⚡ electrical engineering

An RRAM-based Hardware Implementation of a Radial Basis Function Neuron for Edge Classifiers

यह शोध पत्र एक एनालॉग कंटेंट एड्रेसेबल मेमोरी ऐरे के भीतर एक कस्टम TXL सेल का उपयोग करके रेडियल बेसिस फंक्शन न्यूरॉन का एक ऊर्जा-कुशल, RRAM-आधारित हार्डवेयर कार्यान्वयन प्रस्तुत करता है, जो केवल 185fJ प्रति ऑपरेशन की खपत के साथ MNIST पर 89.1% सटीकता के साथ एज क्लासिफिकेशन के लिए तेज़, ऑन-द-फ्लाई लर्निंग को सक्षम बनाता है।

मूल लेखक: Georgios Papandroulidakis, Shady Agwa, Themis Prodromakis

प्रकाशित 2026-06-16

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Georgios Papandroulidakis, Shady Agwa, Themis Prodromakis

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 आपके पास एक बहुत ही बुद्धिमान, छोटा रोबोट है जिसे तुरंत निर्णय लेने की आवश्यकता है, जैसे कि एक सेल्फ-ड्राइविंग कार द्वारा पैदल यात्री को देखना या एक पहनने योग्य उपकरण (wearable device) द्वारा गिरने का पता लगाना। आमतौर पर, इन रोबोटों को उत्तर प्राप्त करने के लिए अपना डेटा एक विशाल, अत्यधिक बिजली खपत करने वाले क्लाउड कंप्यूटर को भेजना पड़ता है। लेकिन क्या होगा यदि रोबोट वहीं अपने स्थान पर, बहुत कम बैटरी पावर का उपयोग करके, खुद के लिए सोच सके?

यह शोध पत्र बताता है कि कैसे RRAM (रेसिस्टिव रैम) नामक एक विशेष प्रकार की मेमोरी चिप का उपयोग करके एज डिवाइसेस (edge devices) के लिए वह "मस्तिष्क" बनाया जा सकता है। इसे सरल भाषा में यहाँ समझाया गया है:

1. समस्या: "लाइब्रेरी" की बाधा (The "Library" Bottleneck)

एक पारंपरिक कंप्यूटर को एक लाइब्रेरी की तरह समझें। किसी किताब (डेटा) को खोजने के लिए, आपको पढ़ने की मेज (प्रोसेसर) से शेल्फ (मेमोरी) तक जाना पड़ता है, किताब उठानी पड़ती है और वापस आना पड़ता है। इस आने-जाने में समय और ऊर्जा दोनों लगते हैं। इसे "मेमोरी वॉल" कहा जाता है।

आधुनिक AI के लिए, यह बहुत धीमा है और छोटे उपकरणों के लिए बहुत अधिक ऊर्जा का उपयोग करता है। लेखक एक ऐसा सिस्टम बनाना चाहते थे जहाँ "किताबें" (डेटा) और "पढ़ने की मेज" (प्रोसेसिंग) एक ही स्थान पर हों।

2. समाधान: "स्मार्ट स्टिकी नोट" (The TXL Cell)

शोधकर्ताओं ने एक छोटा निर्माण खंड (building block) बनाया जिसे टेम्पलेट पिक्सेल (TXL) कहा जाता है।

उपमा: कल्पना कीजिए कि एक "स्मार्ट स्टिकी नोट" है जिस पर एक विशिष्ट आकार बना हुआ है (जैसे कि एक वृत्त या त्रिकोण)।
यह कैसे काम करता है: जब आप इस नोट के सामने एक नया आकार रखते हैं, तो नोट केवल "हाँ" या "नहीं" नहीं कहता। यह मापता है कि नया आकार नोट पर बने चित्र के कितना करीब है।
जादू: यदि नया आकार चित्र के बहुत समान है, तो नोट बहुत तेज़ी से "चमकता" है। यदि यह बहुत अलग है, तो यह मंद रहता है। यह तुरंत होता है और इसमें लगभग न के बराबर बिजली खर्च होती है क्योंकि यह जटिल कैलकुलेटर के बजाय सामग्रियों के भौतिक गुणों (जैसे कि एक रेसिस्टर के माध्यम से बहने वाली बिजली) का उपयोग करके गणित करता है।

3. मस्तिष्क: स्टिकी नोट्स की एक दीवार (The Array)

उन्होंने केवल एक नोट नहीं बनाया; उन्होंने उनकी एक विशाल दीवार (एक ऐरे) बनाई।

सेटअप: एक दीवार की कल्पना करें जिसमें 48 पंक्तियाँ हैं। प्रत्येक पंक्ति में एक अलग "प्रोटोटाइप" बना है (जैसे, पंक्ति 1 एक "क्रॉस" है, पंक्ति 2 एक "वृत्त" है, पंक्ति 3 एक "त्रिकोण" है)।
परीक्षण: जब आप दीवार को एक नई छवि (जैसे कि एक शोर वाला या धुंधला क्रॉस) दिखाते हैं, तो हर एक पंक्ति एक ही समय में उसकी जाँच करती है।
परिणाम: जिस पंक्ति का मिलान सबसे अच्छा होता है, वह सबसे मजबूत विद्युत संकेत भेजकर "जीत" जाती है। सिस्टम तुरंत जान जाता है, "यह एक क्रॉस है!" बिना किसी जटिल एल्गोरिदम को चलाए।

्यता: चलते-चलते सीखना (Learning on the Fly)

अधिकांश AI मॉडल पत्थर पर खुदे हुए सांचे की तरह होते हैं; एक बार प्रशिक्षित होने के बाद, वे बदल नहीं सकते। यदि रोशनी बदलती है या वस्तु थोड़ी अलग दिखती है, तो वे भ्रमित हो जाते हैं।

यह नया सिस्टम अलग है। यह काम करते समय सीख सकता है:

परिदृश्य A (आउटलियर): मान लीजिए कि रोबोट एक "क्रॉस" देखता है जो थोड़ा झुका हुआ है। यह अभी भी एक क्रॉस है, लेकिन यह मूल चित्र से पूरी तरह मेल नहीं खाता। सिस्टम इस बात को नोटिस करता है, यह महसूस करता है कि, "अरे, यह अभी भी एक क्रॉस है, बस एक अजीब सा क्रॉस," और धीरे से "क्रॉस" वाली पंक्ति के चित्र को इस नए कोण को शामिल करने के लिए समायोजित करता है। यह एक नई सामग्री शामिल करने के लिए रेसिपी को अपडेट करने जैसा है जिसे आपने अभी खोजा है।
परिदृश्य B (अजनबी): कल्पना कीजिए कि रोबोट पहली बार एक "वर्ग" (Square) देखता है। मौजूदा पंक्तियों (क्रॉस, वृत्त, त्रिकोण) में से कोई भी इससे अच्छी तरह मेल नहीं खाता। सिस्टम कहता है, "मैं इसे नहीं जानता!" और विशेष रूप से "वर्गों" के लिए दीवार पर एक नई पंक्ति बनाता है। यह पुराने चित्रों को मिटाता नहीं है; यह बस एक नया चित्र जोड़ देता है। यह रोबोट को वह भूलने से रोकता है जो वह पहले से जानता है।

4. परिणाम: तेज़, सस्ता और प्रभावी

शोधकर्ताओं ने इस "स्मार्ट स्टिकी नोट" दीवार का दो प्रकार के परीक्षणों के साथ परीक्षण किया:

साधारण आकार: उन्होंने बुनियादी ज्यामितीय आकृतियों (क्रॉस, वृत्त, त्रिकोण) का उपयोग किया। सिस्टम ने 100% सटीकता प्राप्त की और आकृतियों के बदलने या शोर (noise) होने पर भी तुरंत अनुकूलित हो गया।
हस्तलिखित अंक (MNIST): उन्होंने हस्तलिखित अंकों (0-9) के एक प्रसिद्ध डेटासेट का उपयोग किया, लेकिन उसे बहुत छोटा कर दिया गया। सिस्टम ने 89.1% सटीकता हासिल की। हालांकि यह पूर्ण नहीं है, लेकिन इतने सरल, कम शक्ति वाले हार्डवेयर डिज़ाइन के लिए यह प्रभावशाली है जो जटिल सॉफ्टवेयर परतों का उपयोग नहीं करता है।

मुख्य निष्कर्ष:
यह शोध पत्र दिखाता है कि AI हार्डवेयर बनाने का एक नया तरीका क्या है जो एक जीवित, सांस लेते हुए मेमोरी की तरह है। डेटा को केवल स्टोर करने के बजाय, मेमोरी स्वयं डेटा को समझती है, तुरंत तुलना करती है, और जब वह कुछ नया या अलग देखती है तो अपनी "यादों" को अपडेट कर सकती है। यह यह सब आज के कंप्यूटरों की तुलना में बहुत कम ऊर्जा का उपयोग करके करता है, जो इसे छोटे, बैटरी से चलने वाले उपकरणों के लिए आदर्श बनाता है जिन्हें स्मार्ट और सुरक्षित होने की आवश्यकता है।

तकनीकी सारांश: एज क्लासिफायर के लिए रेडियल बेसिस फंक्शन न्यूरॉन का RRAM-आधारित हार्डवेयर कार्यान्वयन

समस्या विवरण
संसाधन-सीमित एज उपकरणों पर आधुनिक मशीन लर्निंग (ML) मॉडल की तैनाती महत्वपूर्ण चुनौतियों का सामना करती है, विशेष रूप से ऊर्जा दक्षता, विलंबता (latency), और वास्तविक समय में आउटलेर्स या आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) इनपुट को संभालने की क्षमता के संबंध में। पारंपरिक डीप न्यूरल नेटवर्क (DNNs) अक्सर "डोमेन शिफ्ट" के साथ संघर्ष करते हैं—जहाँ पर्यावरणीय परिवर्तन, सेंसर शोर, या विकसित होते डेटा पैटर्न पूर्व-प्रशिक्षित मॉडलों के प्रदर्शन को कम कर देते हैं। इसके अलावा, वॉन न्यूमैन मेमोरी वॉल (von Neumann memory wall) उन गणनात्मक रूप से महंगे ऑपरेशनों के लिए बाधा उत्पन्न करता है जो समानता खोज (similarity searches) के लिए आवश्यक डॉट-प्रोडक्ट्स की आवश्यकता होती है। मौजूदा समाधानों में अतिरिक्त संसाधनों या डेटा एनोटेशन की आवश्यकता के बिना कुशल, ऑन-डिवाइस अनुकूलन (कंटीन्यूअल लर्निंग) की क्षमता का अभाव है, जो स्वायत्त नेविगेशन जैसे सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए महत्वपूर्ण है।

कार्यप्रणाली
लेखक एक हार्डवेयर-नेटिव समाधान प्रस्तावित करते हैं जो मेटल-ऑक्साइड रेसिस्टिव रैम (RRAM) को CMOS तकनीक के साथ एकीकृत करके एक एनालॉग कंटेंट एड्रेसेबल मेमोरी (ACAM) सिस्टम बनाता है। इस डिज़ाइन का मुख्य आधार एक कस्टम टेम्पलेट पीआईएक्सएल (TXL) सेल है, जो एक कॉन्फ़िगर करने योग्य, एनालॉग रेडियल बेसिस फंक्शन (RBF) न्यूरॉन के रूप में कार्य करता है।

TXL सेल आर्किटेक्चर: TXL सेल दो सोर्स-डिजनरेशन (source-degeneration) RRAM-CMOS इनवर्टर का उपयोग करता है। MOSFET स्रोतों के साथ श्रेणी में RRAM उपकरणों ( $R_M$ और $R_B$ ) के प्रतिरोध को प्रोग्राम करके, सर्किट एक विशिष्ट "मैचिंग विंडो" स्थापित करता है जो ऊपरी और निचले वोल्टेज थ्रेशोल्ड ( $V_{TH}^{upper}$ और $V_{TH}^{lower}$ ) द्वारा परिभाषित होती है। यह विंडो एक रिसेप्टिव फील्ड का अनुकरण करती है जहाँ सेल केवल तभी सक्रिय होता है जब इनपुट वोल्टेज एक विशिष्ट रेंज के भीतर होता है, जो प्रभावी रूप से एक दूरी मीट्रिक (distance metric) की गणना करता है।
एरे ऑर्गनाइजेशन: TXL सेल्स को घने $k \times n$ एरे में व्यवस्थित किया गया है। प्रत्येक पंक्ति एक अद्वितीय $k$ -आयामी प्रोटोटाइप (सांख्यिकीय विशेषताओं के रूप में संग्रहीत: माध्य $\mu$ और विचरण $\sigma$ जिसे RRAM कंडक्टेंस में एनकोड किया गया है) का प्रतिनिधित्व करती है, और प्रत्येक कॉलम एक इनपुट फीचर के अनुरूप है।
इन-मेमोरी कंप्यूटिंग (IMC): सिस्टम समानांतर में समानता खोज (similarity searches) करता है। इनपुट वेक्टर्स को बिटलाइन्स पर एनालॉग सिग्नल के रूप में लागू किया जाता है। किर्चॉफ के करंट लॉ (Kirchhoff's Current Law) के माध्यम से, व्यक्तिगत TXL सेल्स से निकलने वाली धाराएं मैचलाइन पर संचित होती हैं, जो स्वाभाविक रूप से इनपुट क्वेरी और संग्रहीत प्रोटोटाइप के बीच कुल समानता स्कोर (उल्टा दूरी) की गणना करती हैं।
अनुकूलन नीति (Adaptation Policy): सिस्टम इनपुट और सर्वश्रेष्ठ-मैचिंग प्रोटोटाइप के बीच की दूरी ( $d$ $d$ ) के आधार पर तीन-स्तरीय अनुकूलन नीति लागू करता है:
1. विश्वसनीय इन-डिस्ट्रीब्यूशन ( $d \le \tau_{IDO}$ ): कोई अनुकूलन नहीं होता है।
2. इन-डिस्ट्रीब्यूशन आउटलेयर ( $\tau_{IDO} < d \le \tau_{OOD}$ ): मौजूदा प्रोटोटाइप को अनुकूलित किया जाता है (नए सैंपल को शामिल करने के लिए माध्य और विचरण को अपडेट किया जाता है), जिससे क्रमिक डोमेन ड्रिफ्ट को कम किया जा सके।
3. आउट-ऑफ-डिस्ट्रीबेशन ( $d > \tau_{OOD}$ ): सिस्टम एक नए क्लास की पहचान करता है। एक फ्यू-शॉट लर्निंग स्कीम का उपयोग करके एरे की एक खाली पंक्ति में एक नया प्रोटोटाइप आवंटित किया जाता है, जिससे मौजूदा ज्ञान को ओवरराइट किए बिना क्लासिफायर की क्षमताओं का विस्तार होता है।

प्रमुख योगदान

हार्डवेयर-नेटिव RBF न्यूरॉन: यह पेपर TXL सेल को एक RBF न्यूरॉन के भौतिक कार्यान्वयन के रूप में पेश करता है, जो सीधे एनालॉग डोमेन में मीट्रिक-आधारित वर्गीकरण करने में सक्षम है।
ऊर्जा-कुशल समानता खोज: RRAM-आधारित ACAM का उपयोग करके, डिज़ाइन टेम्पलेट मिलान के लिए $O(1)$ जटिलता प्राप्त करता है, जो मेमोरी वॉल को बायपास करता है।
ऑनलाइन अनुकूलन तंत्र: सिस्टम "ऑन-द-फ्लाई" लर्निंग का समर्थन करता है जहाँ रिसेप्टिव फील्ड मापदंडों को डोमेन शिफ्ट को ट्रैक करने या नई क्लासेस को संभालने के लिए ट्यून किया जा सकता है, बिना पूर्ण मॉडल रिट्रेनिंग के।
व्याख्यात्मकता (Explainability): अपारदर्शी फीड-फॉरवर्ड लेयर्स के विपरीत, निर्णय लेने की प्रक्रिया स्पष्ट रूप से संग्रहीत प्रोटोटाइप के साथ इनपुट की निकटता से जुड़ी हुई है, जो अंतर्निहित व्याख्यात्मकता प्रदान करती है।

परिणाम

ऊर्जा और विलंबता: 185 nm CMOS प्रोसेस पर TiN/HfON/TiN RRAM के साथ सर्किट-लेवल सिमुलेशन (SPICE-Spectre) 100 MHz पर प्रति सेल प्रति ऑपरेशन 185 fJ ऊर्जा खपत दर्शाते हैं। प्रति खोज विलंबता लगभग 100 ns है।
वर्गीकरण सटीकता:
- एक कृत्रिम ज्यामितीय प्रतीक डेटासेट पर, सिस्टम ने प्रारंभिक प्रशिक्षण और अनुकूलन के बाद भी 100% सटीकता प्राप्त की।
- MNIST डेटासेट (7x7 तक डाउनसैंपल किया गया) पर, सिस्टम ने अनुकूलन से पहले 89.1% सटीकता और अनुकूलन के बाद 85.5% सटीकता प्राप्त की। लेखक नोट करते हैं कि मामूली गिरावट फीचर एक्सट्रैक्शन लेयर्स की कमी और इनपुट के डाउनसैंपलिंग के कारण है, न कि मुख्य TXL तंत्र के कारण।
अनुकूलन प्रदर्शन: SPICE सिमुलेशन ने सफलतापूर्वक मौजूदा प्रोटोटाइप को आउटलेयर सैंपल्स के अनुकूल बनाने (रिसेप्टिव फील्ड को आकार देने) और अज्ञात क्लासेस (जैसे, सर्कल्स, ट्राइएंगल्स और क्रॉस के डेटासेट में एक "रेक्टेंगल" क्लास को पेश करना) के लिए नए प्रोटोटाइप आवंटित करने की क्षमता प्रदर्शित की, जबकि मौजूदा प्रोटोटाइप की अखंडता बनाए रखी।

महत्व
यह पेपर दावा करता है कि प्रस्तावित TXL-आधारित आर्किटेक्चर सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए मजबूत, ऊर्जा-कुशल एज कंप्यूटिंग की ओर एक व्यवहार्य मार्ग प्रदान करता है। अनुकूलन (in-situ adaptation) को सक्षम करके, सिस्टम डोमेन शिफ्ट की चुनौती का समाधान करता है, जिससे एज डिवाइस वास्तविक दुनिया के डेटा वितरणों से निपटने के लिए विश्वसनीयता बनाए रख सकते हैं। लेखक इस तकनीक को कंटीन्यूअल लर्निंग की दिशा में एक कदम के रूप में देखते हैं, जहाँ सिस्टम कैटास्ट्रोफिक फॉरगेटिंग या बाहरी डेटा एनोटेशन की आवश्यकता के बिना अपनी वर्गीकरण क्षमताओं का विस्तार कर सकते हैं और नए वातावरण के अनुकूल हो सकते हैं। यह कार्य रिमोट मॉनिटरिंग, वियरेबल सेंसर्स और स्वायत्त नेविगेशन में भविष्य के परिनियोजन की कल्पना करता है, बशर्ते कि RRAM वेरिएबिलिटी, रिटेंशन और एंड्योरेंस जैसी चुनौतियों को कैलिब्रेशन के माध्यम से प्रबंधित किया जाए।

1. समस्या: "लाइब्रेरी" की बाधा (The "Library" Bottleneck)

2. समाधान: "स्मार्ट स्टिकी नोट" (The TXL Cell)

3. मस्तिष्क: स्टिकी नोट्स की एक दीवार (The Array)

्यता: चलते-चलते सीखना (Learning on the Fly)

4. परिणाम: तेज़, सस्ता और प्रभावी

इसी तरह के और पेपर