মেমোরিতে অ্যানালগ কম্পিউটিং: এআই-এর শক্তি খরচ কমানোর বাজি

এর অপ্রতিরোধ্য উন্নয়ন কৃত্রিম বুদ্ধিমত্তা এর সাথে এমন একটি সমস্যাও যুক্ত হয়েছে যা শিল্পকে ক্রমশ উদ্বিগ্ন করে তুলছে: উচ্চ শক্তি খরচ যার মধ্যে প্রশিক্ষণ এবং বৃহৎ মডেলের ব্যাপক ব্যবহার উভয়ই জড়িত। ChatGPT-ধরণের সিস্টেমে একটি জটিল কোয়েরি একটি গড় পরিবারের দ্বারা ব্যবহৃত বিদ্যুৎ খরচের সমান পরিমাণ বিদ্যুৎ খরচ করতে পারে। এক মিনিটে মার্কিন যুক্তরাষ্ট্র, এমন একটি সংখ্যা যা কোটি কোটি অনুরোধ দ্বারা গুণিত হলে, পরিবেশগত প্রভাব নাটকীয়ভাবে বৃদ্ধি পায়।

এই পরিস্থিতিতে, গবেষক এবং প্রযুক্তি কোম্পানিগুলি একটি অর্জনের উপায় খুঁজছে AI অনেক বেশি দক্ষ এবং টেকসইযেসব বিকল্প জনপ্রিয়তা পাচ্ছে, তার মধ্যে নিম্নলিখিতগুলি উল্লেখযোগ্য: মেমোরিতে অ্যানালগ কম্পিউটিং (AIMC), একটি পদ্ধতি যা চিপস তথ্য সংরক্ষণ এবং প্রক্রিয়াকরণের পদ্ধতিতে মৌলিক পরিবর্তন আনার প্রস্তাব করে।

ইন-মেমোরি অ্যানালগ কম্পিউটিং কী এবং কেন এটি যুগান্তকারী পরিবর্তন আনতে পারে?

আজকের ডিজিটাল আর্কিটেকচারে, ডেটা ক্রমাগত এর মধ্যে স্থানান্তরিত হচ্ছে মেমোরি এবং প্রসেসিং ইউনিটএই এদিক-ওদিক যোগাযোগের ফলে সময় এবং সর্বোপরি প্রচুর শক্তি ব্যয় হয়। মেমোরিতে অ্যানালগ কম্পিউটিং ঠিক বিপরীত সমস্যা তৈরি করে: তথ্য একই জায়গায় থাকে যখন এআই মডেলগুলি চালানোর জন্য প্রয়োজনীয় গাণিতিক ক্রিয়াকলাপগুলি সম্পাদিত হয়।

এটি অর্জনের জন্য, AIMC অবলম্বন করে অ্যানালগ চিপ যা সংরক্ষণ এবং গণনা করতে সক্ষম যৌথভাবে, সরাসরি হার্ডওয়্যারের ভৌত বৈশিষ্ট্যগুলিকে কাজে লাগাচ্ছে। শুধুমাত্র সুনির্দিষ্ট শূন্য এবং এক দিয়ে তথ্য উপস্থাপন করার পরিবর্তে, সিস্টেমটি ক্রিয়াকলাপ সম্পাদনের জন্য অবিচ্ছিন্ন সংকেত এবং উপকরণের বৈদ্যুতিক বৈশিষ্ট্য ব্যবহার করে।

গবেষকের নেতৃত্বে সাম্প্রতিক কাজ অনুসারে তিয়ানি চেন, এর দলগুলির সহযোগিতায় আইবিএম এবং Rensselaer Polytechnic ইনস্টিটিউটএই পদ্ধতির মাধ্যমে হাজার গুণ পর্যন্ত শক্তি খরচ কমানো প্রচলিত ডিজিটাল প্ল্যাটফর্মের তুলনায়, বৃহৎ আকারের কৃত্রিম বুদ্ধিমত্তা মডেল চালানোর ক্ষমতা বজায় রেখে।

মূল কথা হলো, ক্রমাগত তথ্য স্থানান্তর না করে, সিস্টেমটি "পদার্থবিদ্যাকে কাজ করতে দিতে" পারে, তার নিজস্ব ব্যবহার করে বৈদ্যুতিক স্পন্দন এবং উপাদানের প্রতিক্রিয়া প্রায় তাৎক্ষণিকভাবে কার্যক্রম সমাধান করতে। এই দৃষ্টান্ত পরিবর্তনটি বিশেষভাবে আকর্ষণীয় তথ্যকেন্দ্রগুলো এবং ইউরোপে AI-এর নিবিড় ব্যবহার সহ অ্যাপ্লিকেশন, যেখানে শক্তি দক্ষতা একটি কৌশলগত বিষয় হয়ে উঠেছে।

কৃত্রিম বুদ্ধিমত্তার জন্য অ্যানালগ হার্ডওয়্যারের সুবিধা এবং সীমাবদ্ধতা

মেমোরিতে অ্যানালগ কম্পিউটিং কোনও নতুন ধারণা নয়। বহু বছর ধরেই জানা গেছে যে এই ধরণের হার্ডওয়্যার খুব দ্রুত এবং কম বিদ্যুৎ খরচে নির্দিষ্ট কিছু গণনা সম্পাদন করতে পারে, যা এটিকে একটি আকর্ষণীয় বিকল্প করে তোলে ইতিমধ্যে প্রশিক্ষিত মডেলগুলি থেকে অনুমানের গতি বাড়ানতবে, প্রশিক্ষণ পর্যায়ে এর প্রয়োগ এখন পর্যন্ত অনেক জটিল প্রমাণিত হয়েছে।

প্রধান বাধা হলো অ্যানালগ হার্ডওয়্যারের অন্তর্নিহিত ত্রুটিগুলিমডেল প্যারামিটার আপডেট করার পালসগুলি এক অপারেশন থেকে অন্য অপারেশনে সামান্য পরিবর্তিত হতে পারে, বৈদ্যুতিক শব্দ দেখা দিতে পারে, অথবা ছোটখাটো বিচ্যুতি ঘটতে পারে যা জমা হলে, শেখার মানের ক্ষতি করে। এই আচরণ ডিজিটাল হার্ডওয়্যারের নির্ভুলতা এবং পুনরাবৃত্তিযোগ্যতার সাথে বিপরীত, যেখানে অপারেশনগুলি নিয়ন্ত্রণ করা সহজ।

বাস্তবে, এই সীমাবদ্ধতাগুলি অনুবাদ করা হয়েছে ভুল গ্রেডিয়েন্ট এবং অস্থির প্রশিক্ষণএই দুটি সমস্যার কারণে ক্লাসিক মেশিন লার্নিং অ্যালগরিদমগুলিকে কেবল অ্যানালগ চিপে স্থানান্তর করা অবাস্তব হয়ে পড়েছিল। এর সম্ভাবনা থাকা সত্ত্বেও, AIMC-কে খুব নির্দিষ্ট কাজে নিযুক্ত করা হয়েছিল, যা বৃহৎ মডেলগুলিকে নির্ভরযোগ্যভাবে প্রশিক্ষণ দেওয়ার লক্ষ্য থেকে অনেক দূরে ছিল।

চেনের দলের কাজ ঠিক এই বিষয়টির উপর কেন্দ্রীভূত: কীভাবে অ্যানালগ হার্ডওয়্যারের চরম দক্ষতা এআই মডেলগুলির গুণমান এবং সাধারণীকরণযোগ্যতা বজায় রাখার জন্য প্রয়োজনীয় নির্ভুলতাকে ত্যাগ না করে। প্রস্তাবটিতে প্রশিক্ষণ অ্যালগরিদমগুলিকে এই ভৌত ব্যবস্থাগুলির বাস্তব-বিশ্বের বৈশিষ্ট্যের সাথে গভীরভাবে অভিযোজিত করার কথা বলা হয়েছে।

অবশিষ্ট শিক্ষণ: ব্যাকপ্রোপ্যাগেশনের একটি অ্যানালগ সংস্করণ

নির্ভুলতার সমস্যাগুলি কাটিয়ে ওঠার জন্য, গবেষণা দলটি একটি তৈরি করেছে ব্যাকপ্রোপ্যাগেশন অ্যালগরিদমের অ্যানালগ পুনর্গঠনগভীর নিউরাল নেটওয়ার্ক প্রশিক্ষণের জন্য সবচেয়ে ব্যাপক কৌশল। এই রূপটির নামকরণ করা হয়েছে অবশিষ্ট শিক্ষা, এমন একটি নাম যা প্যারামিটার আপডেট প্রক্রিয়ার সময় ঘটে যাওয়া ত্রুটিগুলি ক্রমাগত সংশোধন করার ধারণাকে বোঝায়।

পদ্ধতিটি একটি প্রবর্তন করে নিয়ন্ত্রণের অতিরিক্ত স্তর এটি প্রতিটি প্রশিক্ষণ কার্যক্রমে হার্ডওয়্যার আসলে কীভাবে সাড়া দেয় তা পর্যবেক্ষণ করে। এই তথ্যের উপর ভিত্তি করে, সিস্টেমটি গ্রেডিয়েন্টগুলি সামঞ্জস্য করে এবং শব্দ, অনিয়মিত স্পন্দন বা অন্য কোনও শারীরিক অপূর্ণতার কারণে সৃষ্ট বিচ্যুতির জন্য ক্ষতিপূরণ দেয়, যাতে শেখা সঠিক পথে থাকে।

এই কৌশলের মাধ্যমে, অ্যানালগ চিপগুলিতে প্রশিক্ষিত মডেলগুলি একটি অর্জন করে ডিজিটাল প্ল্যাটফর্মে প্রাপ্ত নির্ভুলতার খুব কাছাকাছিকিন্তু শক্তি ব্যয়ের একটি ভগ্নাংশের সাথে। মূলত, অ্যালগরিদম স্বীকার করে যে হার্ডওয়্যারটি নিখুঁত নয় এবং সেই ত্রুটিগুলি উপেক্ষা করার চেষ্টা করার পরিবর্তে সেই ত্রুটিগুলির সাথে সহাবস্থান করার জন্য ডিজাইন করা হয়েছে।

দলটি যুক্তি দেয় যে এই পদ্ধতিটি কেবল প্রশিক্ষণের স্থিতিশীলতা উন্নত করে না, বরং এর জন্য আরও নিয়মতান্ত্রিক কাঠামোও প্রবর্তন করে নিরপেক্ষতা এবং পরিসংখ্যানগত আচরণ নিয়ন্ত্রণ করা অ্যানালগ পরিবেশে মডেলের ব্যবহার। সংবেদনশীল অ্যাপ্লিকেশন বিবেচনা করার সময় এটি বিশেষভাবে প্রাসঙ্গিক, যেখানে পক্ষপাত বা ভবিষ্যদ্বাণী ত্রুটির উল্লেখযোগ্য পরিণতি হতে পারে।

নিউরআইপিএস-এ উপস্থাপনা এবং বৈজ্ঞানিক সম্প্রদায়ের প্রতিক্রিয়া

এই কাজের ফলাফলগুলি বিশিষ্টভাবে উপস্থাপিত হয়েছিল নিউরাল ইনফরমেশন প্রসেসিং সিস্টেম (নিউরআইপিএস) সম্পর্কিত বার্ষিক সম্মেলনকৃত্রিম বুদ্ধিমত্তার উপর শীর্ষস্থানীয় আন্তর্জাতিক ফোরামগুলির মধ্যে একটি। ডিসেম্বরে অনুষ্ঠিত এই উপস্থাপনাটি ডিজিটাল হার্ডওয়্যারের ক্রমবর্ধমান উন্নতির উপর নির্ভর না করেই শক্তি সমস্যা মোকাবেলায় একটি সুনির্দিষ্ট পদ্ধতি প্রদর্শন করে আগ্রহ তৈরি করেছিল।

সম্প্রদায়ের কাছে সবচেয়ে মূল্যবান দিকগুলির মধ্যে রয়েছে এর সমন্বয় মেশিন লার্নিং তত্ত্ব এবং সার্কিট ডিজাইনএটি এমন একটি ক্ষেত্র যেখানে বিশ্ববিদ্যালয় এবং আইবিএমের মতো কোম্পানিগুলির মধ্যে সহযোগিতা গুরুত্বপূর্ণ। গবেষণাটি কম্পিউটার বিজ্ঞান, পদার্থবিদ্যা এবং ইলেকট্রনিক ইঞ্জিনিয়ারিংয়ের সংযোগস্থলে অবস্থিত, এমন একটি ক্ষেত্র যেখানে খুব সক্রিয় ইউরোপীয় কেন্দ্রগুলিও রয়েছে।

যদিও পরীক্ষামূলক উন্নয়নের বেশিরভাগই মার্কিন যুক্তরাষ্ট্রে সম্পন্ন হয়েছে, তবে এর সম্ভাব্য প্রভাব স্পষ্টতই বিশ্বব্যাপী। ইউরোপীয় ইউনিয়নজ্বালানি খরচ এবং নির্গমনের উপর ক্রমবর্ধমান কঠোর নিয়ন্ত্রণের সাপেক্ষে, বিশ্ব এই ধরণের অগ্রগতির উপর নিবিড় নজর রাখছে, যা AI গ্রহণে বাধা না দিয়ে কার্বন হ্রাস লক্ষ্যমাত্রা অর্জনে সহায়তা করতে পারে।

গবেষণার লেখকদের মতে, সামনের দিকে এগিয়ে যাওয়ার পথ হল প্রোটোটাইপগুলিকে আরও বাড়ানো, বিদ্যমান অবকাঠামোর সাথে পদ্ধতিকে একীভূত করা এবং ওপেন সোর্স মডেলের সাথে পারফরম্যান্সের তুলনা করুন গবেষণা সম্প্রদায়ের দ্বারা ব্যাপকভাবে ব্যবহৃত, যা আরও স্বচ্ছ তুলনা সহজতর করবে।

ব্যবহারিক প্রয়োগ: ডেটা সেন্টার থেকে শুরু করে চিকিৎসা ডিভাইস পর্যন্ত

যদি অ্যানালগ ইন-মেমোরি কম্পিউটিং প্রতিষ্ঠিত হয়, তাহলে এর প্রভাব অনেক দৈনন্দিন ক্ষেত্রেই অনুভূত হতে পারে। প্রথমত, এটি বৃহৎ ডেটা সেন্টার যা ক্লাউড পরিষেবা এবং এআই-ভিত্তিক সহকারীদের শক্তি যোগাবে, যার ফলে এই সিস্টেমগুলির সাথে সম্পর্কিত অপারেটিং খরচ এবং বিদ্যুৎ বিল হ্রাস পাবে।

কিন্তু সবচেয়ে উল্লেখযোগ্য পরিবর্তনগুলির মধ্যে একটি ঘটবে সেই পরিবেশে যেখানে উপলব্ধ শক্তি খুবই সীমিত। আমরা কথা বলছি ইমপ্লান্টযোগ্য বা বহনযোগ্য চিকিৎসা ডিভাইসপরিধেয় প্রযুক্তি, কারখানাগুলিতে বিতরণ করা সেন্সর অথবা গুরুত্বপূর্ণ অবকাঠামো, এবং স্বায়ত্তশাসিত রোবট যাদের কম ব্যাটারি দিয়ে দীর্ঘ সময় ধরে কাজ করতে হয়।

এই পরিস্থিতিতে, ন্যূনতম বিদ্যুৎ খরচ সহ স্থানীয়ভাবে মডেলগুলিকে প্রশিক্ষণ বা পুনর্বিন্যাস করতে সক্ষম চিপ থাকা, বর্তমানে অবাস্তব অ্যাপ্লিকেশনগুলির দরজা খুলে দেবে। উদাহরণস্বরূপ, এমন সিস্টেম যা রোগীর কাছ থেকে শেখে চিকিৎসা গ্রহণ করুন অথবা গুরুত্বপূর্ণ লক্ষণগুলি পর্যবেক্ষণ করুন ক্লাউডে সমস্ত ডেটা না পাঠিয়ে আরও ব্যক্তিগতকৃত উপায়ে।

শিল্প খাতে, সেন্সর এবং রোবট নেটওয়ার্কের প্রান্তে আরও জটিল সিদ্ধান্ত নিতে পারে, যা একটি আরও সূক্ষ্ম এবং নমনীয় অটোমেশন দূরবর্তী সার্ভারের উপর ক্রমাগত নির্ভর করার প্রয়োজন ছাড়াই। এটি ইউরোপীয় ডিজিটালাইজেশন কৌশল এবং গুরুত্বপূর্ণ পরিষেবার জন্য বহিরাগত অবকাঠামোর উপর নির্ভরতা হ্রাস করার প্রতিশ্রুতির সাথে সামঞ্জস্যপূর্ণ।

শেষ ব্যবহারকারীর দৃষ্টিকোণ থেকে, উন্নতিটি ডিভাইসগুলিতে অনুবাদ করতে পারে যার সাথে ব্যাটারির আয়ু বেশি এবং অবিচ্ছিন্ন সংযোগের প্রয়োজন কমএটি এমন একটি দিক যা দৈনন্দিন জীবনে যতটা ব্যবহারিক, ততটাই অদৃশ্য: ব্যবহারের দিক থেকে সিস্টেমটি কেবল দীর্ঘ সময় ধরে এবং আরও নীরবে কাজ করবে।

ইউরোপের পরবর্তী পদক্ষেপ এবং সম্ভাবনা

তিয়ানয়ি চেনের নেতৃত্বাধীন দল ইতিমধ্যেই এই পদ্ধতিটি সম্প্রসারণের ইচ্ছা প্রকাশ করেছে অবশিষ্ট শিক্ষা বিস্তৃত পরিসরে ওপেন সোর্স মডেলএটি অন্যান্য গোষ্ঠীগুলিকে ফলাফল পুনরুত্পাদন করতে এবং বিভিন্ন ধরণের অ্যানালগ হার্ডওয়্যারের সাথে অভিযোজিত নতুন রূপগুলি অন্বেষণ করার অনুমতি দেবে।

একই সাথে, সম্ভব শিল্পের সাথে সহযোগিতা এই ধারণাগুলিকে বাণিজ্যিক প্ল্যাটফর্মগুলিতে একীভূত করা। এই পর্যায়টি নির্ধারণের মূল বিষয় হবে যে অ্যানালগ ইন-মেমোরি কম্পিউটিং বর্তমানে বাজারে আধিপত্য বিস্তারকারী উচ্চ-কার্যক্ষমতাসম্পন্ন ডিজিটাল সমাধানগুলির সাথে সরাসরি প্রতিযোগিতা করতে পারে কিনা।

ইউরোপে, যেখানে শক্তিশালীকরণের আগ্রহ ক্রমবর্ধমান প্রযুক্তিগত সার্বভৌমত্ব এবং শক্তি দক্ষতাAIMC উর্বর ভূমি খুঁজে পেতে পারে। পরবর্তী প্রজন্মের চিপস, সুপারকম্পিউটিং অবকাঠামো এবং কম-শক্তির AI প্রকল্পগুলির সাথে সম্পর্কিত উদ্যোগগুলি এই ধরণের উন্নয়নে সঞ্চিত অভিজ্ঞতা থেকে উপকৃত হতে পারে।

একই সাথে, গুরুত্বপূর্ণ চ্যালেঞ্জগুলি সমাধান করা বাকি থাকবে, যেমন নির্ভরযোগ্য অ্যানালগ হার্ডওয়্যারের বৃহৎ পরিসরে উৎপাদন, উন্নয়ন সরঞ্জামগুলির মানসম্মতকরণ এবং ডিভাইসের পদার্থবিদ্যা এবং গভীর শিক্ষার অ্যালগরিদমের মধ্যে মসৃণভাবে চলতে সক্ষম প্রযুক্তিগত প্রোফাইলগুলির প্রশিক্ষণ।

প্রতিযোগিতামূলক কর্মক্ষমতা বজায় রেখে কৃত্রিম বুদ্ধিমত্তার সাথে সম্পর্কিত শক্তি খরচ কমানোর জন্য ইন-মেমোরি অ্যানালগ কম্পিউটিং নিজেকে সবচেয়ে গুরুতর বিকল্পগুলির মধ্যে একটি হিসাবে প্রতিষ্ঠিত করছে। গবেষণা এবং স্থাপনার পরবর্তী পর্যায়গুলি যদি প্রাথমিক প্রতিশ্রুতিগুলি নিশ্চিত করে, এটি প্রযুক্তিগত ধাঁধার একটি প্রাসঙ্গিক অংশ হয়ে উঠতে পারে যার সাথে ইউরোপ এবং বিশ্বের বাকি অংশ টেকসইতা এবং নির্গমন হ্রাসের লক্ষ্যের সাথে AI এর সম্প্রসারণকে সামঞ্জস্যপূর্ণ করার চেষ্টা করছে।