এজে কৃত্রিম বুদ্ধিমত্তার শক্তি: মেমরিস্টর-ভিত্তিক বাইনারাইজড নিউরাল নেটওয়ার্ক এবং নিয়ার-মেমরি কম্পিউটিং

সূচিপত্র

1. ভূমিকা

এই গবেষণাটি মেমরিস্টর-ভিত্তিক বাইনারাইজড নিউরাল নেটওয়ার্ককে ক্ষুদ্রাকার সৌর কোষের সাথে সমন্বয় করে এজ এআই-এর জন্য একটি যুগান্তকারী পদ্ধতি উপস্থাপন করে। এই একীকরণটি চরম-এজ পরিবেশে এআই সিস্টেমগুলিকে শক্তি প্রদানের গুরুত্বপূর্ণ চ্যালেঞ্জ মোকাবেলা করে, যেখানে স্থিতিশীল বিদ্যুৎ উৎস অনুপলব্ধ। এই সিস্টেমটি বিদ্যুৎ ওঠানামার বিরুদ্ধে উল্লেখযোগ্য স্থিতিস্থাপকতা প্রদর্শন করে, এমনকি ০.০৮ সানসের সমতুল্য কম আলোকসজ্জার শর্তেও কার্যকারিতা বজায় রাখে।

2. প্রযুক্তিগত আর্কিটেকচার

2.1 মেমরিস্টর অ্যারে ডিজাইন

সার্কিটটিতে ৮,১৯২টি করে মেমরিস্টরের চারটি অ্যারে অন্তর্ভুক্ত রয়েছে, মোট ৩২,৭৬৮টি মেমরিস্টর। প্রতিটি অ্যারে ডিজিটাল নিয়ার-মেমরি কম্পিউটিংয়ের জন্য অপ্টিমাইজড একটি ক্রসবার কনফিগারেশনে সজ্জিত। মেমরিস্টরগুলি একটি হাইব্রিড সিএমওএস/মেমরিস্টর প্রক্রিয়া ব্যবহার করে তৈরি করা হয়েছে, যা উচ্চ-ঘনত্বের একীকরণ সক্ষম করার পাশাপাশি স্ট্যান্ডার্ড সেমিকন্ডাক্টর প্রক্রিয়াগুলির সাথে উৎপাদন সামঞ্জস্য বজায় রাখে।

2.2 ডিজিটাল নিয়ার-মেমরি কম্পিউটিং

প্রথাগত অ্যানালগ ইন-মেমরি কম্পিউটিং পদ্ধতির থেকে ভিন্ন, এই সিস্টেমটি লজিক-ইন-সেন্স-অ্যামপ্লিফায়ার এবং পরিপূরকভাবে প্রোগ্রাম করা মেমরিস্টর সহ একটি সম্পূর্ণরূপে ডিজিটাল আর্কিটেকচার ব্যবহার করে। এই নকশাটি অ্যানালগ-টু-ডিজিটাল রূপান্তর এবং জটিল পেরিফেরাল সার্কিটের প্রয়োজনীয়তা দূর করে, বিদ্যুৎ খরচ উল্লেখযোগ্যভাবে হ্রাস করে এবং সরবরাহ ভোল্টেজের তারতম্যের প্রতি স্থিতিস্থাপকতা উন্নত করে।

2.3 পাওয়ার ম্যানেজমেন্ট সিস্টেম

সিস্টেমটি অভ্যন্তরীণ অ্যাপ্লিকেশনের জন্য বিশেষভাবে অপ্টিমাইজড একটি ক্ষুদ্রাকার ওয়াইড-ব্যান্ডগ্যাপ সৌর কোষকে একীভূত করে। পাওয়ার ম্যানেজমেন্ট সার্কিটটি এনার্জি হার্ভেস্টারগুলির অন্তর্নিহিত অস্থিরতা পরিচালনা করার জন্য ডিজাইন করা হয়েছে, যা নিউরাল নেটওয়ার্কটিকে উপলব্ধ শক্তির ভিত্তিতে সঠিক এবং আনুমানিক কম্পিউটিং মোডের মধ্যে নির্বিঘ্নে রূপান্তরিত হতে দেয়।

3. পরীক্ষামূলক ফলাফল

3.1 পরিবর্তনশীল আলোর শর্তে কার্যকারিতা

উচ্চ আলোকসজ্জার শর্তে, সার্কিটটি ল্যাব বেঞ্চ পাওয়ার সাপ্লাইয়ের তুলনীয় ইনফারেন্স কার্যকারিতা অর্জন করে, যেখানে শ্রেণিবিন্যাসের নির্ভুলতা সফ্টওয়্যার-ভিত্তিক বাস্তবায়নের সাথে মেলে। আলোকসজ্জা ০.০৮ সানসে কমে গেলে, সিস্টেমটি পরীক্ষিত বেঞ্চমার্ক জুড়ে মাত্র ৮-১২% নির্ভুলতা হ্রাস নিয়ে কার্যকারিতা বজায় রাখে।

3.2 নির্ভুলতা বনাম বিদ্যুৎ খরচ

গবেষণাটি দেখায় যে কম শক্তির শর্তে ভুলভাবে শ্রেণিবদ্ধ করা ছবিগুলি প্রাথমিকভাবে শ্রেণিবদ্ধ করা কঠিন এমন ক্ষেত্র, যা ভালো শক্তিযুক্ত সিস্টেমকেও চ্যালেঞ্জ করে। এই ম graceful িল অবনতি বৈশিষ্ট্যটি সিস্টেমটিকে এমন অ্যাপ্লিকেশনের জন্য বিশেষভাবে উপযুক্ত করে তোলে যেখানে দীর্ঘায়িত অপারেশনাল জীবনকালের বিনিময়ে মাঝে মাঝে ত্রুটি গ্রহণযোগ্য।

4. প্রযুক্তিগত বাস্তবায়ন

4.1 গাণিতিক ভিত্তি

বাইনারাইজড নিউরাল নেটওয়ার্কটি বাইনারি ওজন এবং অ্যাক্টিভেশন ব্যবহার করে, যা গণনাগত জটিলতা উল্লেখযোগ্যভাবে হ্রাস করে। ফরওয়ার্ড প্রোপাগেশন নিম্নরূপে উপস্থাপন করা যেতে পারে:

$$a^{(l)} = sign(W^{(l)} a^{(l-1)} + b^{(l)})$$

যেখানে $W^{(l)}$ বাইনারি ওজনগুলিকে উপস্থাপন করে, $a^{(l)}$ বাইনারি অ্যাক্টিভেশন, এবং সাইন ফাংশনটি ±1 আউটপুট করে। মেমরিস্টর ক্রসবারটি রেজিস্ট্যান্স-ভিত্তিক গণনা ব্যবহার করে ম্যাট্রিক্স গুণন $W^{(l)} a^{(l-1)}$ দক্ষতার সাথে সম্পাদন করে।

4.2 কোড বাস্তবায়ন

class BinarizedNeuralNetwork:
    def __init__(self, memristor_arrays):
        self.arrays = memristor_arrays
        self.lisa_units = []  # Logic-in-Sense-Amplifier units
        
    def forward_pass(self, input_data):
        # Binarize input
        binary_input = np.sign(input_data)
        
        # Process through memristor arrays
        for i, array in enumerate(self.arrays):
            # Digital near-memory computation
            output = array.compute(binary_input)
            # LISA processing
            output = self.lisa_units[i].process(output)
            binary_input = np.sign(output)
            
        return output
    
    def adaptive_power_mode(self, available_power):
        if available_power < self.power_threshold:
            return "approximate"
        else:
            return "precise"

5. ভবিষ্যতের প্রয়োগ

এই প্রযুক্তিটি স্বাস্থ্য পর্যবেক্ষণ, শিল্প নিরাপত্তা এবং পরিবেশগত সেন্সিংয়ে অসংখ্য অ্যাপ্লিকেশন সক্ষম করে। নির্দিষ্ট ব্যবহারের ক্ষেত্রগুলির মধ্যে রয়েছে:

• অবিচ্ছিন্ন রোগী পর্যবেক্ষণের জন্য স্ব-শক্তিযুক্ত পরিধানযোগ্য স্বাস্থ্য মনিটর
• শিল্পগত পরিবেশে ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণের জন্য বুদ্ধিমান সেন্সর
• দূরবর্তী স্থানে পরিবেশগত পর্যবেক্ষণ সিস্টেম
• এমবেডেড এআই ক্ষমতা সহ সর্বদা-চালু নিরাপত্তা সিস্টেম

ভবিষ্যতের উন্নয়নগুলি বৃহত্তর নেটওয়ার্কে প্রযুক্তিটিকে স্কেল করা, একাধিক শক্তি সংগ্রহ উৎস একীভূত করা এবং নির্দিষ্ট অ্যাপ্লিকেশন ডোমেনের জন্য বিশেষায়িত আর্কিটেকচার বিকাশের উপর ফোকাস করতে পারে।

6. তথ্যসূত্র

1. Jebali, F. et al. "Powering AI at the Edge: A Robust Memristor-based Binarized Neural Network." arXiv:2305.12875 (2023)
2. Hubara, I. et al. "Binarized Neural Networks." Advances in Neural Information Processing Systems (2016)
3. Wong, H. S. P. et al. "Metal–oxide RRAM." Proceedings of the IEEE (2012)
4. Esser, S. K. et al. "Convolutional networks for fast, energy-efficient neuromorphic computing." Proceedings of the National Academy of Sciences (2016)
5. Yang, J. J. et al. "Memristive devices for computing." Nature Nanotechnology (2013)

7. সমালোচনামূলক বিশ্লেষণ