গবেষকগণ একটি নিম্ন শক্তি নিউরাল নেটওয়ার্ক তৈরি করতে মানব মস্তিষ্কের অনুকরণ

নিউরাল নেটওয়ার্ক - অথবা মানুষের মস্তিষ্কের কৃত্রিম প্রতিলিপি - বিজ্ঞানীরা এবং প্রকৌশলীদের বিশ্লেষণ করা উচিত যা মানুষের বয়সের জন্য গ্রহণ করবে।তারা তথ্যগুলির অবিচ্ছিন্ন সারণির মাধ্যমে ঢুকে পড়তে পারে এবং চিত্রগুলির মধ্যে অসঙ্গতি নির্দেশ করে যা মানুষের দ্বারা অবহেলিত হবে।

যদিও তাদের একটি ত্রুটি রয়েছে: গেমের সেরা স্নায়ু জাল তাদের কাজের জন্য অবিশ্বাস্য পরিমাণে শক্তি ব্যবহার করে।

"কিছু বছর আগে আইবিএম একটি সুপারকম্পিউটারের বিড়ালের মস্তিষ্কের ক্রিয়াকলাপকে অনুকরণ করার চেষ্টা করেছিল এবং তারা ক্ষমতার মেগাওয়াটগুলি শেষ করে দিয়েছিল," পারদু বিশ্ববিদ্যালয়ের গবেষক আখরনিল সেনগুপ্ত বলেছেন বিপরীত । "জৈবিক মানব মস্তিষ্ক এত কাছাকাছি কাছাকাছি খায় না। এটি সরাসরি এক-থেকে-এক তুলনা একটি স্নায়ুতন্ত্রের তুলনায় নয়, তবে এটি আপনাকে কতটা ক্ষুধার্ত কম্পিউটিং সিস্টেমের একটি অনুমান দেবে।"

পেরুয়ে বিশ্ববিদ্যালয়ের কম্পিউটার বিজ্ঞানী এবং ইলেক্ট্রিক্যাল অ্যান্ড ইলেকট্রনিক্স ইঞ্জিনিয়ার্স ইনস্টিটিউটের ইনস্টিটিউটের কম্পিউটার বিজ্ঞানী সেনগুপ্ত এবং আইটিইউ একটি কিক-অ্যাস চাকরি করার সময় নূর নেটওয়ার্কগুলি কম শক্তি ব্যবহার করার উপায় নিয়ে এসেছিলেন। প্রিন্টিন্ট সাইট এআরএক্সিভ-এ পোস্ট করা একটি কাগজে তারা কীভাবে মানব মস্তিষ্ক থেকে অনুপ্রেরণা নেয় এবং তাদের নিউরাল নেটটিকে প্রচলিত সিস্টেমগুলির চেয়ে প্রায় 11 গুণ কম শক্তি ব্যবহার করার জন্য তাদের ধারণা বাস্তবায়িত করে ব্যাখ্যা করে।

তাদের পদ্ধতির spiking স্নায়ু নেটওয়ার্ক, বা SNN ব্যবহার করে তোলে। তাদের সমতুল্যের বিপরীতে, এই গণনীয় সিস্টেম জৈবিক নিউরনগুলিকে আরো সঠিকভাবে অনুকরণ করে।

স্ট্যান্ডার্ড নিউরাল নেটগুলি হাজার হাজার নোডের সাথে গঠিত হয় যা তাদের কাছে উপস্থাপিত তথ্য সম্পর্কে সিদ্ধান্ত নিতে এবং সিদ্ধান্ত নেওয়ার জন্য ব্যবহৃত হয়। এগুলির আউটপুটটি বর্তমানে যা উপস্থাপন করা হচ্ছে তার উপর নির্ভর করে, যখন SNN আউটপুট আগের উদ্দীপনার উপর নির্ভর করে। একটি নির্দিষ্ট স্তরের উদ্দীপনা পৌঁছেছেন যখন একটি SNN মধ্যে নোড শুধুমাত্র কাজ করবে। তাই পরিবর্তে প্রতিনিয়ত অন্যান্য নোড তথ্য পাস, তারা যখন তথ্য SNN নোড শুধুমাত্র পাস করতে হবে.

এটি সাধারণত একটি দৈত্য শক্তি খরচে আসে কারণ এইগুলির বেশিরভাগই পরিপূরক ধাতু-অক্সাইড-সেমিকন্ডাক্টরস প্রযুক্তি বা সিএমওএস হিসাবে পরিচিত যা ব্যবহার করে তৈরি করা হয়। যে প্রযুক্তিটি আপনার ল্যাপটপে সমস্ত চিপ তৈরি করে এবং স্নায়ু নেটওয়ার্কের জন্য বিল্ডিং ব্লক হিসাবে ব্যবহার করা হয়েছে। তাদের গবেষণার জন্য গবেষকরা দলটি সিএমওএস প্রযুক্তিকে ডিট করেছে এবং একটি এসএনএন তৈরি করেছে যা পুরোপুরি স্মৃতিচারকদের বাইরে তৈরি করেছে।

"মেমরি প্রতিরোধক" এর জন্য সংক্ষিপ্ত, স্মৃতিচারকদের বৈদ্যুতিক প্রতিরোধ অতীতে এটির মাধ্যমে কতগুলি বৈদ্যুতিক চার্জ প্রবাহিত হয় তার উপর নির্ভর করে। তাই সিএমওএস প্রযুক্তির বিপরীতে, এটি আগে যা দিয়ে গেছে তা "মনে রাখতে" সক্ষম, যা এসএনএনগুলিতে কী নোডগুলি করতে হবে তা ঠিক।

গবেষণার ফলাফলে দেখা গেছে যে স্মৃতিচারীরা জৈবিক নিউরনকে সুন্দরভাবে অনুকরণ করে। বিদ্যুতের ক্রমাগত প্রবাহের বিরোধিতায় তারা একে অপরের সাথে স্পাইক ব্যবহার করে বা শক্তির সংক্ষিপ্ত ফাটলগুলি ব্যবহার করে যোগাযোগ করে। এই মেমরিস্টার-এসএনএনটি যখন সিএমওএসের তুলনাকারীর তুলনায় চিত্র শ্রেণির জন্য ব্যবহৃত হয় তখন নির্ভুলতায় কিছুটা হ্রাস পায়, তবে এটি পাওয়ার স্ট্যান্ডার্ড নিউরাল নেটগুলির একটি ভগ্নাংশ নেয়।

এই গবেষণার আগে আমরা যে কৃত্রিম মানব মস্তিষ্কের কাছে এসএনএনগুলি সবচেয়ে নিকটতম ছিলাম, কিন্তু তারা যে বিপুল পরিমাণ শক্তি ব্যবহার করেছিল তা তাদের কিছু সুবিধা বাতিল করেছিল। অন্যান্য বিজ্ঞানীরা এই শক্তি-সঞ্চয়কারী নিউরাল নেটওয়ার্কগুলির প্রতিলিপি করতে সক্ষম হন তবে এটি তাদের কম শক্তির সাথে আরও বেশি কিছু করার অনুমতি দেয় এবং জৈবিক মস্তিষ্ককে কিভাবে পুনরাবৃত্তি করতে পারে তা বোঝার কাছাকাছি চলে যায়।