⚡ electrical engineering

A Linear Implementation of an Analog Resonate-and-Fire Neuron

यह शोध पत्र एक सुदृढ़ और ऊर्जा-कुशल 22nm FDSOI एनालॉग रेसोनेट-एंड-फायर न्यूरॉन प्रस्तुत करता है जो स्पाइक-आधारित संचार बनाए रखते हुए लंबी अवधि के टेम्पोरल प्रोसेसिंग के लिए लीनियर स्टेट-स्पेस-मॉडल सिद्धांतों के अनुरूप है, जो प्रोसेस वेरिएशंस के प्रति लचीलापन और कीवर्ड-स्पॉटिंग कार्यों में प्रभावी प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Angqi Liu, Filippo Moro, Sebastian Billaudelle, Melika Payvand

प्रकाशित 2026-06-24

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Angqi Liu, Filippo Moro, Sebastian Billaudelle, Melika Payvand

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कंप्यूटर को एक विशिष्ट ध्वनि सुनने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं, जैसे कि "Hey Siri" या "Okay Google" कहना। इसे अच्छी तरह से करने के लिए, कंप्यूटर को न केवल ध्वनि को समझने की आवश्यकता है, बल्कि इस बात को भी कि वह ध्वनि समय के साथ कैसे विकसित होती है, उसके ताल (rhythm) और समय (timing) को समझना होगा।

आधुनिक आर्टिफिशियल इंटेलिजेंस की दुनिया में, एक लोकप्रिय विधि है जिसे स्टेट-स्पेस मॉडल्स (SSMs) कहा जाता है। इन मॉडल्स को एक अत्यधिक कुशल "संगीत मेट्रोनोम (ताल यंत्र)" के रूप में सोचें जो बहुत लंबे समय तक एक स्थिर ताल बनाए रख सकते हैं, जिससे कंप्यूटर को एक अनुक्रम (sequence) में पैटर्न याद रखने में मदद मिलती है।

हालाँकि, अधिकांश मेट्रोनोम डिजिटल सॉफ़्टवेयर पर चलते हैं, जो भारी और अधिक बिजली की खपत करने वाले होते हैं। यह शोध पत्र एक नया, छोटा, भौतिक चिप पेश करता है जो एक जैविक मेट्रोनोम (biological metronome) की तरह कार्य करता है। इसे रेसोनेट-एंड-फायर (Resonate-and-Fire - RAF) न्यूरॉन कहा जाता है।

यहाँ एक सरल विवरण दिया गया है कि शोधकर्ताओं ने क्या बनाया है और यह क्यों महत्वपूर्ण है:

1. पुराने "मेट्रोनोम" के साथ समस्या

अतीत में, इंजीनियरों ने इन ताल बनाए रखने वाले न्यूरॉन्स को बनाने के लिए एनालॉग इलेक्ट्रॉनिक्स (सर्किट जो मस्तिष्क के निरंतर विद्युत प्रवाह की नकल करते हैं) का उपयोग करने की कोशिश की थी।

समस्या: शुरुआती डिज़ाइन सस्ते, डगमगाते घड़ियों की तरह थे। वे अव्यवस्थित, गैर-रेखीय (non-linear) कनेक्शनों पर निर्भर थे जो तापमान या निर्माण दोषों में सूक्ष्म परिवर्तनों के प्रति बहुत संवेदनशील थे। यदि तापमान थोड़ा भी बदल जाता, तो ताल बिगड़ जाती थी।
लक्ष्य: शोधकर्ता एक ऐसा "मेट्रोनोम" बनाना चाहते थे जो डिजिटल सॉफ़्टवेयर मॉडल्स (SSMs) की तरह सटीक हो, लेकिन एक छोटे, ऊर्जा-कुशल भौतिक चिप पर चलता हो।

2. समाधान: एक रैखिक, ट्यून करने योग्य सर्किट (A Linear, Tunable Circuit)

टीम ने उन्नत 22 nm तकनीक (अत्यधिक छोटा, जैसे कि वायरस का आकार) का उपयोग करके एक नया चिप बनाया। उन्होंने इसे रैखिक (linear) बनाने के लिए डिज़ाइन किया, जिसका अर्थ है कि इसका व्यवहार अनुमानित और सीधा है, बिल्कुल एक आदर्श गणितीय समीकरण की तरह।

उन्होंने इसे बनाने के लिए दो मुख्य उपकरणों का उपयोग किया:

द "कपलर" (ट्रांसकंडक्टेंस एम्पलीफायर्स): कल्पना कीजिए कि दो झूले एक स्प्रिंग से जुड़े हुए हैं। यदि आप एक को धक्का देते हैं, तो दूसरा भी हिलता है। यह चिप दो आंतरिक अवस्थाओं (मान लीजिए स्टेट A और स्टेट B) को जोड़ने के लिए विशेष एम्पलीफायर्स का उपयोग करती है ताकि वे एक-दूसरे को एक पूर्ण, लयबद्ध नृत्य की तरह धकेल सकें और खींच सकें। यह "ऑसिलेशन" या ताल पैदा करता है।
द "लीक" (स्विच्ड-कैपेसिटर सर्किट्स): एक वास्तविक झूले में, हवा का प्रतिरोध अंततः उसे धीमा कर देता है। इस चिप में, वे एक "स्विच्ड-कैपेसिटर" सिस्टम का उपयोग करते हैं ताकि यह नियंत्रित किया जा सके कि लय कितनी तेज़ी से कम होती है। यह एक घर्षण के लिए डिमर स्विच रखने जैसा है, जो उन्हें लय की गति को बहुत धीमी से बहुत तेज़ तक ट्यून करने की अनुमति देता है।

3. यह क्यों विशेष है

ऊर्जा कुशल (Energy Efficient): यह छोटा चिप बिजली के मामले में अविश्वसनीय रूप से किफायती है। यह 1.6 से 132.6 नैनोवाट के बीच ऊर्जा का उपयोग करता है। इसे समझने के लिए, यह इतनी कम ऊर्जा का उपयोग करता है कि यह एक छोटी बैटरी पर बहुत लंबे समय तक चल सकता है, जो इसे पहनने योग्य उपकरणों (wearable devices) या सेंसरों के लिए आदर्श बनाता है।
मजबूत (Robust): पुराने "डगमगाते घड़ियों" के विपरीत, यह डिज़ाइन टिकाऊ है। शोधकर्ताओं ने वोल्टेज और तापमान में बदलाव के विरुद्ध इसका परीक्षण किया, और इसने अपनी ताल को स्थिर बनाए रखा।
ट्यून करने योग्य (Tunable): आप केवल एक सूक्ष्म करंट को समायोजित करके न्यूरॉन की "ताल" को बदल सकते हैं, जो रेडियो पर अलग स्टेशन खोजने के लिए डायल घुमाने के समान है।

4. "दोष" का समाधान (The "Imperfection" Fix)

कोई भी भौतिक चिप पूर्ण नहीं होता। शोधकर्ताओं ने पाया कि उनके सर्किट में कुछ मामूली "दोष" (जैसे कि स्प्रिंग का थोड़ा सख्त होना या घर्षण का थोड़ा असमान होना) थे।

स्मार्ट समाधान: हार्डवेयर को पूर्ण बनाने के बजाय (जो कठिन और महंगा है), उन्होंने सॉफ्टवेयर को स्मार्ट बनाया। उन्होंने एक ऐसा सिमुलेशन बनाया जो हार्डवेयर की खामियों के बारे में "जानता" था।
परिणाम: उन्होंने इस सिस्टम का परीक्षण एक कीवर्ड स्पॉटिंग टास्क (बोली गई संख्याओं को पहचानना) पर किया। हार्डवेयर की सूक्ष्म खामियों के बावजूद, सिस्टम ने लगभग आदर्श सैद्धांतिक मॉडल के समान प्रदर्शन किया (सटीकता में केवल 1.5% की गिरावट)। यह साबित करता है कि आप दोषपूर्ण, सस्ते हार्डवेयर का उपयोग कर सकते हैं यदि आप सॉफ़्टवेयर को उसे समझने के लिए डिज़ाइन करें।

सारांश

यह शोध पत्र एक नया, छोटा, ऊर्जा-कुशल चिप प्रस्तुत करता है जो एक लयबद्ध मस्तिष्क कोशिका की तरह कार्य करता है। यह आधुनिक AI में उपयोग किए जाने वाले उन्नत गणित की नकल करता है, लेकिन यह इसे भौतिक बिजली के साथ करता है। यह मजबूत, ट्यून करने योग्य और इतना कुशल है कि यह भविष्य के स्मार्ट, बैटरी-संचालित उपकरणों के लिए कुंजी हो सकता है जो क्लाउड में विशाल कंप्यूटर की आवश्यकता के बिना बोलने और समझने में सक्षम हों।

संक्षेप में: उन्होंने एक भौतिक "ताल मशीन" बनाई है, जो सस्ती, कम बिजली खपत वाली और इतनी स्मार्ट है कि शब्दों को पहचान सके, भले ही वह मशीन स्वयं पूरी तरह से दोषरहित न हो।

तकनीकी सारांश: एक रैखिक एनालॉग रेसोनेट-एंड-फायर न्यूरॉन का कार्यान्वयन

समस्या विवरण
ऑसिलेटरी डायनेमिक्स (दोलन गतिशीलता) मशीन लर्निंग के भीतर एक शक्तिशाली सिद्धांत के रूप में उभरे हैं, विशेष रूप से स्टेट-स्पेस मॉडल्स (SSMs) के भीतर जो कुशल दीर्घ-कालिक टेम्पोरल प्रोसेसिंग के लिए संरचित रैखिक पुनरावृत्तियों (linear recurrences) का उपयोग करते हैं। जबकि रेसोनेट-एंड-फायर (RAF) न्यूरॉन्स एक स्पाइकिंग फ्रेमवर्क प्रदान करते हैं जो स्वाभाविक रूप से इन दोलन गतिकी को समाहित करते हैं, पिछले एनालॉग कार्यान्वयन महत्वपूर्ण चुनौतियों का सामना करते रहे हैं। शुरुआती एनालॉग RAF सर्किट गैर-रैखिक कपलिंग (अक्सर लोटा-वोल्टेरा ऑसिलेटर्स से प्रेरित) पर निर्भर थे, जिससे वे प्रोसेस वेरिएशंस, डिवाइस मिसमैच और तापमान के उतार-चढ़ाव के प्रति संवेदनशील हो गए थे। इसके अलावा, ये गैर-रैखिक डिज़ाइन आधुनिक SSMs के केंद्र में स्थित रैखिक पुनरावृत्ति समीकरणों का सीधे मॉडल नहीं कर सकते थे। इसके विपरीत, डिजिटल कार्यान्वयन, हालांकि मजबूत होते हैं, एनालॉग सिग्नलिंग की ऊर्जा दक्षता की कमी रखते हैं। एक ऐसे एनालॉग RAF न्यूरॉन की आवश्यकता है जो SSMs के रैखिक सिद्धांतों के साथ संरेखित हो और साथ ही स्पाइक-आधारित संचार की ऊर्जा दक्षता और अभिव्यंजक क्षमता को बनाए रखे।

कार्यप्रणाली
लेखक 22 nm फुली-डिप्लीटेड सिलिकॉन ऑन इंसुलेटर (FDSOI) तकनीक में निर्मित एक रैखिक एनालॉग RAF न्यूरॉन का प्रस्ताव करते हैं। डिजाइन का लक्ष्य निरंतर-समय SSM डायनेमिक्स का सटीक रूप से पुनरुत्पादन करना है, जिसे समीकरण $\dot{x}(t) = A_{RAF}x(t) + B_{RAF}I(t)$ द्वारा वर्णित किया गया है, जहाँ स्टेट वेक्टर में दो चर, $u$ और $v$ शामिल हैं।

सर्किट आर्किटेक्चर दो प्राथमिक घटकों के साथ एक मॉड्यूलर दृष्टिकोण अपनाता है:

रैखिक ट्रांसकंडक्टेंस एम्पलीफायर्स (TCAs): दो स्टेट वेरिएबल्स ( $u$ और $v$ ) के बीच रैखिक कपलिंग प्राप्त करने के लिए, डिजाइन बल्क-ड्रिवन कैस्कोडेड TCAs का उपयोग करता है। इस टोपोलॉजी को बड़े टेल रेसिस्टर्स की आवश्यकता के बिना एक विस्तृत वोल्टेज स्विंग (0 V से 0.8 V) पर उच्च रैखिकता और उच्च आउटपुट इम्पीडेंस प्रदान करने के लिए चुना गया था। ट्रांसकंडक्टेंस ( $g_m$ ), जो रेजोनेंस फ्रीक्वेंसी ( $\omega$ ) को निर्धारित करता है, को एक बायस करंट ( $I_{bias}$ ) के माध्यम से ट्यून किया जाता है।
स्विच्ड-कैपेसिटर (SC) सर्किट: अवस्थाओं के अंतर्निहित क्षय (टाइम कॉन्स्टेंट्स $\tau_u, \tau_v$ ) को लागू करने के लिए, लेखक DC-बायस्ड सबथ्रेशल्ड ट्रांजिस्टरों के बजाय SC सर्किट का उपयोग करते हैं। यह दृष्टिकोण मिसमैच को कम करता है और आदर्श घातांकीय क्षय (exponential decay) के प्रति निष्ठा बनाए रखता है। स्विचिंग फ्रीक्वेंसी ( $f_{SC}$ ) को समायोजित करके टाइम कॉन्स्टेंट्स को प्रोग्राम किया जा सकता है।

लेखक स्वीकार करते हैं कि TCAs की सीमित आउटपुट इम्पीडेंस एक पैरासिटिक लीकेज पाथ पेश करती है जो प्रभावी टाइम कॉन्स्टेंट्स को मॉड्युलेट करती है, विशेष रूप से उच्च बायस करंट पर। इसे संबोधित करने के लिए, वे एक को-डिज़ाइन दृष्टिकोण अपनाते हैं: सर्किट की गैर-आदर्शताओं (TCA रैखिकता भिन्नता और टाइम-कांस्टेंट कंप्रेशन सहित) को लक्षणित किया जाता है और सिस्टम-लेवल सिमुलेशन के लिए एक कॉम्पैक्ट व्यवहारिक मॉडल में एकीकृत किया जाता है।

प्रमुख योगदान

रैखिक एनालॉग RAF सर्किट: एक 22 nm FDSOI RAF न्यूरॉन का परिचय जो स्टेट वेरिएबल्स को रैखिक रूप से जोड़ता है, जो सीधे SSM सिद्धांतों के साथ संरेखित है, पिछले गैर-रैखिक एनालॉग डिजाइनों के विपरीत।
सर्किट लक्षण वर्णन (Characterization): TCA रैखिकता और SC क्षय तंत्र का विस्तृत विश्लेषण, जो 100 Hz से 500 kHz की रेजोनेंस फ्रीक्वेंसी रेंज और 1 ms से 500 ms तक ट्यूनेबल टाइम कॉन्स्टेंट्स प्रदर्शित करता है।
हार्डवेयर-अवेयर को-डिज़ाइन: एक कार्यप्रणाली जो आदर्श गणितीय मॉडल और भौतिक सर्किट गैर-आदर्शताओं (मिसमैच, रैखिकता त्रुटियों, शोर सहित) को सिस्टम-लेवल सिमुलेशन में शामिल करके गणितीय मॉडल और भौतिक वास्तविकता के बीच के अंतर को पाटती है।
ऊर्जा दक्षता: डिजाइन अत्यधिक कम बिजली की खपत प्राप्त करता है, जो आवश्यक रेजोनेंस फ्रीक्वेंसी और बायस करंट के आधार पर 1.6 nW से 132.6 nW तक होती है।

परिणाम

सर्किट प्रदर्शन: सर्किट रेजोनेंस फ्रीक्वेंसी और टाइम कॉन्स्टेंट्स के लिए एक बड़ा डायनेमिक रेंज प्राप्त करता है। बिजली की खपत बायस करंट ( $I_{bias}$ ) के साथ रैखिक रूप से स्केल करती है, जिसका ढलान 16.5 nW/nA है। इसका क्षेत्रफल 6524 $\mu m^2$ है।
सिस्टम-लेवल मूल्यांकन: लेखकों ने स्पाइकिंग हाइडेलबर्ग डिजिट्स (SHD) डेटासेट का उपयोग करके कीवर्ड-स्पॉटिंग कार्य पर सर्किट का मूल्यांकन किया। उन्होंने हार्डवेयर-अवेयरनेस के पांच स्तरों का मूल्यांकन किया, जो एक आदर्श गणितीय मॉडल से लेकर पूर्णतः हार्डवेयर-कैलिब्रेटेड मॉडल (जिसमें TCA नॉन-लिनियरिटी, डिवाइस मिसमैच और शोर शामिल है) तक प्रगति करता है।
सटीकता: परिणाम दर्शाते हैं कि एनालॉग सर्किट की गैर-आदर्शताएं प्रदर्शन में महत्वपूर्ण बाधा नहीं डालती हैं। वर्गीकरण सटीकता केवल 1.5% गिरी (आदर्श मॉडल में 93.4% से पूर्णतः हार्डवेयर-कैलिब्रेटेड मॉडल में 91.9% तक), जो एनालॉग खामियों के बावजूद RAF न्यूरॉन की मजबूती को प्रदर्शित करती है।

महत्व
यह शोध RAF न्यूरॉन्स को न्यूरोमॉर्फिक हार्डवेयर के लिए मजबूत और ऊर्जा-कुशल कम्प्यूटेशनल प्रिमिटिव के रूप में स्थापित करता है। एक रैखिक एनालॉग सर्किट की विशेषताओं को सिस्टम-लेवल सिमुलेशन में सफलतापूर्वक मैप करके, यह कार्य सिद्ध करता है कि एनालॉग कार्यान्वयन आधुनिक मशीन लर्निंग आर्किटेक्चर जैसे SSMs को प्रभावी ढंग से सपोर्ट कर सकते हैं। लेखकों का दावा है कि यह को-डिज़ाइन दृष्टिकोण हार्डवेयर को एल्गोरिथम अपेक्षाओं के अनुरूप रहने की अनुमति देता है, जो कीवर्ड स्पॉटिंग जैसे वास्तविक समय के सिग्नल प्रोसेसिंग कार्यों के लिए एनालॉग RAF न्यूरॉन्स के उपयोग को मान्य करता है। यह कार्य सुझाव देता है कि ये न्यूरॉन्स निरंतर दोलन (continuous oscillations) और असतत स्पाइकिंग नेटवर्क के बीच एक जैविक रूप से प्रेरित लेकिन हार्डवेयर-कुशल सेतु के रूप में कार्य कर सकते हैं।

1. पुराने "मेट्रोनोम" के साथ समस्या

2. समाधान: एक रैखिक, ट्यून करने योग्य सर्किट (A Linear, Tunable Circuit)

3. यह क्यों विशेष है

4. "दोष" का समाधान (The "Imperfection" Fix)

सारांश

इसी तरह के और पेपर