Engineering Synaptic Dynamics in Ag-Modified TaO Memristive Devices
यह शोध पत्र प्रदर्शित करता है कि TaO मेमरिस्टर का Ag संशोधन, Ag और ऑक्सीजन-वैकेंसी तंत्र के बीच परस्पर क्रिया के माध्यम से, सिनैप्टिक डिप्रेशन डायनेमिक्स पर विद्युत रूप से प्रोग्राम करने योग्य नियंत्रण सक्षम करता है—जो क्रमिक से लेकर अचानक तक विस्तृत है—और इस प्रकार MNIST और Fashion-MNIST डेटासेट पर न्यूरोमॉर्फिक लर्निंग प्रदर्शन को अनुकूलित 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
आज के कंप्यूटर एक ऐसे आधार पर बने हैं जो स्मृति (मेमोरी) को सोचने की प्रक्रिया से अलग करता है। सूचना एक स्थान पर संग्रहीत की जाती है और प्रसंस्करण (प्रोसेसिंग) दूसरे स्थान पर होता है, जिससे डेटा को लगातार आगे-पीछे यात्रा करने के लिए मजबूर होना पड़ता है। यह अलगाव एक बाधा उत्पन्न करता है, जो गणनाओं को धीमा कर देता है और ऊर्जा को बर्बाद करता है। इसे दूर करने के लिए, वैज्ञानिक एक नए प्रकार के हार्डवेयर को विकसित कर रहे हैं जो मानव मस्तिष्क की नकल करता है, जहाँ स्मृति और प्रसंस्करण एक ही स्थान पर होते हैं। इन कृत्रिम मस्तिष्क के मुख्य घटक 'सिनैप्स' (synapse) हैं, जो न्यूरॉन्स के बीच का संपर्क बिंदु हैं। एक जैविक मस्तिष्क में, ये संबंध जैसे-जैसे हम सीखते हैं, समय के साथ मजबूत या कमजोर होते हैं, जिसे प्लास्टिसिटी (plasticity) कहा जाता है। कृत्रिम हार्डवेयर के प्रभावी ढंग से सीखने के लिए, इसे अपने कनेक्शनों को सुचारू रूप से और अनुमानित रूप से समायोजित करने की इस क्षमता को दोहराने की आवश्यकता है। हालाँकि, अधिकांश इलेक्ट्रॉनिक उपकरण जिन्हें कृत्रिम सिनैप्स के रूप में डिज़ाइन किया गया है, उनका व्यक्तित्व निश्चित होता है; एक बार बनने के बाद, उनके बदलने का तरीका तय हो जाता है, चाहे वे किसी भी कार्य को हल करने की कोशिश कर रहे हों।
शोधकर्ताओं की एक टीम ने टेंटलम ऑक्साइड से बने एक विशिष्ट प्रकार के इलेक्ट्रॉनिक स्विच का उपयोग करके इस सीमा को तोड़ने का एक तरीका खोज निकाला है, जो इन उपकरणों में आमतौर चाहिए जाने वाला एक सामान्य पदार्थ है। डिवाइस में चांदी के सूक्ष्म कणों को जोड़कर, उन्होंने पाया कि वे केवल उनके माध्यम से भेजे जाने वाले विद्युत संकेत की शक्ति को समायोजित करके स्विच के व्यवहार को बदल सकते हैं। एक मानक उपकरण में, कनेक्शन की शक्ति तेजी से बदलती है और फिर रुक जाती है, जैसे कि एक लाइट स्विच जो चालू होकर वहीं रह जाता है। सिल्वर-संशोधित डिवाइस में, शोधकर्ताओं ने पाया कि वे वोल्टेज पर एक डायल घुमाकर तीन बहुत अलग व्यवहारों के बीच चयन कर सकते थे। वे कनेक्शन को कई चरणों में धीरे-धीरे कमजोर कर सकते थे, कुछ ही क्षणों में अचानक बदल सकते थे, या इसके परिवर्तन को बहुत लंबी अवधि तक फैला सकते थे। इसका अर्थ यह है कि एक एकल भौतिक उपकरण को विभिन्न प्रकार के शिक्षार्थियों के रूप में कार्य करने के लिए प्रोग्राम किया जा सकता है, जो समस्या की जरूरतों के अनुसार अपनी आंतरिक गतिशीलता को अनुकूलित करता है।
शोधकर्ताओं ने सिलिकॉन चिप पर टेंटलम ऑक्साइड की एक पतली परत जमा करके और उसके ऊपर चांदी के नैनोकणों की एक परत रखकर और फिर उसे एक धातु के इलेक्ट्रोड से सील करके अपने उपकरण बनाए। जब उन्होंने बिना चांदी वाले इन उपकरणों का परीक्षण किया, तो वे विशिष्ट इलेक्ट्रॉनिक स्विच की तरह व्यवहार करते थे: वे एक अनुमानित, एकतरफा पैटर्न में अपने प्रतिरोध (resistance), या विद्युत प्रवाह के विरोध को बदलते थे। हालाँकि, चांदी के शामिल होते ही व्यवहार पूरी तरह से बदल गया। डिवाइस अत्यधिक सममित (symmetrical) प्रतिक्रिया दिखाने लगा, जिसका अर्थ है कि यह बिजली के प्रवाह के आगे या पीछे जाने पर समान रूप से प्रतिक्रिया करता था। अधिक महत्वपूर्ण बात यह थी कि जब शोधकर्ताओं ने कनेक्शन को कमजोर करने के लिए विद्युत स्पंदों (pulses) की एक श्रृंखला लागू की, तो परिणाम पूरी तरह से पल्स के आकार पर निर्भर था।
कम पल्स स्ट्रेंथ (शक्ति) पर, डिवाइस धीरे-धीरे कमजोर हुआ, जिसे अपनी अंतिम अवस्था तक पहुँचने में लगभग पचास पल्स लगे। जब उन्होंने पल्स स्ट्रेंथ को थोड़ा बढ़ाया, तो डिवाइस ने आश्चर्यजनक गति से प्रतिक्रिया दी, और मात्र चार या पांच पल्स में ही अपनी अधिकांश शक्ति खो दी। लेकिन जब उन्होंने वोल्टेज को और अधिक बढ़ाया, तो व्यवहार फिर से बदल गया। तेज होने के बजाय, डिवाइस धीमा हो गया, और एक सौ से अधिक पल्स में अपने परिवर्तन को फैला दिया। यह गैर-रेखीय (non-linear) प्रतिक्रिया सबसे आश्चर्यजनक खोज थी। आमतौर पर, किसी प्रणाली पर अधिक दबाव डालने से वह तेजी से प्रतिक्रिया करती है। यहाँ, अधिक दबाव डालने से वह धीमी हो गई, और सही दबाव डालने पर वह सबसे तेज प्रतिक्रिया दे रही थी। शोधकर्ताओं ने पुष्टि की कि यह किसी एक खराब उपकरण की त्रुटि नहीं थी, बल्कि कई नमूनों में पाया गया एक सुसंगत लक्षण था, जो यह सुझाव देता है कि यह सामग्री के संचालन में एक मौलिक बदलाव है।
यह समझने के लिए कि अंदर क्या हो रहा था, टीम ने डिवाइस की सूक्ष्म संरचना का अध्ययन किया। उन्होंने पाया कि चांदी के कण एक ठोस तार या निरंतर धातु पथ नहीं बनाते हैं, जो इन उपकरणों के काम करने का एक सामान्य तरीका है। इसके बजाय, चांदी ऑक्सीजन रिक्तियों (oxygen vacancies) के साथ परस्पर क्रिया करती प्रतीत होती है, जो ऑक्साइड की क्रिस्टल संरचना में छोटे खाली स्थान होते हैं जो बिजली को बहने देते हैं। शोधकर्ता प्रस्तावित करते हैं कि चांदी एक धीमी गति वाली आंतरिक स्थिति की तरह कार्य करती है जो यह प्रभावित करती है कि ऑक्सीजन रिक्तियां कितनी तेजी से घूम सकती हैं। जब विद्युत संकेत कमजोर होता है, तो चांदी का बहुत कम प्रभाव होता है, और रिक्तियां अपने आप धीरे-धीरे चलती हैं। जब संकेत बिल्कुल सही होता है, तो चांदी शांत रहती है, जिससे रिक्तियां तेजी से दौड़ती हैं और तीव्र परिवर्तन पैदा करती हैं। जब संकेत बहुत शक्तिशाली होता है, तो चांदी सक्रिय हो जाती है और बाधा डालती है, जिससे रिक्तियों की गति धीमी हो जाती है और परिवर्तन लंबे समय तक फैल जाता है। धीमी गति से चलने वाली रिक्तियों और धीमी चांदी के बीच की यह परस्पर क्रिया तीन अलग-अलग व्यवहार बनाती है।
इस खोज का वास्तविक मूल्य यह देखकर परखा गया कि इन विभिन्न व्यवहारों ने कंप्यूटर की सीखने की क्षमता को कैसे प्रभावित किया। शोधकर्ताओं ने एक सरल कृत्रिम मस्तिष्क का अनुकरण किया और उसे हस्तलिखित संख्याओं और कपड़ों की वस्तुओं की छवियों को पहचानना सिखाया। उन्होंने लैब में देखे गए तीन अलग-अलग 'डिप्रेसन पैटर्न' (depressions patterns) का उपयोग उन नियमों के रूप में किया कि मस्तिष्क के कनेक्शन कैसे बदलने चाहिए। परिणाम स्पष्ट थे। जब मस्तिष्क ने धीमी, क्रमिक परिवर्तन का उपयोग किया, तो उसने सबसे अच्छा सीखा, और लगभग 88 प्रतिशत हस्तलिखित संख्याओं को सही ढंग से पहचाना। मध्य, क्रमिक-सिग्मॉइडल (gradual-sigmoidal) पैटर्न ने भी अच्छा प्रदर्शन किया, जिसने लगभग 85 प्रतिशत सटीकता प्राप्त की। हालाँकि, जब मस्तिष्क ने अचानक, तेज़-बदलने वाले पैटर्न का उपयोग किया, तो इसका प्रदर्शन गिरकर लगभग 50 प्रतिशत हो गया, जो कि रैंडम अनुमान लगाने से बेहतर नहीं है। इसके अलावा, तेज़-बदलने वाले पैटर्न ने असंगत परिणाम दिए, जिससे मस्तिष्क प्रशिक्षण के दौरान हर बार अलग तरह से व्यवहार करता था।
इस प्रयोग ने दिखाया कि परिवर्तन की गति और आकार, अंतिम परिणाम जितने ही महत्वपूर्ण हैं। एक कनेक्शन जो बहुत जल्दी बदल जाता है, वह आवश्यक मध्यवर्ती चरणों को छोड़ देता है, जिससे मस्तिष्क के लिए अपने ज्ञान को सूक्ष्मता से सुधारना कठिन हो जाता है। एक कनेक्शन जो धीरे-धीरे बदलता है, वह एक सुचारू, स्थिर समायोजन की अनुमति देता है, जिससे बेहतर सीखना संभव होता है। यह अध्ययन प्रदर्शित करता है कि डिवाइस के भीतर सामग्रियों को इंजीनियर करके, वैज्ञानिक सीखने की गतिशीलता को एक प्रोग्राम करने योग्य विशेषता में बदल सकते हैं। एक निश्चित तरीके से सीखने के लिए मजबूर होने के बजाय, एक कृत्रिम सिनैप्स को क्रमिक, अचानक या वितरित होने के लिए ट्यून किया जा सकता है, जो कार्य की आवश्यकताओं पर निर्भर करता है। यह न्यूरोमॉर्फिक कंप्यूटिंग में लचीलेपन की एक नई परत जोड़ता है, जो यह सुझाव देता है कि भविष्य के आर्टिफिशियल इंटेलिजेंस हार्डवेयर का मार्ग न केवल उपकरणों को छोटा या तेज़ बनाने में, बल्कि उन्हें अधिक अनुकूलन योग्य बनाने में निहित है।
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।