Multi-layer MIMO Relay as Deep Physical Neural Networks: Power Amplifiers as Activation Functions
यह शोध पत्र एक डीप वायरलेस फिजिकल न्यूरल नेटवर्क प्रस्तावित करता है जो मल्टी-हॉप MIMO रिले का उपयोग करता है, जहाँ पावर एम्पलीफायर नॉन-लिनियरिटी (गैर-रैखिकता) एक्टिवेशन फंक्शन के रूप में कार्य करती है, जो इमेज क्लासिफिकेशन जैसे कार्यों के लिए एंड-टू-एंड ट्रेन करने योग्य ओवर-द-एयर इन्फरेंस को सक्षम बनाती है और हार्डवेयर नॉन-लिनियरिटी से प्रदर्शित प्रदर्शन लाभ प्रदान करती 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
इंटरनेट की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें जहाँ डेटा यातायात (ट्रैफिक) है। अभी, इस अधिकांश यातायात को विशाल, ऊर्जा-खपत करने वाले डेटा केंद्रों द्वारा संभाला जाता है—इन्हें विशाल, एयर-कंडीशन वाले कारखानों के रूप में सोचें जहाँ कंप्यूटर एक-एक करके नंबरों को प्रोसेस करते हैं। यह काम तो करता है, लेकिन यह धीमा है और बहुत अधिक बिजली खर्च करता है। वैज्ञानिक अब पूछ रहे हैं: क्या होगा अगर हम कच्चे डेटा को कारखाने में भेजने के बजाय, "सड़कों" को ही सोचने के काबिल बना सकें? इस विचार को "फिजिकल न्यूरल नेटवर्क" (Physical Neural Network) कहा जाता है। डिजिटल कोड के बजाय, ये नेटवर्क दुनिया के प्राकृतिक भौतिक विज्ञान का उपयोग करते हैं—जैसे प्रकाश, ध्वनि या रेडियो तरंगें—ताकि गणना तुरंत की जा सके। यह ऐसा ही है जैसे सड़क खुद यह तय कर सके कि किन कारों को तेज करना है और किन्हें धीमा करना है, बजाय इसके कि किसी दूर के कार्यालय में बैठे ट्रैफिक लाइट कंट्रोलर का इंतजार किया जाए।
विज्ञान का वह विशिष्ट कोना जिसका यह शोध पत्र अन्वेषण करता है, "वायरलेस फिजिकल न्यूरल नेटवर्क" (WPNNs) है। सरल शब्दों में, यह रेडियो तरंगों का उपयोग करके आर्टिफिशियल इंटेलिजेंस (AI) के पीछे के गणित को संचालित करने के बारे में है। आमतौर पर, AI को नंबरों को गुणा करने और फिर परिणामों को एक विशेष वक्र (जिसे "एक्टिवेशन फंक्शन" कहा जाता है) के माध्यम से दबाने (squish) की आवश्यकता होती है, ताकि वे पैटर्न पहचान सकें, जैसे कि फोटो में बिल्ली को पहचानना। एक सामान्य कंप्यूटर में, यह डिजिटल चिप्स में होता है। लेकिन एक वायरलेस नेटवर्क में, रेडियो तरंगें स्वाभाविक रूप से आपस में मिलती हैं, और सिग्नल को बढ़ाने वाला उपकरण (जिसे पावर एम्पलीफायर कहा जाता है) एक विचित्र व्यवहार करता है: जब सिग्नल बहुत मजबूत हो जाता है, तो यह थोड़ा "दब" या नॉनलीनियर (nonlinear) हो जाता है। लंबे समय तक, इंजीनियरों ने सोचा कि यह "दबना" एक बग था—एक गलती जिसने सिग्नल को खराब कर दिया। हालाँकि, यह शोध पत्र सुझाव देता है कि यदि आप सिस्टम को सही ढंग से डिजाइन करें, तो वह "बग" वास्तव में एक सुपरपावर बन सकता है, जो रेडियो तरंगों को हवा में ही एक गहरे, सोचने वाले मस्तिष्क में बदल सकता है।
इस पेपर के लेखक, मेंग हुआ, इत्सिक बर्गेल और डेनिज़ गुंडुज़, रिले स्टेशनों की एक श्रृंखला का उपयोग करके इन वायरलेस मस्तिष्कों को बनाने का एक नया तरीका प्रस्तावित करते हैं। इसकी कल्पना "टेलीफोन" के खेल के रूप में करें, लेकिन इसमें संदेश फुसफुसाने के बजाय, रिले का एक समूह एक स्रोत से उपयोगकर्ता तक एक जटिल छवि भेज रहा है। उनके सेटअप में, प्रत्येक रिले स्टेशन केवल संदेश को जोर से नहीं चिल्लाता; यह एक न्यूरल नेटवर्क की एक परत (layer) के रूप में कार्य करता है। रिले इनकमिंग सिग्नल को लेता है, एक विशिष्ट "गेन" (जैसे वॉल्यूम नॉब घुमाना) और एक "बायस" (जैसे एक मामूली ऑफसेट) लागू करता है, और फिर उसे अपने पावर एम्पलीफायर से गुजारता है। पेपर उस एम्पलीफायर के प्राकृतिक, नॉनलीनियर "दबने" (squish) को मस्तिष्क के एक्टिवेशन फंक्शन के रूप में मानता है—वह हिस्सा जो तय करता है कि न्यूरॉन को सक्रिय होना चाहिए या नहीं। इन रिलेों को एक साथ जोड़कर, वे एक "डीप" नेटवर्क बनाते हैं जो सूचना को पूरी तरह से हवा के माध्यम طریق प्रोसेस करता है, बिना सिग्नल को डिजिटल और एनालॉग प्रारूपों के बीच बार-बार बदले।
इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने फैशन-MNIST डेटासेट (कपड़ों जैसे शर्ट, जूते और बैग की 28x28 पिक्सेल वाली तस्वीरों का संग्रह) से छवियों को पहचानने की कोशिश करने वाले एक सिस्टम का सिमुलेशन किया। उन्होंने रेडियो सिग्नलों को प्रबंधित करने के दो अलग-अलग तरीकों की तुलना की। पहला तरीका, जिसे "LS" (लीस्ट स्क्वायर्स) कहा जाता है, इसके लिए केवल रिसीवर एंड को चैनल की स्थिति जानने की आवश्यकता होती है। दूसरा तरीका, "SVD" (सिंगुलर वैल्यू डिकंपोजिशन), जिसके लिए प्रेषक और प्राप्तकर्ता दोनों को चैनल का सटीक ज्ञान होना आवश्यक है। परिणाम आश्चर्यजनक और विरोधाभासी थे। जब शोधकर्ताओं ने "LS" पद्धति का उपयोग किया, तो नॉनलीनियर "दबने वाले" एम्पलीफायरों ने वास्तव में सिस्टम को अधिक स्मार्ट बनाने में मदद की क्योंकि उन्होंने अधिक रिले जोड़े। जैसे-जैसे उन्होंने अधिक परतें जोड़ीं, इमेज रिकग्निशन बेहतर होता गया, और नॉनलीनियर सिस्टम पांच रिले के साथ लगभग 92.6% की सटीकता तक पहुँच गया, जो एक पूर्ण डिजिटल कंप्यूटर के लगभग बराबर है।
हालाँकि, यह पेपर स्पष्ट रूप से इस विचार को खारिज करता है कि यह हर सेटअप के लिए काम करता है। जब उन्होंने "SVD" पद्धति का उपयोग किया, जो सिग्नल पथों को पूरी तरह से अलग करने की कोशिश करती है, तो नॉनलीनियर एम्पलीफायरों ने समस्या पैदा कर दी। "दबने" की प्रक्रिया ने सिग्नलों के नाजुक अलगाव को बिगाड़ दिया, जिससे अधिक रिले जोड़ने पर प्रदर्शन खराब होता गया। यह हमें बताता है कि नॉनलीनियर हार्डवेयर का "जादू" एक सार्वभौमिक समाधान नहीं है; यह पूरी तरह से इस पर निर्भर करता है कि सिस्टम को कैसे डिजाइन किया गया है। इसके अलावा, पेपर नोट करता है कि यदि आप सिस्टम को यह मानकर प्रशिक्षित करते हैं कि एम्पलीफायर सटीक और लीनियर हैं, लेकिन फिर उन्हें वास्तविक, नॉनलीनियर एम्पलीफायरों के साथ टेस्ट करते हैं, तो प्रदर्शन काफी गिर जाता है, खासकर जब चेन लंबी होती है। यह सुझाव देता है कि इन वायरलेस मस्तिष्कों को वास्तविक दुनिया में काम करने के लिए, हार्डवेयर की खामियों को प्रशिक्षण प्रक्रिया का हिस्सा होना चाहिए, न कि उन्हें अनदेखा किया जाना चाहिए।
इन सिमुलेशन में, लेखकों ने पाया कि नॉनलीनियर एम्पलीफायरों के साथ "LS" दृष्टिकोण डीप नेटवर्क के लिए विजेता है, जो पारंपरिक हार्डवेयर सीमा को एक ऐसी विशेषता में बदल देता है जो नेटवर्क की सीखने की क्षमता को बढ़ाता है। उन्होंने केवल सुझाव नहीं दिया; उन्होंने अपने कंप्यूटर मॉडल के माध्यम से दिखाया कि यदि प्रशिक्षण हार्डवेयर के वास्तविक व्यवहार को ध्यान में रखता है, तो रिले की संख्या बढ़ने के साथ सटीकता लगातार सुधरती है। पेपर निष्कर्ष निकालता है कि हालांकि यह आर्किटेक्चर आशाजनक है, भविष्य के कार्यों को यह पता लगाने की आवश्यकता है कि इन सिस्टमों को अपूर्ण हार्डवेयर और अनिश्चित सिग्नल स्थितियों की जटिल वास्तविकताओं के प्रति मजबूत कैसे बनाया जाए। फिलहाल, अध्ययन यह दिखाता है कि हमारे रेडियो उपकरणों की प्राकृतिक नॉनलिनियरिटी को अपनाकर, हम ऐसा AI बना सकते हैं जो यात्रा करते समय, ठीक हमारे सिर के ऊपर हवा में ही सोच सके।
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।