कृत्रिम मस्तिष्क अब बनाया जा सकता है

मस्तिष्क की संरचना से प्रेरित कंप्यूटिंग का समय आ गया है। एल्गोरिदम जो तंत्रिका नेटवर्क और गहन सीखने का उपयोग करते हैं जो मानव मस्तिष्क के कुछ पहलुओं की नकल करते हैं, डिजिटल कंप्यूटरों को भाषा अनुवाद में अविश्वसनीय ऊंचाइयों तक पहुंचने की अनुमति देते हैं, भारी मात्रा में डेटा में मायावी पैटर्न की खोज करते हैं और लोगों को गो में हरा देते हैं।

लेकिन जब इंजीनियर इस कम्प्यूटेशनल रणनीति को सक्रिय रूप से विकसित करना जारी रखते हैं, तो सक्षम, डिजिटल कंप्यूटिंग की ऊर्जा दक्षता अपनी सीमा के करीब पहुंच रही है। हमारे डेटा केंद्र और सुपर कंप्यूटर पहले से ही मेगावाट का उपभोग करते हैं - यूएसए में खपत होने वाली सभी बिजली का 2% डेटा केंद्रों में जाता है। और मानव मस्तिष्क 20 वाट के लायक है, और यह दैनिक खपत किए गए भोजन में निहित ऊर्जा का एक छोटा सा अंश है। अगर हम कंप्यूटिंग सिस्टम को बेहतर बनाना चाहते हैं, तो हमें कंप्यूटर को दिमाग की तरह बनाने की जरूरत है।

न्यूरोमॉर्फिक प्रौद्योगिकियों में रुचि का एक उछाल इस विचार से जुड़ा हुआ है, जो सरल न्यूरल नेटवर्क से परे कंप्यूटर लेने का वादा करता है, सर्किट की ओर जो न्यूरॉन्स और सिनेप्स के रूप में काम करते हैं। मस्तिष्क के समान भौतिक सर्किट का विकास पहले से ही काफी विकसित है। पिछले 35 वर्षों में दुनिया भर में मेरी प्रयोगशाला और अन्य संस्थानों में किए गए कार्यों ने कृत्रिम तंत्रिका घटकों को सिनैप्स और डेंड्राइट्स के समान बनाया है, जो वास्तविक लोगों की तरह ही विद्युत संकेतों को प्रतिक्रिया और उत्पन्न करते हैं।

तो इन बिल्डिंग ब्लॉक्स को पूर्ण विकसित कंप्यूटर मस्तिष्क में एकीकृत करने के लिए क्या आवश्यक है? 2013 में, जॉर्जिया इंस्टीट्यूट ऑफ टेक्नोलॉजी में मेरे पूर्व स्नातक छात्र बो मार्र ने मुझे इंजीनियरिंग और न्यूरोबायोलॉजी में आधुनिक अग्रिमों का सबसे अच्छा मूल्यांकन करने में मदद की। हमने निष्कर्ष निकाला कि ट्रांजिस्टर का उपयोग करके मानव मस्तिष्क के प्रांतस्था का एक सिलिकॉन संस्करण बनाना संभव है। इसके अलावा, अंतिम मशीन अंतरिक्ष में एक क्यूबिक मीटर से कम पर कब्जा करेगी और 100 वाट से कम खपत करेगी, जो मानव मस्तिष्क से अलग नहीं है।

मैं यह नहीं कहना चाहता कि ऐसा कंप्यूटर बनाना आसान होगा। हमने जिस प्रणाली का आविष्कार किया है, उसे विकास और निर्माण के लिए कई अरब डॉलर की आवश्यकता होगी, और इसे कॉम्पैक्टनेस देने के लिए इसमें कई नवीन नवाचार शामिल होंगे। सवाल यह भी उठता है कि हम ऐसे कंप्यूटर को कैसे प्रोग्राम करेंगे और प्रशिक्षित करेंगे। न्यूरोमोर्फिज्म के शोधकर्ता अभी भी यह समझने के लिए संघर्ष कर रहे हैं कि हजारों कृत्रिम न्यूरॉन्स कैसे एक साथ काम करते हैं और छद्म मस्तिष्क गतिविधि के लिए उपयोगी अनुप्रयोग कैसे खोजते हैं।

फिर भी, इस तथ्य के साथ कि हम इस तरह की प्रणाली के साथ आ सकते हैं, यह बताता है कि हमारे पास पोर्टेबल और पहनने योग्य इलेक्ट्रॉनिक्स में उपयोग के लिए उपयुक्त छोटे पैमाने के चिप्स की उपस्थिति नहीं थी। इस तरह के गैजेट बहुत कम ऊर्जा की खपत करते हैं, इसलिए उच्च ऊर्जा दक्षता के साथ एक न्यूरोमोर्फिक चिप - भले ही यह गणना का केवल एक हिस्सा लेता है, कहते हैं, सिग्नल प्रोसेसिंग - क्रांतिकारी बन सकता है। मौजूदा विशेषताएं, जैसे कि भाषण मान्यता, शोर वातावरण में काम कर सकती हैं। तुम भी दो लोगों के बीच एक बातचीत में वास्तविक समय भाषण अनुवाद के भविष्य के स्मार्टफोन की कल्पना कर सकते हैं। इस बारे में सोचें: सिग्नल प्रोसेसिंग के लिए एकीकृत सर्किट के आगमन के बाद से 40 वर्षों में, मूर के कानून ने लगभग 1,000 गुना ऊर्जा दक्षता में सुधार किया है। बहुत दिमाग की तरह न्यूरोमॉर्फिक चिप्स इन सुधारों को आसानी से पार कर सकते हैं, ऊर्जा की खपत को 100 मिलियन गुना कम कर सकते हैं। नतीजतन, गणना जो पहले आपके हाथ की हथेली में एक डेटा सेंटर फिट की आवश्यकता थी।

मस्तिष्क के करीब पहुंचने वाली एक आदर्श मशीन में, मस्तिष्क के सभी मुख्य कार्यात्मक घटकों के एनालॉग्स को फिर से बनाना आवश्यक होगा: सिंकैप्स जो न्यूरॉन्स को जोड़ते हैं और उन्हें संकेतों को प्राप्त करने और प्रतिक्रिया करने की अनुमति देते हैं; आने वाली संकेतों के आधार पर स्थानीय गणनाओं का संयोजन और संचालन करना; नाभिक, या सोम, प्रत्येक न्यूट्रॉन का क्षेत्र है, डेंड्राइट्स से इनपुट को संयोजित करता है और आउटपुट को अक्षतंतु में प्रेषित करता है।

इन बुनियादी घटकों के सरलतम संस्करण पहले से ही सिलिकॉन में लागू हैं। इस काम की शुरुआत एक ही धातु-ऑक्साइड-अर्धचालक, या एमओएसएफईटी द्वारा दी गई थी, जिनमें से लाखों प्रतियां आधुनिक डिजिटल प्रोसेसर में लॉजिक सर्किट बनाने के लिए उपयोग की जाती हैं।

इन उपकरणों में न्यूरॉन्स के साथ बहुत कुछ है। न्यूरॉन्स वोल्टेज नियंत्रित बाधाओं के माध्यम से काम करते हैं, और उनकी विद्युत और रासायनिक गतिविधि मुख्य रूप से उन चैनलों पर निर्भर करती है जिनमें आयन कोशिका के आंतरिक और बाहरी स्थानों के बीच चलते हैं। यह एक चिकनी, एनालॉग प्रक्रिया है जिसमें सिग्नल के निरंतर संचय या कमी होती है, बजाय सरल / बंद संचालन के।

MOSFETs भी वोल्टेज नियंत्रित करते हैं और व्यक्तिगत चार्ज इकाइयों के आंदोलनों द्वारा संचालित होते हैं। और जब MOSFETs "थ्रेशोल्ड" मोड में काम करते हैं, तो वोल्टेज थ्रेशोल्ड तक पहुंचने के बिना, ऑन और ऑफ मोड को स्विच किए बिना, डिवाइस के माध्यम से बहने वाली वर्तमान की मात्रा बहुत कम है - वर्तमान के एक हजारवें हिस्से से कम है जो ठेठ स्विच या डिजिटल गेट में पाया जा सकता है।

यह विचार कि सबथ्रेशल्ड ट्रांजिस्टर की भौतिकी का उपयोग मस्तिष्क के सर्किट बनाने के लिए किया जा सकता है, कैल्टेक के कार्वर मीड द्वारा व्यक्त किया गया था, जिन्होंने 1970 के दशक में सुपर-बड़े एकीकृत सर्किट के क्षेत्र में क्रांति में योगदान दिया था। मिल ने बताया कि चिप डिजाइनर अपने व्यवहार के कई दिलचस्प पहलुओं का उपयोग नहीं करते थे, विशेष रूप से डिजिटल लॉजिक के लिए ट्रांजिस्टर का उपयोग करते थे। यह प्रक्रिया, जैसा कि उन्होंने 1990 में लिखा था , यह इस तथ्य के समान है कि "ट्रांजिस्टर में मौजूद सभी सुंदर भौतिकी को शून्य और लोगों को कुचल दिया जाता है, और फिर AND और OR गेट्स को बहुतायत को फिर से बनाने के लिए इस आधार पर दर्दनाक रूप से बनाया जाता है।" एक अधिक "भौतिक" या भौतिकी-आधारित कंप्यूटर एक पारंपरिक डिजिटल की तुलना में ऊर्जा की प्रति यूनिट अधिक गणना कर सकता है। मीड ने भविष्यवाणी की कि ऐसा कंप्यूटर कम जगह लेगा।

बाद के वर्षों में, न्यूरोमॉर्फिक सिस्टम के इंजीनियरों ने सिलिकॉन से उच्च जैविक सटीकता के साथ मस्तिष्क के सभी बुनियादी ब्लॉक बनाए। डेंड्राइट्स, एक्सोन और न्यूरॉन सोम को मानक ट्रांजिस्टर और अन्य तत्वों से बनाया जा सकता है। उदाहरण के लिए, 2005 में, एथन फ़ार्क्वर और मैंने छह MOSFET के सेट और कैपेसिटर का एक गुच्छा से एक न्यूरल सर्किट बनाया । हमारे मॉडल ने विद्युत आवेगों को उत्सर्जित किया, जो कि कैटफ़िश न्यूरॉन स्क्वीड का उत्सर्जन करते हैं, प्रयोगों के एक लंबे समय से चलने वाले ऑब्जेक्ट के समान है। इसके अलावा, हमारी योजना ने वर्तमान और ऊर्जा खपत के स्तर के साथ ऐसे संकेतक हासिल किए हैं जो विद्रूप मस्तिष्क में विद्यमान हैं। यदि हम इस व्यवहार का वर्णन करने के लिए न्यूरोसाइंटिस्ट द्वारा प्राप्त समीकरणों को मॉडल करने के लिए एनालॉग सर्किट का उपयोग करना चाहते हैं, तो हमें 10 गुना अधिक ट्रांजिस्टर का उपयोग करना होगा। डिजिटल कंप्यूटर पर ऐसी गणना करने पर और भी अधिक स्थान की आवश्यकता होगी।


Synapses और कैटफ़िश: एक फ्लोटिंग गेट ट्रांजिस्टर (ऊपरी बाएँ), जो चार्ज की एक अलग राशि को संग्रहीत करने में सक्षम है, कृत्रिम सिंकैप्स (नीचे बाएं) का एक समन्वय सरणी बनाने के लिए उपयोग किया जा सकता है। न्यूरॉन के अन्य घटकों के इलेक्ट्रॉनिक संस्करण, जैसे कैटफ़िश (दाएं), मानक ट्रांजिस्टर और अन्य घटकों से बनाए जा सकते हैं।

Synapses अनुकरण करने के लिए थोड़ा कठिन हैं। एक सिंटैप की तरह व्यवहार करने वाला एक उपकरण यह याद रखने में सक्षम होना चाहिए कि वह किस स्थिति में है, आने वाले सिग्नल के लिए एक निश्चित तरीके से प्रतिक्रिया करें, और समय के साथ अपनी प्रतिक्रियाओं को अनुकूलित करें।

सिनैप्स बनाने के लिए कई संभावित दृष्टिकोण हैं। उनमें से सबसे विकसित एकल-ट्रांजिस्टर लर्निंग सिंटैप्स (एसटीएलएस) सिनाप्स है, जो कि कालटेक में मेरे सहयोगियों और मैंने 1990 के दशक में काम किया था, जब मैं मीड में स्नातक छात्र था।

हमने पहली बार 1994 में STLS की शुरुआत की थी, और यह आधुनिक एनालॉग सर्किट बनाने वाले इंजीनियरों के लिए एक महत्वपूर्ण उपकरण बन गया है - उदाहरण के लिए, भौतिक तंत्रिका नेटवर्क। तंत्रिका नेटवर्क में, नेटवर्क के प्रत्येक नोड का वजन इसके साथ जुड़ा होता है, और ये भार निर्धारित करते हैं कि विभिन्न नोड्स के डेटा को कैसे संयोजित किया जाता है। एसटीएलएस पहला उपकरण था जो मक्खी पर विभिन्न भार और पुनर्संरचना का एक सेट रखने में सक्षम था। इसके अलावा, डिवाइस गैर-वाष्पशील है, अर्थात यह अपने राज्य को याद रखता है, भले ही उपयोग में न हो - यह परिस्थिति ऊर्जा की आवश्यकता को काफी कम कर देती है।

एसटीएलएस एक प्रकार का फ्लोटिंग गेट ट्रांजिस्टर है, एक उपकरण जिसका उपयोग फ्लैश मेमोरी में सेल बनाने के लिए किया जाता है। एक पारंपरिक MOSFET में, गेट चैनल से गुजरने वाले वर्तमान को नियंत्रित करता है। फ्लोटिंग गेट ट्रांजिस्टर में इलेक्ट्रिक गेट और चैनल के बीच एक दूसरा गेट होता है। यह शटर सीधे पृथ्वी या किसी अन्य घटक से जुड़ा नहीं है। इस बिजली के इन्सुलेशन के लिए धन्यवाद, उच्च-गुणवत्ता वाले सिलिकॉन इन्सुलेटर के साथ प्रबलित, चार्ज लंबे समय तक फ्लोटिंग गेट में संग्रहीत किया जाता है। यह शटर एक अलग मात्रा में चार्ज करने में सक्षम है, और इसलिए कई स्तरों पर एक विद्युत प्रतिक्रिया दे सकता है - और यह एक कृत्रिम सिंक बनाने के लिए आवश्यक है जो उत्तेजना के प्रति इसकी प्रतिक्रिया को अलग कर सकता है।

मेरे सहकर्मियों और मैंने एसटीएलएस का उपयोग पहले समन्वित नेटवर्क, एक कम्प्यूटेशनल मॉडल को प्रदर्शित करने के लिए किया, जो नैनोडेविस शोधकर्ताओं के साथ लोकप्रिय है। द्वि-आयामी सरणी में, डिवाइस ऊपर से नीचे तक जाने वाली इनपुट लाइनों के चौराहे पर स्थित हैं और आउटपुट लाइनें बाएं से दाएं जा रही हैं। इस तरह का विन्यास इस मायने में उपयोगी है कि यह आपको सरणी के अन्य तत्वों के साथ हस्तक्षेप किए बिना, प्रत्येक "सिंकैप्स" के कनेक्टिंग फोर्स को अलग से प्रोग्राम करने की अनुमति देता है।

SyNAPSE नामक हालिया DARPA कार्यक्रम के लिए विशेष रूप से धन्यवाद, इंजीनियरिंग न्यूरोमोर्फिंग ने नैनोडेविसेस जैसे कि मेमिस्टर, प्रतिरोधक मेमोरी और चरण-राज्य मेमोरी, साथ ही फ्लोटिंग-गेट डिवाइसेज़ से बने कृत्रिम सिनेप्स पर शोध किया है। लेकिन ये नए कृत्रिम synapses बीस साल पहले एक अस्थायी शटर के साथ सरणियों के आधार पर सुधार करना मुश्किल होगा। संस्मरणकर्ता और अन्य प्रकार की नई मेमोरी को प्रोग्राम करना मुश्किल है। उनमें से कुछ की वास्तुकला ऐसी है कि एक समन्वय डिवाइस में एक विशिष्ट डिवाइस तक पहुंचना काफी मुश्किल है। दूसरों को प्रोग्रामिंग के लिए एक समर्पित ट्रांजिस्टर की आवश्यकता होती है, जो उनके आकार को महत्वपूर्ण रूप से बढ़ाता है। चूंकि फ्लोटिंग शटर के साथ मेमोरी को विभिन्न प्रकार के मानों के लिए प्रोग्राम किया जा सकता है, इसलिए अन्य नैनोडेविसेस की तुलना में डिवाइस से डिवाइस में उत्पादन विचलन की भरपाई के लिए समायोजित करना आसान है। कई अनुसंधान समूहों ने न्यूरोमॉर्फिक उपकरणों का अध्ययन किया था, नेनोडेविसेस को अपने डिजाइनों में शामिल करने की कोशिश की और परिणामस्वरूप फ्लोटिंग शटर उपकरणों का उपयोग शुरू हुआ।

और हम इन सभी मस्तिष्क जैसे घटकों को कैसे संयोजित करते हैं? मानव मस्तिष्क में, न्यूरॉन्स और सिनैप्स आपस में जुड़े होते हैं। न्यूरोमॉर्फिक चिप्स के डेवलपर्स को एक चिप पर सभी घटकों के प्लेसमेंट के साथ एक एकीकृत दृष्टिकोण भी चुनना होगा। लेकिन कई प्रयोगशालाओं में आपको यह नहीं मिलेगा: अनुसंधान परियोजनाओं के साथ काम करना आसान बनाने के लिए, अलग-अलग आधार इकाइयां विभिन्न स्थानों पर स्थित हैं। सिनैप्स को चिप के बाहर एक सरणी में रखा जा सकता है। कनेक्शन एक अन्य चिप के माध्यम से जा सकते हैं, एक उपयोगकर्ता प्रोग्राम गेट ऐरे (FPGA)।

लेकिन जब न्यूरोमोर्फिक सिस्टम को स्केल करते हैं, तो आपको यह सुनिश्चित करने की आवश्यकता होती है कि हम आधुनिक कंप्यूटरों की संरचना की नकल नहीं कर रहे हैं जो तर्क, स्मृति और भंडारण के बीच बिट्स को स्थानांतरित करके और ऊर्जा की एक महत्वपूर्ण मात्रा खो देते हैं। आज, एक कंप्यूटर आसानी से कंप्यूटिंग के लिए डेटा की तुलना में 10 गुना अधिक ऊर्जा का उपभोग कर सकता है।

मस्तिष्क, इसके विपरीत, संचालन के उच्च स्थानीयकरण के कारण संचार की ऊर्जा खपत को कम करता है। ब्रेन मेमोरी तत्व, जैसे कि सिंकैप पावर, सिग्नल-ट्रांसमिटिंग घटकों के साथ मिश्रित होते हैं। और मस्तिष्क के "तार" - डेंड्राइट्स और अक्षतंतु जो आने वाले संकेतों और आउटगोइंग आवेगों को प्रसारित करते हैं - आमतौर पर मस्तिष्क के आकार की तुलना में कम होते हैं, और उन्हें सिग्नल बनाए रखने के लिए बहुत अधिक ऊर्जा की आवश्यकता नहीं होती है। शरीर रचना विज्ञान से, हम जानते हैं कि 90% से अधिक न्यूरॉन्स केवल 1,000 पड़ोसी लोगों से जुड़ते हैं।

मस्तिष्क जैसे चिप्स और कंप्यूटर के रचनाकारों के लिए एक और बड़ा सवाल एल्गोरिदम है जो उन पर काम करना होगा। यहां तक ​​कि थोड़ा सा मस्तिष्क जैसा सिस्टम भी पारंपरिक डिजिटल पर एक बड़ा लाभ दे सकता है। उदाहरण के लिए, 2004 में, मेरे समूह ने सिग्नल प्रोसेसिंग में गुणन करने के लिए फ्लोटिंग-गेट डिवाइसेस का उपयोग किया, और इसमें एक डिजिटल प्रणाली की तुलना में 1,000 गुना कम ऊर्जा और 100 गुना कम स्थान लिया। वर्षों से, शोधकर्ताओं ने सिग्नल प्रोसेसिंग के लिए अन्य प्रकार के कंप्यूटिंग के लिए न्यूरोमाफिक दृष्टिकोणों का सफलतापूर्वक प्रदर्शन किया है।

लेकिन मस्तिष्क इन प्रणालियों की तुलना में अभी भी 100,000 गुना अधिक कुशल है। ऐसा इसलिए है क्योंकि यद्यपि हमारी वर्तमान न्यूरोमॉर्फिक प्रौद्योगिकियां ट्रांजिस्टर के न्यूरॉन जैसी भौतिकी का लाभ उठाती हैं, वे एल्गोरिदम का उपयोग नहीं करते हैं जैसे कि मस्तिष्क अपने काम करने के लिए उपयोग करता है।

आज हम इन भौतिक एल्गोरिदम की खोज शुरू कर रहे हैं - ऐसी प्रक्रियाएँ जो मस्तिष्क जैसी चिप्स को मस्तिष्क के करीब दक्षता के साथ काम करने में सक्षम बना सकती हैं। चार साल पहले, मेरे समूह ने एक शब्द-खोज एल्गोरिथ्म चलाने के लिए सिलिकॉन कैटफ़िश, सिनेप्स और डेन्ड्राइट्स का उपयोग किया था जो ऑडियो रिकॉर्डिंग में शब्दों को पहचानता है। इस एल्गोरिथ्म ने एनालॉग सिग्नल प्रोसेसिंग की तुलना में ऊर्जा दक्षता में एक हजार गुना सुधार दिखाया। नतीजतन, चिप्स पर लागू वोल्टेज को कम करके और छोटे ट्रांजिस्टर का उपयोग करके, शोधकर्ताओं को कई प्रकार के कंप्यूटिंग में मस्तिष्क के प्रदर्शन में तुलनीय चिप्स बनाना होगा।

जब मैंने 30 साल पहले न्यूरोमोर्फिज्म पर शोध शुरू किया था, तो सभी का मानना ​​था कि मस्तिष्क के समान प्रणालियों का विकास हमें अद्भुत अवसर प्रदान करेगा। दरअसल, अब पूरे उद्योग एआई और इन-डीप लर्निंग के आसपास बने हैं, और ये एप्लिकेशन हमारे मोबाइल उपकरणों, वित्तीय संस्थानों और सार्वजनिक स्थानों पर लोगों की बातचीत को पूरी तरह से बदलने का वादा करते हैं।

और फिर भी, ये अनुप्रयोग हमारे मस्तिष्क के कार्य के ज्ञान पर बहुत कम निर्भर करते हैं। अगले 30 वर्षों में, हम यह देखने में कोई संदेह नहीं कर पाएंगे कि इस ज्ञान का उपयोग कैसे किया जा रहा है। हमारे पास पहले से ही कई बुनियादी हार्डवेयर ब्लॉक हैं जो न्यूरोबायोलॉजी को कंप्यूटर में बदलने के लिए आवश्यक हैं। लेकिन हमें यह भी बेहतर ढंग से समझने की जरूरत है कि यह उपकरण कैसे काम करना चाहिए - और कौन सी कम्प्यूटेशनल योजनाएं सबसे अच्छा परिणाम देंगी।

इसे कॉल टू एक्शन मानें। हमने मस्तिष्क के बहुत अनुमानित मॉडल का उपयोग करके बहुत कुछ हासिल किया है। लेकिन तंत्रिका विज्ञान हमें अधिक जटिल मस्तिष्क जैसे कंप्यूटर बनाने के लिए नेतृत्व कर सकता है। और इन नए कंप्यूटरों को बनाने के तरीके को समझने के लिए हमारे मस्तिष्क का उपयोग करने से बेहतर क्या हो सकता है?