Silicon Aware Neural Networks
यह शोध पत्र एक क्षेत्र-अनुकूलन हानि फलन (area-optimizing loss function) का उपयोग करके डिफरेंशिएबल लॉजिक गेट नेटवर्क (DLGNs) को सीधे डिजिटल CMOS मानक सेल में मैप करने की एक विधि प्रस्तुत करता है, जो एक सिम्युलेटेड SkyWater 130nm सिलिकॉन कार्यान्वयन प्रदर्शित करता है जो 83.88 mW बिजली खपत के साथ 41.8 मिलियन अनुमान प्रति सेकंड पर 97% MNIST सटीकता प्राप्त करता है।
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
मुख्य विचार: AI को अपना लेगो (Lego) घर बनाना सिखाना
कल्पना कीजिए कि आप एक ऐसा रोबोट बनाना चाहते हैं जो बिल्लियों और कुत्तों की तस्वीरों को पहचान सके। आमतौर पर, हम इन रोबोटों (जिन्हें न्यूरल नेटवर्क कहा जाता है) को ऐसे गणित का उपयोग करके सिखाते हैं जिसमें चिकने, निरंतर वक्र (जैसे एक आदर्श वृत्त बनाना) शामिल होते हैं। यह कंप्यूटर पर बहुत अच्छा काम करता है, लेकिन जब आप वास्तविक भौतिक इलेक्ट्रॉनिक चिप्स (सिलिकॉन) से रोबोट का दिमाग बनाने की कोशिश करते हैं, तो चीजें गड़बड़ा जाती हैं।
समस्या:
असली कंप्यूटर चिप्स छोटे स्विचों से बने होते हैं जिन्हें लॉजिक गेट्स (जैसे AND, OR, NOT) कहा जाता है। ये "डिजिटल" होते हैं—या तो चालू (ON) या बंद (OFF), जैसे एक लाइट स्विच। वे "चिकने वक्र" नहीं बनाते। एक मानक AI को चिप पर चलाने के लिए, इंजीनियरों को आमतौर पर उस चिकने गणित को इन कठोर स्विचों में फिट करने के लिए मजबूर करना पड़ता है, जो एक गोल छेद में चौकोर खूंटी डालने की कोशिश करने जैसा है। यह अक्षम है और जगह और ऊर्जा बर्बाद करता है।
समाधान (DLGN):
इस पेपर के लेखकों ने एक चतुर तरकीब का इस्तेमाल किया। एक चिकने गणित वाले दिमाग को डिजिटल चिप में जबरदस्ती फिट करने के बजाय, उन्होंने दिमाग को शुरुआत से ही पूरी तरह से डिजिटल लॉजिक गेट्स से बनाया। वे इसे डिफरेंशिएबल लॉजिक गेट नेटवर्क (DLGN) कहते हैं।
इसे इस तरह समझें:
- मानक AI: एक शेफ जो ब्लेंडर का उपयोग करके सूप पकाने की कोशिश कर रहा है, लेकिन फिर उसे चम्मच से परोसने की कोशिश कर रहा है जो केवल साबुत आलू ही निकाल सकता है।
- इस पेपर का AI: एक शेफ जो केवल साबुत आलू और गाजर का उपयोग करके सूप पकाने का निर्णय लेता है, क्योंकि उसका परोसने वाला चम्मच ठीक उसी के लिए बना है।
उन्होंने यह कैसे किया: "एरिया-अवेयर" (क्षेत्र-जागरूक) छात्र
शोधकर्ताओं ने केवल नेटवर्क बनाया ही नहीं; उन्होंने इसे सीखने का एक नया तरीका भी सिखाया।
- 16-विकल्पों वाला मेनू: नेटवर्क के हर चरण में, AI को यह चुनना होता है कि वह किस लॉजिक गेट का उपयोग करेगा (जैसे AND गेट या OR गेट के बीच चयन करना)। यहाँ 16 संभावित विकल्प हैं।
- "सॉफ्ट" चुनाव: ट्रेनिंग के दौरान, AI तुरंत एक विकल्प नहीं चुनता है। यह सभी 16 विकल्पों के लिए संभावनाओं का एक "मेनू" रखता है। यह एक ऐसे छात्र की तरह है जिसने अभी तक अपना विषय तय नहीं किया है, लेकिन वह इंजीनियरिंग की ओर 80% और कला की ओर 20% झुका हुआ है। यह गणित को सीखने के लिए पर्याप्त "चिकना" बनाता है।
- नया सबक (लॉस फंक्शन): यही इस पेपर का सबसे बड़ा नवाचार है। आमतौर पर, AI केवल उत्तर सही होने की परवाह करता है (जैसे, "क्या यह बिल्ली है?")। लेखकों ने एक नया नियम जोड़ा: "साथ ही, कोशिश करें कि आप कम से कम छोटे और सस्ते पुर्जों का उपयोग करें।"
उपमा:
कल्पना कीजिए कि आप एक घर बना रहे हैं।
- पुराना AI: "मुझे बस घर खड़ा रहना चाहिए। मैं दीवारों के लिए सोने की ईंटों का उपयोग करूँगा क्योंकि वे अच्छी दिखती हैं।" (शानदार सटीकता, लेकिन भयानक लागत)।
- नया AI (सिलिकॉन अवेयर): "मुझे घर खड़ा रहना चाहिए, लेकिन मैं पैसा भी बचाना चाहता हूँ। मैं ईंटों की मूल्य सूची देखूँगा। यदि लकड़ी की ईंट सोने की ईंट जितनी ही अच्छी तरह काम करती है, तो मैं लकड़ी का उपयोग करूँगा।"
AI ने बिना अपनी इमेज पहचानने की क्षमता खोए, महंगे और भारी लॉजिक गेट्स (जैसे XOR गेट्स, जिनमें कई ट्रांजिस्टर की आवश्यकता होती है) को सस्ते और छोटे गेट्स (जैसे NAND गेट्स, जिनमें कम ट्रांजिस्टर की आवश्यकता होती है) से बदलने के बारे में सीखा।
परिणाम: एक वास्तविक चिप डिज़ाइन
टीम ने अपने प्रशिक्षित AI को लिया और उसे सीधे एक मानक निर्माण प्रक्रिया (SkyWater 130nm) का उपयोग करके एक वास्तविक सिलिकॉन चिप के ब्लूप्रिंट में बदल दिया।
- लेआउट: उन्होंने लॉजिक गेट्स को एक डिजिटल मानचित्र पर भौतिक रूप से व्यवस्थित किया, जिससे एक "हार्ड मैक्रो" (सर्किट्री का एक पूर्व-निर्मित ब्लॉक) तैयार हुआ।
- प्रदर्शन:
- सटीकता: इसने हस्तलिखित अंकों (MNIST) को 97% सटीकता के साथ पहचाना।
- गति: यह इसे 41.8 मिलियन बार प्रति सेकंड कर सकता है। यह अविश्वसनीय रूप से तेज़ है!
- शक्ति: इसने बहुत कम बिजली का उपयोग किया (लगभग 84 मिलीवाट), जो लगभग एक छोटे LED बल्ब को चलाने के लिए आवश्यक ऊर्जा है।
यह क्यों महत्वपूर्ण है
यह पहली बार है जब किसी ने पूरी तरह से लॉजिक गेट्स से बने न्यूरल नेटवर्क को सीधे एक वास्तविक सिलिकॉन चिप डिज़ाइन में सफलतापूर्वक मैप किया है।
मुख्य निष्कर्ष:
सीखने की प्रक्रिया के दौरान अपने स्वयं के मस्तिष्क के घटकों के भौतिक आकार और लागत की परवाह करने के लिए AI को सिखाकर, शोधकर्ताओं ने एक सुपर-एफिशिएंट चिप बनाई। यह एक छात्र को न केवल गणित की समस्या हल करना सिखाने जैसा है, बल्कि उसे यह भी सिखाना है कि कम से कम पेंसिल और कम से कम कागज का उपयोग करके उसे कैसे हल किया जाए।
यह एज AI (Edge AI) के लिए एक बड़ा कदम है—स्मार्ट, बैटरी से चलने वाले उपकरणों (जैसे स्मार्टवॉच या सेंसर) में सीधे शक्तिशाली AI को रखने के लिए, बिना सोचने के लिए किसी विशाल डेटा सेंटर की आवश्यकता के।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।