हाल ही में, कई संस्थानों के शोधकर्ताओं ने एक नई तकनीक - भौतिक न्यूरल नेटवर्क (PNNs) की खोज की है। यह वह डिजिटल एल्गोरिदम नहीं है जो हम कंप्यूटर में जानते हैं, बल्कि यह एक पूरी तरह से नई, भौतिक प्रणाली पर आधारित बुद्धिमान गणना का तरीका है।
PNNs, जैसा कि नाम से पता चलता है, भौतिक प्रणाली के गुणों का उपयोग करके गणना करने वाले न्यूरल नेटवर्क हैं। हालांकि वर्तमान में यह अभी भी अनुसंधान क्षेत्र का एक विशेष क्षेत्र है, लेकिन ये आधुनिक AI में एक महत्वपूर्ण अवसर हो सकते हैं जो गंभीरता से कम आंका गया है।
PNNs की संभावनाएँ: बड़े मॉडल, कम ऊर्जा खपत, एज कंप्यूटिंग
कल्पना कीजिए, यदि हम एक AI मॉडल को प्रशिक्षित कर सकें जो वर्तमान से 1000 गुना बड़ा हो, और इसे एज डिवाइस पर स्थानीय, निजी अनुमान लगाने में सक्षम बना सकें, जैसे कि स्मार्टफोन या सेंसर पर, तो क्या होगा? यह विज्ञान कथा की कहानी की तरह लगता है, लेकिन अनुसंधान से पता चलता है कि यह असंभव नहीं है।
PNNs के बड़े पैमाने पर प्रशिक्षण को प्राप्त करने के लिए, शोधकर्ता पुनरावृत्ति प्रसारण और बिना पुनरावृत्ति प्रसारण के तरीकों का अन्वेषण कर रहे हैं। इन तरीकों के अपने-अपने लाभ और हानि हैं, वर्तमान में कोई भी विधि गहरे अध्ययन में व्यापक रूप से उपयोग किए जाने वाले पुनरावृत्ति प्रसारण एल्गोरिदम के समान पैमाने और प्रदर्शन प्राप्त नहीं कर पाई है। लेकिन स्थिति तेजी से बदल रही है, विविध प्रशिक्षण तकनीकों का पारिस्थितिकी तंत्र PNNs के उपयोग के लिए संकेत प्रदान कर रहा है।
PNNs का कार्यान्वयन कई क्षेत्रों से संबंधित है, जिसमें ऑप्टिक्स, इलेक्ट्रॉनिक्स और मस्तिष्क-नकल गणना शामिल हैं। वे डिजिटल न्यूरल नेटवर्क संरचना के समान तरीके से मैट्रिक्स-वेक्तर गुणा जैसे गणनाएँ कर सकते हैं, या संभावित गति/ऊर्जा लाभ के लिए इस संरचना की समानता का बलिदान कर सकते हैं, जिससे भौतिक प्रणाली अपनी सबसे स्वाभाविक गणना कर सके।
PNNs का भविष्य: डिजिटल हार्डवेयर की प्रदर्शन से परे
PNNs के भविष्य के अनुप्रयोग बहुत व्यापक हो सकते हैं, बड़े जनरेटिव मॉडल से लेकर स्मार्ट सेंसर में वर्गीकरण कार्यों तक। इन्हें प्रशिक्षित करने की आवश्यकता होगी, लेकिन विभिन्न अनुप्रयोगों के अनुसार, प्रशिक्षण की सीमाएँ भिन्न हो सकती हैं। आदर्श प्रशिक्षण विधि मॉडल-स्वतंत्र, त्वरित और ऊर्जा दक्ष होनी चाहिए, और हार्डवेयर के भिन्नता, विस्थापन और शोर के प्रति मजबूत होनी चाहिए।
हालांकि PNNs का विकास संभावनाओं से भरा हुआ है, लेकिन इसे कई चुनौतियों का सामना करना पड़ता है। PNNs को प्रशिक्षण और अनुमान के चरणों में स्थिरता कैसे सुनिश्चित की जाए? इन भौतिक प्रणालियों को मौजूदा डिजिटल हार्डवेयर और सॉफ़्टवेयर बुनियादी ढांचे के साथ कैसे एकीकृत किया जाए? ये सभी समाधान की आवश्यकता वाले प्रश्न हैं।
पेपर का पता: https://arxiv.org/pdf/2406.03372
