஆற்றல் தேவையை உயர்த்தும் நிலையில், திறன் மேம்பாடுகளைத் தேடும் முயற்சியில் ஆராய்ச்சியாளர்கள் அனலாக், photonic, neuromorphic, மற்றும் பிற வழக்கத்திற்கு மாறான கட்டமைப்புகளை மீண்டும் ஆராய்ந்து வருகின்றனர்.

இந்த MIT-நடத்தப்பட்ட முயற்சி அந்தப் போக்கில் நேரடியாக அமைகிறது. பொதுவாக இழப்பாகக் கருதப்படும் thermal energy-யை பகுதியளவில் செயல்பாடாக மீட்டெடுக்க முடியும் என்று இது முன்வைக்கிறது. ஒரு chip-இல் ஒவ்வொரு watt-மும் முக்கியமான காலகட்டத்தில், அந்த யோசனை நடைமுறை மற்றும் தத்துவ ரீதியான ஈர்ப்பையும் கொண்டுள்ளது.

மூல அறிக்கை, வெறும் கழிவு வெப்பத்தைப் பயன்படுத்தி பெரிய language models-ஐ இயக்கும் உடனடி கால processor ஒன்றை வாக்களிப்பதில்லை; அப்படியாகவும் அதை வாசிக்கக் கூடாது. அது வழங்குவது, தேர்ந்தெடுக்கப்பட்ட பணிகளில் வெப்பத்தை மிகுந்த துல்லியத்துடன் தகவலாக குறியிடவும், வழிநடத்தவும், விளக்கவும் முடியும் என்பதற்கான நம்பத்தகுந்த நிரூபணம்.

அது ஒரு புதிய ஆராய்ச்சி திசையைத் திறக்கப் போதுமானதாக இருக்கலாம். கணக்கீட்டு வரலாறு, ஆரம்பத்தில் குறுகியதாக இருந்த ஒரு நுட்பம், ஒரு கடினமான சிக்கலை விசித்திரமாக நன்றாகத் தீர்த்ததால் மதிப்புமிக்கதாக மாறிய பல உதாரணங்களால் நிறைந்தது. கழிவு-வெப்ப கணக்கீடும் அதே பாதையைப் பின்பற்றலாம். அதன் முதல் தாக்கம் processor-ஐ மாற்றுவதிலிருந்து அல்ல, chip-இன் மிக அதிக வெப்பமுள்ள சுமையை ஒரு புதிய கருவியாக மாற்றுவதிலிருந்து வரலாம்.

இந்தக் கட்டுரை MIT Technology Review வெளியிட்ட செய்திப்பதிவை அடிப்படையாகக் கொண்டது. மூல கட்டுரையைப் படிக்கவும்.