एज पर एआई को शक्ति प्रदान करना: मेमरिस्टर-आधारित बाइनरीकृत न्यूरल नेटवर्क के साथ नियर-मेमोरी कंप्यूटिंग

विषय सूची

1. परिचय

यह शोध मेमरिस्टर-आधारित बाइनरीकृत न्यूरल नेटवर्क को मिनिएचर सोलर सेल्स के साथ जोड़कर एज एआई के लिए एक क्रांतिकारी दृष्टिकोण प्रस्तुत करता है। यह एकीकरण उन चरम एज वातावरणों में एआई सिस्टम को शक्ति प्रदान करने की महत्वपूर्ण चुनौती का समाधान करता है जहां स्थिर बिजली स्रोत उपलब्ध नहीं हैं। यह सिस्टम बिजली के उतार-चढ़ाव के प्रति उल्लेखनीय लचीलापन प्रदर्शित करता है, जो 0.08 सन्स के बराबर कम प्रकाश व्यवस्था की स्थितियों में भी कार्यक्षमता बनाए रखता है।

2. तकनीकी आर्किटेक्चर

2.1 मेमरिस्टर ऐरे डिजाइन

सर्किट में प्रत्येक 8,192 मेमरिस्टरों के चार ऐरे शामिल हैं, जिनकी कुल संख्या 32,768 मेमरिस्टर है। प्रत्येक ऐरे को क्रॉसबार कॉन्फ़िगरेशन में व्यवस्थित किया गया है जो डिजिटल नियर-मेमोरी कंप्यूटिंग के लिए अनुकूलित है। मेमरिस्टर एक हाइब्रिड सीएमओएस/मेमरिस्टर प्रक्रिया का उपयोग करके निर्मित किए गए हैं, जो उच्च-घनत्व एकीकरण को सक्षम करते हुए मानक सेमीकंडक्टर प्रक्रियाओं के साथ विनिर्माण संगतता बनाए रखता है।

2.2 डिजिटल नियर-मेमोरी कंप्यूटिंग

पारंपरिक एनालॉग इन-मेमोरी कंप्यूटिंग दृष्टिकोणों के विपरीत, यह सिस्टम लॉजिक-इन-सेंस-एम्प्लीफायर और पूरक प्रोग्राम किए गए मेमरिस्टर के साथ एक पूर्ण रूप से डिजिटल आर्किटेक्चर का उपयोग करता है। यह डिजाइन एनालॉग-टू-डिजिटल रूपांतरण और जटिल परिधीय सर्किट की आवश्यकता को समाप्त कर देता है, जिससे बिजली की खपत में काफी कमी आती है और आपूर्ति वोल्टेज भिन्नताओं के प्रति लचीलापन में सुधार होता है।

2.3 पावर मैनेजमेंट सिस्टम

सिस्टम एक मिनिएचर वाइड-बैंडगैप सोलर सेल को एकीकृत करता है जो विशेष रूप से इनडोर अनुप्रयोगों के लिए अनुकूलित है। पावर मैनेजमेंट सर्किटरी को एनर्जी हार्वेस्टर की अंतर्निहित अस्थिरता को संभालने के लिए डिजाइन किया गया है, जो न्यूरल नेटवर्क को उपलब्ध बिजली के आधार पर सटीक और अनुमानित कंप्यूटिंग मोड के बीच निर्बाध रूप से संक्रमण करने की अनुमति देता है।

3. प्रायोगिक परिणाम

3.1 परिवर्तनशील प्रकाश व्यवस्था के तहत प्रदर्शन

उच्च प्रकाश व्यवस्था की स्थितियों में, सर्किट लैब बेंच पावर सप्लाई के बराबर अनुमान प्रदर्शन प्राप्त करता है, जिसमें वर्गीकरण सटीकता सॉफ्टवेयर-आधारित कार्यान्वयन से मेल खाती है। जैसे ही प्रकाश 0.08 सन्स तक कम हो जाता है, सिस्टम परीक्षण किए गए बेंचमार्क में केवल 8-12% की मामूली सटीकता गिरावट के साथ कार्यक्षमता बनाए रखता है।

3.2 सटीकता बनाम बिजली की खपत

शोध से पता चलता है कि कम बिजली की स्थितियों में गलत वर्गीकृत छवियां मुख्य रूप से वर्गीकृत करने में कठिन मामले हैं जो अच्छी तरह से संचालित सिस्टम के लिए भी चुनौतीपूर्ण हैं। यह क्रमिक गिरावट विशेषता सिस्टम को उन अनुप्रयोगों के लिए विशेष रूप से उपयुक्त बनाती है जहां विस्तारित संचालन जीवनकाल के बदले में कभी-कभार त्रुटियां स्वीकार्य हैं।

4. तकनीकी कार्यान्वयन

4.1 गणितीय आधार

बाइनरीकृत न्यूरल नेटवर्क बाइनरी वेट और एक्टिवेशन का उपयोग करता है, जिससे कम्प्यूटेशनल जटिलता में काफी कमी आती है। फॉरवर्ड प्रोपेगेशन को इस प्रकार दर्शाया जा सकता है:

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

जहां $W^{(l)}$ बाइनरी वेट का प्रतिनिधित्व करता है, $a^{(l)}$ बाइनरी एक्टिवेशन हैं, और साइन फ़ंक्शन ±1 आउटपुट करता है। मेमरिस्टर क्रॉसबार प्रतिरोध-आधारित कम्प्यूटेशन का उपयोग करके मैट्रिक्स गुणन $W^{(l)} a^{(l-1)}$ को कुशलतापूर्वक निष्पादित करता है।

4.2 कोड कार्यान्वयन

class BinarizedNeuralNetwork:
    def __init__(self, memristor_arrays):
        self.arrays = memristor_arrays
        self.lisa_units = []  # लॉजिक-इन-सेंस-एम्प्लीफायर यूनिट
        
    def forward_pass(self, input_data):
        # इनपुट को बाइनरीकृत करें
        binary_input = np.sign(input_data)
        
        # मेमरिस्टर ऐरे के माध्यम से प्रोसेस करें
        for i, array in enumerate(self.arrays):
            # डिजिटल नियर-मेमोरी कम्प्यूटेशन
            output = array.compute(binary_input)
            # LISA प्रोसेसिंग
            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. भविष्य के अनुप्रयोग

यह प्रौद्योगिकी स्वास्थ्य निगरानी, औद्योगिक सुरक्षा और पर्यावरणीय संवेदन में कई अनुप्रयोगों को सक्षम बनाती है। विशिष्ट उपयोग के मामलों में शामिल हैं:

• निरंतर रोगी निगरानी के लिए स्व-शक्ति वाले वियरेबल हेल्थ मॉनिटर
• औद्योगिक सेटिंग्स में पूर्वानुमानित रखरखाव के लिए इंटेलिजेंट सेंसर
• दूरदराज के स्थानों में पर्यावरण निगरानी प्रणाली
• एम्बेडेड एआई क्षमताओं वाली हमेशा चालू सुरक्षा प्रणाली

भविष्य के विकास बड़े नेटवर्क के लिए प्रौद्योगिकी को स्केल करने, कई ऊर्जा संचयन स्रोतों को एकीकृत करने और विशिष्ट अनुप्रयोग डोमेन के लिए विशेष आर्किटेक्चर विकसित करने पर केंद्रित हो सकते हैं।

6. संदर्भ

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. गंभीर विश्लेषण