💻 computer science

STAR: Astrocyte-Inspired State-Augmented Repair for Supervised Memristive AI Hardware Systems

यह शोध पत्र STAR का प्रस्ताव करता है, जो एक एस्ट्रोसाइट-प्रेरित मरम्मत तंत्र है जो इक्विलिब्रियम प्रोपेगेशन को एक रिट्रेनिंग-आधारित "रिपेयर नज़" (repair nudge) के साथ संवर्धित करके सुपरवाइज्ड मेमरिस्टिव AI हार्डवेयर को स्थायी स्टक-एट फॉल्ट्स (stuck-at faults) से उबरने में सक्षम बनाता है, जो बिना किसी स्पष्ट फॉल्ट लोकलाइजेशन या हार्डवेयर रेडंडेंसी की आवश्यकता के पूर्व-दोषपूर्ण न्यूरल रिप्रजेंटेशन्स को पुनर्गठित करता है।

मूल लेखक: Yusuf Ahmed Khan, Zhuangyu Han, Abhronil Sengupta

प्रकाशित 2026-07-20

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yusuf Ahmed Khan, Zhuangyu Han, Abhronil Sengupta

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

एक ऐसी दुनिया की कल्पना करें जहाँ कंप्यूटर केवल डेस्क पर नहीं रखे होते, बल्कि हमारे उपकरणों में सीधे निर्मित छोटे, मस्तिष्क जैसे चिप्स के रूप में होते हैं। ये चिप्स जानकारी को संग्रहीत और संसाधित करने के लिए मेमरिस्टर (memristors) नामक विशेष घटकों का उपयोग करते हैं, जो बिल्कुल आपके अपने मस्तिष्क के सिनैप्स (synapses) की तरह काम करते हैं। यह क्षेत्र न्यूरोमॉर्फिक कंप्यूटिंग के रूप में जाना जाता है, और यह आर्टिफिशियल इंटेलिजेंस को तेज़ और अधिक ऊर्जा-कुशल बनाने का वादा करता है। हालाँकि, वास्तविक न्यूरॉन्स की तरह, इन छोटे इलेक्ट्रॉनिक घटकों को भी समय के साथ नुकसान पहुँच सकता है। जब वे टूट जाते हैं, तो वे अक्सर एक ही अवस्था में "अटक" जाते हैं—या तो पूरी तरह से बंद या स्थायी रूप से अधिकतम स्तर पर। यह एक बहुत बड़ी समस्या है क्योंकि एक बार जब कोई 'वेट' (कंप्यूटर का एक हिस्सा जो स्मृति के रूप में कार्य करता है) अटक जाता है, तो कंप्यूटर मानक तरीकों का उपयोग करके उस त्रुटि से बाहर निकलने का रास्ता नहीं खोज पाता है। यह एक टूटे हुए पियानो को उसी गाने को ज़ोर से बजाकर ठीक करने की कोशिश करने जैसा है; टू हुई कुंजियाँ (keys) हिलेंगी ही नहीं। वैज्ञानिक एक ऐसा तरीका खोजने की कोशिश कर रहे थे जिससे ये चिप्स बिना किसी इंसान द्वारा पुर्जों को बदलने या बहुत अधिक जगह घेरने वाले विशाल बैकअप सिस्टम की आवश्यकता के, स्वयं को ठीक कर सकें।

यहीं पर STAR नामक एक नया विचार आता है। पेंसिल्वेनिया स्टेट यूनिवर्सिटी में युसुफ अहमद खान और सहयोगियों के नेतृत्व में शोधकर्ताओं ने समाधान के लिए प्रकृति की ओर देखा। उन्होंने मानव मस्तिष्क के एस्ट्रोसाइट्स (astrocytes) से प्रेरणा ली, जो एक प्रकार की सहायक कोशिकाएं हैं जो न्यूरॉन्स को संवाद करने और खुद की मरम्मत करने में मदद करती हैं। मस्तिष्क में, जब एक कनेक्शन टूट जाता है, तो एस्ट्रोसाइट्स केवल उस एक टूटे हुए तार को ठीक करने की कोशिश नहीं करते; वे स्वस्थ न्यूरॉन्स के पूरे "पड़ोस" को एक सूक्ष्म संकेत भेजते हैं, जिससे उन्हें नुकसान की भरपाई करने के लिए अपने व्यवहार को समायोजित करने के लिए प्रोत्साहित किया जाता है। टीम ने इस जैविक तकनीक को एक कंप्यूटर एल्गोरिदम में बदल दिया। यह पहचानने के बजाय कि वास्तव में कौन सा इलेक्ट्रॉनिक घटक टूटा हुआ है (जो एक छोटे चिप पर करना कठिन है), STAR स्वस्थ भागों को यह "याद रखने" की शिक्षा देता है कि पूरा सिस्टम बीमार होने से पहले कैसा दिखता था। स्वस्थ वेट्स को उन पुराने, स्वस्थ पैटर्न को फिर से बनाने के लिए प्रेरित करके, कंप्यूटर टूटे हुए हिस्सों के बावजूद अपने प्रदर्शन को पुनः प्राप्त कर सकता है।

समस्या: जब चिप्स "अटक" जाते हैं

एक मेमरिस्टिव चिप को बहुत सारे छोटे स्विचों के एक विशाल ग्रिड के रूप में सोचें जो सूचना के प्रवाह को नियंत्रित करते हैं। एक स्वस्थ चिप में, इन स्विचों को कंप्यूटर के सीखने को सूक्ष्म रूप से ट्यून करने के लिए समायोजित किया जा सकता है। लेकिन जैसे-जैसे ये चिप्स पुराने होते हैं, कुछ स्विच जाम हो जाते हैं। वे "बंद" स्थिति (SA-0) में अटक सकते हैं या "चालू" स्थिति (SA-high) में पूरी तरह खुले रह सकते हैं। एक बार जब कोई स्विच जाम हो जाता है, तो कंप्यूटर की स्मृति दूषित हो जाती है। सीखने के मानक तरीके, जो आमतौर पर नेटवर्क के माध्यम से पीछे की ओर गणना करके त्रुटियों को ठीक करने का प्रयास करते हैं, यहाँ विफल हो जाते हैं क्योंकि जाम हुआ स्विच कितना भी दबाव डालने पर भी नहीं हिलेगा।

इन समस्याओं को हल करने के पिछले प्रयास घर के हर एक बल्ब के लिए बैकअप जनरेटर बनाने जैसे थे। वे हार्डवेयर रिडंडेंसी (hardware redundancy) पर निर्भर थे, जिसका अर्थ है कि यदि एक टूट जाए तो कार्यभार संभालने के लिए अतिरिक्त, स्पेयर घटक जोड़े गए। हालांकि यह काम करता है, लेकिन यह महंगा, भारी और बहुत अधिक बिजली का उपयोग करने वाला है। अन्य तरीकों ने यह मानचित्रण करने की कोशिश की कि कौन से स्विच टूटे हुए हैं और उनके आसपास ट्रैफ़िक को कैसे मोड़ना है, लेकिन इसके लिए जटिल, निरंतर स्कैनिंग की आवश्यकता होती है जो एक छोटे, आत्मनिर्भर चिप के लिए अव्यवहारिक है।

समाधान: एस्ट्रोसाइट का "नज" (Nudge)

इस शोध पत्र के लेखकों ने, जो 16 जुलाई, 2026 को एक प्रीप्रिंट में प्रकाशित हुआ था, मस्तिष्क की अपनी मरम्मत टीम—एस्ट्रोसाइट—से प्रेरित होकर एक अलग दृष्टिकोण प्रस्तावित किया। मानव मस्तिष्क में, एस्ट्रोसाइट्स ग्लियल कोशिकाएं हैं जो न्यूरॉन्स के चारों ओर लिपटी होती हैं। वे केवल वहां बैठे नहीं रहते; वे न्यूरल नेटवर्क की गतिविधि की सक्रिय रूप से निगरानी करते हैं। यदि एक सिनैप्स (न्यूरॉन्स के बीच का कनेक्शन) विफल हो जाता है, तो एस्ट्रोसाइट उस विशिष्ट कनेक्शन को ठीक करने की कोशिश नहीं करता है। इसके बजाय, वह रासायनिक संकेत जारी करता है जो पास के अन्य स्वस्थ कनेक्शनों को समायोजित करता है, जिससे पूरा समूह समान समग्र गतिविधि स्तर बनाए रखने के लिए मिलकर काम कर सके।

शोधकर्ताओं ने एक कंप्यूटर मॉडल में इस प्रक्रिया का अनुकरण किया। उन्होंने पाया कि जब उन्होंने नेटवर्क में स्थायी दोष (faults) डाले, तो "एस्ट्रोसाइट" तंत्र जीवित सिनैप्स (surviving synapses) को नियंत्रित करके काम करता है।

यदि एक कनेक्शन "ऑफ" (SA-0) होने के लिए अटक गया, तो एस्ट्रोसाइट सिग्नल ने स्वस्थ कनेक्शनों को अधिक मेहनत करने (उनकी शक्ति बढ़ाने) के लिए कहा ताकि कमी को पूरा किया जा सके।
यदि एक कनेक्शन "ऑन" (SA-high) होने के लिए अटक गया, तो सिग्नल ने स्वस्थ कनेक्शनों को आराम करने (उनकी शक्ति कम करने) के लिए कहा क्योंकि अटका हुआ कनेक्शन पहले से ही बहुत अधिक काम कर रहा था।

महत्वपूर्ण बात यह है कि यह जनसंख्या स्तर (population level) पर हुआ। सिस्टम को यह जानने की आवश्यकता नहीं थी कि कौन सा विशिष्ट तार टूटा हुआ है; इसे बस यह जानने की आवश्यकता थी कि समूह की समग्र गतिविधि बदल गई है और इसे ठीक करने की आवश्यकता है।

STAR कंप्यूटर में कैसे काम करता है

टीम ने इस जैविक अंतर्दृष्टि को STAR (STate-Augmented Repair) नामक एक एल्गोरिदम में बदल दिया। यह सरल शब्दों में कैसे काम करता है, यहाँ देखें:

"पहले" का स्नैपशॉट: चिप के क्षतिग्रस्त होने से पहले, कंप्यूटर एक प्रशिक्षण सत्र चलाता है और एक "स्नैपशॉट" लेता है कि स्वस्थ न्यूरॉन्स अपना काम सही ढंग से करते समय कैसे दिखते हैं। वे इन "एक्टिवेशन टारगेट्स" (मूल रूप से एक सूची कि प्रत्येक न्यूरॉन को एक विशिष्ट कार्य के लिए क्या करना चाहिए) को सहेजते हैं।
क्षति (The Damage): चिप को फिर दोषों (faults) के अधीन किया जाता है, जो उम्र बढ़ने की प्रक्रिया का अनुकरण करता है जहाँ स्विच जाम हो जाते हैं।
मरम्मत का संकेत (The Repair Nudge): कंप्यूटर खुद को फिर से प्रशिक्षित करने की कोशिश करता है। लेकिन केवल सही उत्तर पाने के बजाय (जैसे "यह एक बिल्ली है"), इसे एक दूसरा, कोमल संकेत भी मिलता है। यह संकेत कहता है, "हे, याद करो कि तुम स्वस्थ होने पर कैसे दिखते थे? अपने न्यूरॉन्स को उस पैटर्न में वापस लाने की कोशिश करो।"
परिणाम: स्वस्थ वेट्स खुद को उस "स्वस्थ स्नैपशॉट" से मिलाने के लिए समायोजित करते हैं, जिससे टूटे हुए हिस्सों की पहचान किए बिना ही प्रभावी रूप से उनकी भरपाई हो जाती है।

यह विधि इक्विलिब्रियम प्रोपेगेशन (Equilibrium Propagation - EP) नामक एक लर्निंग रूल का उपयोग करती है। पारंपरिक AI ट्रेनिंग (बैकप्रोपैगेशन) के विपरीत, जिसमें त्रुटियों की गणना के लिए पीछे की ओर डेटा का विशाल भंडार रखने की आवश्यकता होती है, EP अधिक स्थानीय और कुशल है, जो इन छोटे, ऊर्जा-बचत चिप्स के लिए एकदम सही है।

प्रयोगों ने क्या दिखाया

शोधकर्ताओं ने दो प्रकार के कंप्यूटर नेटवर्क पर STAR का परीक्षण किया: सरल नेटवर्क (MLPs) और अधिक जटिल नेटवर्क जो छवियों को पहचानते हैं (CNNs)। उन्होंने उन चिप्स का अनुकरण किया जिनमें टूटे हुए हिस्सों की उच्च संख्या थी—सरल नेटवर्क में कनेक्शनों का 90% तक और जटिल इमेज-रिकग्निशन नेटवर्क में 13% तक।

STAR के बिना: जब इन चिप्स में इतने टूटे हुए हिस्से थे, तो मानक पुन: प्रशिक्षण विधि बुरी तरह विफल रही। सटीकता लगभग शून्य तक गिर गई, या परिणाम इस बात पर अत्यधिक निर्भर थे कि कौन से विशिष्ट हिस्से टूटे हैं।
STAR के साथ: सुधार नाटकीय था। सरल नेटवर्क के लिए, STAR ने टूटे हुए बेसलाइन की तुलना में सटीकता में 52.41% तक सुधार किया। जटिल इमेज-रिकग्निशन नेटवर्क (CIFAR-10 डेटासेट पर VGG-5) के लिए, STAR ने सटीकता को 69.97% से 75.86% की सीमा में स्थिर कर दिया, जबकि मानक विधि अक्सर पूरी तरह से विफल हो जाती थी।

सबसे प्रभावशाली निष्कर्षों में से एक स्टोरेज ओवरहेड (storage overhead) था। इसे काम करने के लिए, कंप्यूटर को केवल "स्वस्थ स्नैपशॉट्स" (एक्टिवेशन टारगेट्स) को स्टोर करने की आवश्यकता होती है। शोध पत्र नोट करता है कि एक जटिल कन्वेशनल न्यूरल नेटवर्क (CNN) के लिए, पूर्ण मॉडल 45,053 KB का हो सकता है, लेकिन मरम्मत लक्ष्य केवल 2,262 KB लेते हैं। यह 20 गुना की कमी है। सरल नेटवर्क के लिए, बचत और भी नाटकीय थी, जो 191 गुना तक थी। इसका मतलब है कि मरम्मत तंत्र अविश्वसनीय रूप से हल्का है और इसके लिए बहुत अधिक अतिरिक्त मेमोरी की आवश्यकता नहीं है।

यह क्यों महत्वपूर्ण है

लेखक सुझाव देते हैं कि STAR एक महत्वपूर्ण कदम है क्योंकि यह अपने प्रकार का पहला मरम्मत तंत्र है जो एक सुपरवाइज्ड लोकल लर्निंग रूल (जैसे EP) के तहत काम करता है और कन्वेशनल नेटवर्क (जो इमेज रिकग्निशन के लिए उपयोग किए जाते हैं) तक स्केल होता है। पिछले एस्ट्रोसाइट-प्रेरित तरीके मुख्य रूप से छोटे, अनसुपरवाइज्ड नेटवर्क तक सीमित थे।

यह अध्ययन दिखाता है कि मस्तिष्क की सटीक मरम्मत के बजाय जनसंख्या-स्तर के समायोजन के माध्यम से ठीक होने की क्षमता की नकल करके, हम अधिक लचीला AI हार्डवेयर बना सकते हैं। यह सुझाव देता है कि भविष्य के चिप्स को शुरुआत में पूर्ण होने की आवश्यकता नहीं होगी, या वे प्रभावी ढंग से काम करना जारी रख सकते हैं भले ही वे पुराने हो जाएं और क्षति जमा हो जाए, और यह सब बिना महंगे बैकअप सिस्टम या जटिल मरम्मत मानचित्रों के होगा। शोधकर्ता नोट करते हैं कि हालांकि यह एक मजबूत सिमुलेशन है, अगला कदम इसे वास्तविक भौतिक हार्डवेयर पर परीक्षण करना होगा ताकि देखा जा सके कि यह वास्तविक दुनिया में कैसा प्रदर्शन करता है।

तकनीकी सारांश: STAR (एस्ट्रोसाइट-प्रेरित अवस्था-संवर्धित मरम्मत - Astrocyte-Inspired STate-Augmented Repair)

समस्या विवरण

मेमरिस्टिव क्रॉसबार एरेज़ (Memristive crossbar arrays) कुशल ऑन-चिप लर्निंग के लिए एक आशाजनक मंच प्रदान करते हैं, जो इक्विलिब्रियम प्रोपेगेशन (EP) जैसे स्थानीय लर्निंग नियमों को सक्षम करते हैं, जिससे पारंपरिक बैकप्रोपैगेशन के मेमोरी ओवरहेड से बचा जा सकता है। हालाँकि, ये हार्डवेयर सिस्टम उम्र बढ़ने के साथ स्थायी 'स्टक-एट' (stuck-at - SA) दोषों के प्रति संवेदनशील होते हैं। मेमरिस्टिव क्रॉसबार में, व्यक्तिगत सिनैप्टिक तत्व अपरिवर्तनीय रूप से शून्य कंडक्टेंस (SA-0) या संतृप्त उच्च कंडक्टेंस (SA-high) पर स्थिर हो सकते हैं। ये दोष संग्रहीत भार (weights) को स्थायी रूप से दूषित कर देते हैं, जिससे मॉडल के प्रदर्शन में गंभीर और प्रगतिशील गिरावट आती है।

मौजूदा शमन रणनीतियाँ महत्वपूर्ण सीमाओं का सामना करती हैं:

हार्डवेयर रेडंडेंसी (Hardware Redundancy): ट्रिपल मॉड्यूलर रेडंडेंसी (TMR) या बिल्ट-इन सेल्फ-रिपेयर (BISR) जैसी तकनीकें पर्याप्त क्षेत्र (area) और शक्ति लागत (power cost) उत्पन्न करती हैं।
स्पष्ट दोष स्थानीयकरण (Explicit Fault Localization): विशिष्ट दोषपूर्ण सेल की पहचान करने और मानचित्रण करने वाली विधियाँ निरंतर ऑन-चिप संचालन के लिए अव्यवहारिक हैं।
मानक पुन: प्रशिक्षण (Standard Retraining): साधारण इन-सीटू (in-situ) रिट्रेनिंग विफल हो जाती है क्योंकि दोषों की स्थायी प्रकृति ग्रेडिएंट अपडेट को दूषित भारों को ठीक करने से रोकती है।

इसके अलावा, जबकि जैविक मस्तिष्क सिनैप्टिक दोषों के बावजूद कार्य बनाए रखने के लिए ग्लियल कोशिकाओं (विशेष रूप से एस्ट्रोसाइट्स) द्वारा संचालित वितरित स्व-मरम्मत तंत्रों का उपयोग करता है, कृत्रिम तंत्रिका नेटवर्क (ANNs) काफी हद तक इन तंत्रों की अनदेखी करते हैं। पूर्ववर्ती एस्ट्रोसाइट-प्रेरित मरम्मत एल्गोरिदम छोटे बेंचमार्क पर अनसुपरवाइज्ड, स्पाइकिंग न्यूरल नेटवर्क (SNNs) तक सीमित रहे हैं, जिनमें गहरे, सुपरवाइज्ड आर्किटेक्चर के लिए अनुप्रयोग की कमी है।

कार्यप्रणाली

1. कम्प्यूटेशनल न्यूरोसाइंस फाउंडेशन

लेखकों ने पहले EP डायनेमिक्स को मॉडल करने के लिए एक द्विदिश युग्मित न्यूरॉन-एस्ट्रोसाइट नेटवर्क का उपयोग करके एक कम्प्यूटेशनल न्यूरोसाइंस अध्ययन किया।

तंत्र (Mechanism): अध्ययन ने मॉडल किया कि कैसे एस्ट्रोसाइट्स न्यूरोनल गतिविधि द्वारा ट्रिगर किए गए दो प्रतिस्पर्धी मार्गों के माध्यम से सिनैप्टिक प्रभावकारिता को नियंत्रित करते हैं:
- डिपोलराइजेशन-प्रेरित एक्सिटेशन का दमन (DSE): रिलीज प्रोबेबिलिटी का एक तीव्र, स्थानीय दमन।
- एंडोकैनाबिनॉइड-मध्यस्थ सिनैप्टिक पोटेंशिएशन (eSP): एस्ट्रोसाइटिक ग्लूटामेट रिलीज द्वारा मध्यस्थता वाला एक धीमा, वितरित पोटेंशिएशन।
मुख्य अंतर्दृष्टि: स्थायी सिनैप्टिक दोषों (SA-0 या SA-high) के तहत, एस्ट्रोसाइट व्यक्तिगत क्षतिग्रस्त कनेक्शनों को लक्षित नहीं करता है। इसके बजाय, यह जीवित सिनैप्टिक एन्सेम्बल (ensemble) को नियंत्रित करता है। DSE और eSP के बीच की प्रतिस्पर्धा नेटवर्क की जनसंख्या-स्तर की गतिविधि को उसके पूर्व-दोष (pre-fault) संतुलन अवस्था की ओर वापस ले जाती है। यह अवलोकन बताता है कि रिकवरी को व्यक्तिगत भार सुधार के बजाय न्यूरल पॉपुलेशन रिप्रजेंटेशन के स्तर पर संचालित होना चाहिए।

2. STAR फ्रेमवर्क

पॉपुलेशन-स्तर की मरम्मत के सिद्धांत से प्रेरित होकर, लेखकों ने STAR (Astrocyte-Inspired STate-Augmented Repair) का प्रस्ताव दिया है, जो मेमरिस्टिव हार्डवेयर पर सुपरवाइज्ड लोकल लर्निंग के लिए डिज़ाइन किया गया एक तंत्र है।

प्री-फॉल्ट टारगेट रिकॉर्डिंग: दोष इंजेक्शन से पहले, सिस्टम "क्लास-कंडीशनल एक्टिवेशन टारगेट्स" ( $\mu_y$ ) रिकॉर्ड करता है। ये स्वस्थ, दोष-मुक्त नेटवर्क में प्रत्येक क्लास लेबल के लिए माध्य इक्विलिब्रियम न्यूरॉन अवस्थाएं हैं। ये लक्ष्य कॉम्पैक्ट, क्लास-विशिष्ट आंतरिक रिप्रजेंटेशन के रूप में कार्य करते हैं।
रिपेयर सिग्नल इंजेक्शन: दोषपूर्ण हार्डवेयर पर रिट्रेनिंग चरण के दौरान, STAR मानक EP नजिंग (nudging) प्रक्रिया को संवर्धित करता है।
- मानक EP "नज्ड" चरण में, आउटपुट को ग्राउंड-ट्रुथ लेबल की ओर निर्देशित किया जाता है।
- STAR एक अतिरिक्त रिपेयर नज़ ( $\beta_r$ ) पेश करता है जो संबंधित ग्राउंड-ट्रुथ क्लास के लिए संग्रहीत प्री-फॉल्ट टारगेट्स ( $\mu_{i,y}$ ) की ओर हिडन लेयर एक्टिवेशन ( $s_i$ ) को निर्देशित करता है।
- संवर्धित प्रिमिटिव फंक्शन $\Phi_{star}$ में उन टर्म्स को दंडित करने वाले पद शामिल हैं जो इन टारगेट्स से विचलन को दर्शाते हैं:
  $\Phi_{star} = \Phi - \beta \ell(s, y) - \beta_r R_h(s, y) - \beta_{r,out} R_{out}(s, y)$
दोष अगनोस्टिक (Fault Agnosticism): महत्वपूर्ण रूप से, STAR को यह जानने की आवश्यकता नहीं है कि कौन से भार दोषपूर्ण हैं। यह केवल जीवित भारों पर निर्भर करता है जो सामूहिक रूप से पूर्व-दोष आंतरिक रिप्रजेंटेशन का पुनर्निर्माण करते हैं।
हार्डवेयर मैपिंग: यह विधि मेमरिस्टिव क्रॉसबार के अनुकूल है जहाँ भारों को साइन किए गए मानों को संभालने के लिए डिफरेंशियल पेयर्स ( $W^+ - W^-$ ) के रूप में दर्शाया जाता है। दोषों को कंडक्टेंस शाखाओं के स्थायी क्लैम्पिंग के रूप में मॉडल किया गया है।

3. अभिसरण (Convergence)

लेखक सिद्ध करते हैं कि क्वाड्रेटिक रिपेयर टर्म्स ( $R_h, R_{out}$ ) को जोड़ने से ट्रांजिशन फंक्शन की लिप्सचिट्ज़ निरंतरता (Lipschitz continuity) बनी रहती है। फलस्वरूप, STAR के साथ संवर्धित EP डायनेमिक्स निश्चित रूप से एक फिक्स्ड पॉइंट पर अभिसरित होने की गारंटी देता है, बशर्ते कि नजिंग स्ट्रेंथ ( $\beta, \beta_r$ ) विशिष्ट कॉन्ट्रैक्शन शर्तों को संतुष्ट करें।

मुख्य योगदान

कम्प्यूटेशनल न्यूरोसाइंस अध्ययन: एक द्विदिश नेटवर्क में एस्ट्रोसाइटिक मॉड्यूलेशन का लक्षण वर्णन, जो एक जनसंख्या-स्तर की रिकवरी प्रक्रिया को प्रकट करता है जो एल्गोरिद्मिक डिजाइन को सूचित करती है।
हार्डवेयर-अवेयर फॉल्ट इंजेक्शन: EP ट्रेनिंग को मेमरिस्टिव क्रॉसबार में मैप करने वाले एक फ्रेमवर्क का निर्माण, जो SA-0 और हाई-कंडक्टेंस SA दोषों दोनों के नियंत्रित मूल्यांकन को सक्षम बनाता है।
STAR तंत्र: एक सुपरवाइज्ड लोकल लर्निंग रूल (EP) के तहत तैयार किया गया पहला एस्ट्रोसाइट-प्रेरित रिपेयर मैकेनिज्म।
स्केलेबिलिटी: छोटे फुली-कनेक्टेड बेंचमार्क (MNIST/FMNIST) से आगे बढ़कर CNNs और CIFAR-10 डेटासेट तक ऐसे रिपेयर मैकेनिज्म के सफल स्केलिंग का प्रदर्शन।

प्रयोगात्मक परिणाम

लेखकों ने विभिन्न फॉल्ट प्रोबेबिलिटी ( $p_{fault}$ ) के तहत MLP और CNN आर्किटेक्चर पर MNIST और CIFAR-10 डेटासेट का उपयोग करके STAR का मूल्यांकन किया।

MLP प्रदर्शन: 70% फॉल्ट रेट के साथ MLP-1H (MNIST) पर, मानक रिट्रेनिंग ~39% सटीकता प्राप्त करती है, जबकि STAR ~91% प्राप्त करता है, जो +52.41% का रिकवरी गेन दर्शाता है। अन्य MLP कॉन्फ़िगरेशन और फॉल्ट रेट्स पर भी इसी तरह के महत्वपूर्ण लाभ देखे गए (90% तक)।
CNN प्रदर्शन: 13% तक फॉल्ट रेट के साथ VGG-5-जैसे CNN (CIFAR-10) पर, मानक रिट्रेनिंग अक्सर विफल हो जाती है (उदाहरण के लिए, 12% फॉल्ट पर ~13% सटीकता)। STAR ने प्रदर्शन को स्थिर किया, सटीकता को 69.97% और 75.86% के बीच बनाए रखा, जिसमें बेसलाइन की तुलना में +59.31% तक का लाभ देखा गया।
स्थिरता: STAR ने विभिन्न रैंडम फॉल्ट सीड्स के बीच रिकवरी के वेरिएंस को काफी कम कर दिया, जिससे अनअसिस्टेड रिट्रेनिंग में देखी गई विनाशकारी विफलताओं को रोका जा सका।
स्टोरेज ओवरहेड: क्लास-कंडीशनल एक्टिवेशन टारगेट्स के लिए आवश्यक स्टोरेज पूर्ण मॉडल आकार की तुलना में न्यूनतम है। CNN के लिए, टारगेट्स ने ~45 MB के मॉडल की तुलना में केवल ~2.2 MB की आवश्यकता होती है (मॉडल आकार के सापेक्ष 20x कमी)।
हाइपरपैरामीटर संवेदनशीलता: तंत्र मध्यम फॉल्ट रेट पर $\beta_r$ के प्रति कम संवेदनशीलता दिखाता है, हालांकि चरम फॉल्ट रेट (जैसे, $p_{fault}=0.9$ ) पर इष्टतम ट्यूनिंग फायदेमंद है।

महत्व और दावे

लेखक दावा करते हैं कि STAR कम्प्यूटेशनल न्यूरोसाइंस और न्यूरोमॉर्फिक इंजीनियरिंग को जोड़कर हार्डवेयर फॉल्ट टॉलरेंस के लिए एक नया दृष्टिकोण प्रस्तुत करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

जैविक संभाव्यता (Biological Plausibility): यह जनसंख्या-स्तर की गतिविधि को बनाए रखने में एस्ट्रोसाइट की भूमिका को एक व्यावहारिक एल्गोरिद्मिक रिपेयर मैकेनिज्म में अनुवादित करता है।
सुपरवाइज्ड लर्निंग अनुकूलता: अनसुपरवाइज्ड SNNs तक सीमित पूर्ववर्ती एस्ट्रोसाइट-प्रेरित कार्यों के विपरीत, STAR स्पष्ट सुपरवाइज्ड उद्देश्यों के तहत कार्य करता है, जिससे यह आधुनिक डीप लर्निंग कार्यों के लिए लागू करने योग्य हो जाता है।
दक्षता: यह हार्डवेयर रेडंडेंसी की क्षेत्र/शक्ति लागत या फॉल्ट लोकलाइजेशन की जटिलता के बिना उच्च रिकवरी दर प्राप्त करता है।
स्केलेबिलिटी: इसने सफलतापूर्वक कनवोल्यूशनल आर्किटेक्चर तक फॉल्ट-टॉलरेंट रिपेयर का विस्तार किया है, जो व्यावहारिक न्यूरोमॉर्फिक परिनियोजन के लिए एक महत्वपूर्ण कदम है।

लेखक निष्कर्ष निकालते हैं कि STAR सर्किट-स्तरीय रेडंडेंसी के पूरक के रूप में कार्य करता है, जो एक एल्गोरिद्मिक लचीलापन स्तर प्रदान करता है जो एप्लिकेशन-स्तर की सटीकता को बहाल कर सकता है, भले ही हार्डवेयर घटक स्थायी रूप से खराब हो गए हों।