Fully analog end-to-end online training with real-time adaptability in integrated photonics

एक ऐसे कंप्यूटर की कल्पना करें जो एक जीवित मस्तिष्क की तरह सीखता है: किसी कठोर, पूर्व-लिखित स्क्रिप्ट का पालन करके नहीं, बल्कि नई जानकारी का सामना करते हुए अपने स्वयं के कनेक्शनों को लगातार समायोजित करके। दशकों से, वैज्ञानिकों ने ऐसे मशीनें बनाने की कोशिश की है जो इस जैविक लचीलेपन की नकल कर सकें, इस उम्मीद में कि ऐसी कृत्रिम बुद्धिमत्ता (AI) बनाई जा सके जो तेज़, अधिक कुशल और वास्तविक दुनिया की जटिल और परिवर्तनशील स्थितियों में काम करने में सक्षम हो। पारंपरिक कंप्यूटर, जो डिजिटल स्विचों पर निर्भर करते हैं जो या तो 'ऑन' होते हैं या 'ऑफ', इस तरह के निरंतर अनुकूलन के लिए संघर्ष करते हैं। उन्हें अक्सर दोबारा प्रयास करने से पहले गलतियों से सीखने के लिए एक अलग, समय लेने वाले चरण की आवश्यकता होती है। फोटोनिक्स के रूप में जानी जाने वाली प्रकाश-आधारित कंप्यूटिंग के क्षेत्र में, शोधकर्ताओं ने ऐसे चिप्स बनाए हैं जो सूचना को अविश्वसनीय गति से संसाधित करने के लिए बिजली के बजाय प्रकाश की किरणों का उपयोग करते हैं। हालाँकि, एक बड़ी बाधा बनी हुई थी: इन प्रकाश-आधारित प्रणालियों को बिना किसी धीमे, बाहरी डिजिटल मस्तिष्क के निर्देश के, वास्तविक समय में, चलते-फिरते सीखने के लिए तैयार करना।

शोधकर्ताओं की एक टीम ने अब एक कार्यशील प्रोटोटाइप बनाया है जो इस अंतर को पाटता है। उन्होंने एक सिलिकॉन चिप बनाई है जो प्रकाश के पूर्ण एनालॉग डोमेन के भीतर ही पूरी तरह से सीख सकती है, अनुकूलित हो सकती है और स्वयं को ठीक कर सकती है, बिना किसी अलग कंप्यूटर पर त्रुटियों की गणना करने के लिए रुके। हाल ही के एक अध्ययन में वर्णित यह प्रणाली, उन मशीनों की ओर एक महत्वपूर्ण कदम है जो गतिशील वातावरण में स्वायत्त रूप से कार्य कर सकती हैं, जैसे कि अचानक मौसम परिवर्तन के बीच नेविगेट करने वाली एक स्व-चालित कार या बदलते तापमान के प्रति संवेदनशील एक सेंसर नेटवर्क। यह सिद्ध करके कि एक फोटोनिक प्रोसेसर अपने सक्रिय रूप से कार्य करते समय अपने आंतरिक सेटिंग्स को अपडेट कर सकता है, शोधकर्ताओं ने एक ऐसी कृत्रिम बुद्धिमत्ता का मार्ग दिखाया है जो न केवल तेज़ है, बल्कि लचीली और आत्मनिर्भर भी है।

इस उपलब्धि का मूल आधार मशीन को सिखाने का एक नया तरीका है। अधिकांश वर्तमान प्रणालियों में, कंप्यूटर एक कार्य चलाता है, परिणाम की जाँच करता है, त्रुटि की गणना करता है, और फिर अपनी सेटिंग्स को अपडेट करता है। यह एक दो-चरणीय प्रक्रिया है जो देरी पैदा करती है। हालाँकि, यह नई प्रणाली काम करते समय ही सीखती है। यह 'मल्टीप्लेक्सड ग्रेडिएंट डिसेंट' नामक विधि का उपयोग करती है, जो सुनने में जटिल लग सकती है लेकिन यह 'प्रयास और त्रुटि' (trial and error) के एक सरल सिद्धांत पर कार्य करती है। चिप अपने आंतरिक सेटिंग्स, जिन्हें 'वेट्स' (weights) कहा जाता है, में सूक्ष्म और तीव्र समायोजन करती है और तुरंत मापती है कि उन परिवर्तनों का अंतिम परिणाम पर क्या प्रभाव पड़ता है। यदि एक छोटा सा बदलाव परिणाम में सुधार करता है, तो चिप उस दिशा को बनाए रखती है; यदि इससे चीजें खराब होती हैं, तो वह वापस मुड़ जाती है। महत्वपूर्ण बात यह है कि चिप यह सब डिजिटल सिमुलेशन पर निर्भर रहने के बजाय, अपने स्वयं के परिवर्तनों के प्रभाव को देखने के लिए भौतिक रूप से प्रकाश के आउटपुट को मापकर करती है। यह सीखने और कार्य करने को बिल्कुल एक ही समय में होने देता है।

इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने एक मोनोलिथिक इंटीग्रेटेड फोटोनिक प्रोसेसर बनाया। यह सिलिकॉन से बना एक एकल चिप है, जिसे मानक औद्योगिक तकनीकों का उपयोग करके बनाया गया है, जिसमें प्रकाश को रोकने और निर्देशित करने वाले छोटे छल्ले (rings) शामिल हैं। ये छल्ले न्यूरल नेटवर्क के समायोज्य भार (adjustable weights) के रूप में कार्य करते हैं। टीम ने विभिन्न रंगों के प्रकाश का उपयोग करके चिप में डेटा डाला, जहाँ प्रत्येक रंग सूचना का एक हिस्सा लेकर चलता है। जैसे ही प्रकाश छल्लों के माध्यम से गुजरता है, प्रणाली गणना करने के लिए छल्लों के गुणों को समायोजित करती है। सिस्टम को प्रशिक्षित करने के लिए, उन्होंने छल्लों में सूक्ष्म, यादृच्छिक कंपन (vibrations) उत्पन्न किए और देखा कि प्रकाश का आउटपुट कैसे बदलता है। इन परिवर्तनों को देखकर, चिप यह निर्धारित कर सकती थी कि बेहतर उत्तर प्राप्त करने के लिए उसे अपनी सेटिंग्स को कैसे समायोजित करना चाहिए। यह प्रक्रिया पूरी तरह से प्रकाश और ऊष्मा के एनालॉग जगत में हुई, जिससे जटिल डिजिटल गणनाओं की आवश्यकता समाप्त हो गई जो आमतौर पर गति को धीमा कर देती हैं।

परिणाम आश्चर्यजनक थे। सिस्टम ने उच्च सटीकता के साथ डेटा को वर्गीकृत करना सीख लिया, जिससे विभिन्न पैटर्न के बीच अंतर किया जा सका। इससे भी महत्वपूर्ण बात यह है कि इसने मानवीय हस्तक्षेप के बिना अपने वातावरण में परिवर्तनों के अनुकूल होने की क्षमता प्रदर्शित की। एक प्रयोग में, शोधकर्ताओं ने चिप के कार्य करते समय ही खेल के नियम बदल दिए। उन्होंने सिस्टम को एक घूमती हुई रेखा के आधार पर डेटा को छाँटने के लिए कहा। हर कुछ मिनटों में, कोण बदल रहा था। विफल होने या पुन: प्रोग्राम किए जाने के बजाय, चिप ने परिवर्तन को तुरंत पहचान लिया, अपने आंतरिक भार को समायोजित किया, और कुछ ही सेकंडों के भीतर डेटा को सही ढंग से छाँटना फिर से शुरू कर दिया। इसने प्रत्येक बदलाव के बाद तुरंत अपने उच्च स्तर की सटीकता को बहाल कर लिया, जिससे यह सिद्ध हुआ कि यह वास्तविक समय में गतिशील लक्ष्यों का पता लगा सकता है।

शोधकर्ताओं ने भौतिक गड़बड़ियों के खिलाफ भी इस प्रणाली की सहनशीलता का परीक्षण किया, जो ऑप्टिकल उपकरणों के लिए एक सामान्य समस्या है। फोटोनिक चिप्स अक्सर तापमान के प्रति संवेदनशील होते हैं; गर्मी में मामूली वृद्धि भी प्रकाश पथ को विकृत कर सकती है और गणना को बिगाड़ सकती है। एक नियंत्रित परीक्षण में, टीम ने चिप के तापमान को कई डिग्री तक बदलकर वास्तविक दुनिया में सामना की जाने वाली स्थितियों का अनुकरण किया। जैसे-जैसे तापमान बढ़ा, चिप का प्रदर्शन शुरू में गिर गया। हालाँकि, क्योंकि सिस्टम लगातार सीख रहा था, उसने गुणवत्ता में गिरावट को महसूस किया और गर्मी की भरपाई करने के लिए अपनी सेटिंग्स को स्वचालित रूप से समायोजित किया। इसने अपनी सटीकता को पिछले स्तरों तक बहाल कर दिया, प्रभावी रूप से पर्यावरणीय तनाव से खुद को ठीक किया। यह आत्म-सुधार निरंतर होता रहा, जिससे डिवाइस को बदलते परिवेश में भी स्थिर संचालन बनाए रखने में मदद मिली।

यह समझने के लिए कि यह तकनीक अधिक जटिल कार्यों के लिए कैसे स्केल (scale up) हो सकती है, शोधकर्ताओं ने अपने सिस्टम का एक 'डिजिटल ट्विन' बनाया। यह एक आभासी मॉडल था जिसने बहुत अधिक कनेक्शन परतों वाले एक बड़े नेटवर्क का अनुकरण किया। उन्होंने इस मॉडल का उपयोग एक चुनौतीपूर्ण वर्गीकरण कार्य के लिए किया जिसमें एक आकार शामिल था जो 'यिन-यांग' प्रतीक जैसा दिखता है, एक ऐसी समस्या जिसके लिए सिस्टम को जटिल, गैर-रेखीय सीमाओं को समझने की आवश्यकता होती है। सिमुलेशन ने दिखाया कि वास्तविक हार्डवेयर में निहित खामियों और शोर (noise) के बावजूद, सिस्टम उच्च सटीकता प्राप्त कर सकता है। आभासी मॉडल ने पुष्टि की कि जिस पद्धति का उपयोग छोटे, भौतिक चिप में किया गया था, वह बहुत बड़े और अधिक परिष्कृत नेटवर्क के लिए भी काम कर सकती है, जिससे यह संकेत मिलता है कि यह दृष्टिकोण केवल सरल प्रयोगों तक सीमित नहीं है।

इस नए दृष्टिकोण की गति और दक्षता उल्लेखनीय है। भौतिक चिप अविश्वसनीय रूप से तेज़ है, जिसमें प्रकाश मात्र पिकोसेकंड (एक सेकंड का एक ट्रिलियनवाँ हिस्सा) में यात्रा करता है। हालांकि वर्तमान संस्करण में भार को समायोजित करने के लिए ऊष्मा का उपयोग किया जाता है, जिसे स्थिर होने में एक सेकंड का अंश लगता है, शोधकर्ताओं ने नोट किया कि भविष्य के संस्करण इन समायोजनों को और भी तेज़ करने के लिए विद्युत संकेतों का उपयोग कर सकते हैं, जिससे सीखने की प्रक्रिया को हज़ार गुना तक तेज़ किया जा सकता है। ऊर्जा की खपत भी उल्लेखनीय रूप से कम है, जिसमें पूरा सिस्टम, परिणामों को पढ़ने के लिए आवश्यक इलेक्ट्रॉनिक्स सहित, एक छोटे बल्ब से भी कम बिजली का उपयोग करता है। गति और कम ऊर्जा उपयोग का यह संयोजन बताता है कि ऐसे चिप्स भविष्य में उन उपकरणों को शक्ति दे सकते हैं जिन्हें बैटरी खत्म किए बिना सेकंड के सौवें हिस्से में निर्णय लेने की आवश्यकता होती है।

यह कार्य यह दावा नहीं करता है कि इसने आर्टिफिशियल इंटेलिजेंस की हर समस्या को हल कर दिया है, लेकिन यह एक विशिष्ट और महत्वपूर्ण बाधा को संबोधित करता है: निरंतर सीखने और वास्तविक समय में अनुकूलित होने की हार्डवेयर की अक्षमता। सीखने की प्रक्रिया को सीधे हार्डवेयर के भीतर रखकर और इसे एनालॉग डोमेन में रखकर, शोधकर्ताओं ने डिजिटल प्रोसेसिंग से जुड़ी देरी और ऊर्जा लागत को हटा दिया है। सिस्टम उस शोर और खामियों के प्रति भी मजबूत है जो आमतौर पर ऐसे नाजुक उपकरणों को प्रभावित करती है, और यह वास्तविक दुनिया की अनिश्चितताओं को संभाल सकता है। यह अध्ययन एक ठोस प्रमाण प्रदान करता है कि मशीनें काम करते-करते सीख सकती हैं, और बदलते वातावरण के अनुरूप अपने आंतरिक तर्क को समायोजित कर सकती हैं। यह क्षमता बुद्धिमान प्रणालियों की एक नई पीढ़ी के द्वार खोलती है जो न केवल तेज़ हैं, बल्कि लचीली और आत्मनिर्भर भी हैं, जो उन गतिशील परिस्थितियों में कार्य करने में सक्षम हैं जहाँ पारंपरिक कंप्यूटर अक्सर संघर्ष करते हैं।