একটি নতুন ফটোনিক কম্পিউটার চিপ এআই শক্তি খরচ কমাতে আলো ব্যবহার করে

এআই মডেলগুলো পাওয়ার হগস.

অ্যালগরিদমগুলি বেড়ে ওঠার সাথে সাথে আরও জটিল হয়ে উঠছে, তারা ক্রমবর্ধমানভাবে বর্তমান কম্পিউটার চিপগুলিকে ট্যাক্স করছে৷ পাওয়ার ড্র কমাতে একাধিক কোম্পানি এআই-এর জন্য তৈরি চিপ ডিজাইন করেছে। কিন্তু এগুলো সবই একটি মৌলিক নিয়মের উপর ভিত্তি করে—তারা বিদ্যুৎ ব্যবহার করে।

এই মাসে, চীনের সিংহুয়া বিশ্ববিদ্যালয়ের একটি দল রেসিপিটি পরিবর্তন করেছে। তারা একটি নিউরাল নেটওয়ার্ক চিপ তৈরি করা হয়েছে যেটি শক্তি খরচের একটি ভগ্নাংশে এআই কাজ চালানোর জন্য বিদ্যুতের পরিবর্তে আলো ব্যবহার করে NVIDIA এর H100, একটি অত্যাধুনিক চিপ যা AI মডেলগুলিকে প্রশিক্ষণ এবং চালানোর জন্য ব্যবহৃত হয়৷

তাইচি নামে পরিচিত, চিপটি তার অভ্যন্তরীণ কাঠামোতে দুটি ধরণের আলো-ভিত্তিক প্রক্রিয়াকরণকে একত্রিত করে। আগের তুলনায় অপটিক্যাল চিপস, তাইচি তুলনামূলকভাবে সহজ কাজের জন্য অনেক বেশি নির্ভুল যেমন হাতে লেখা সংখ্যা বা অন্যান্য ছবি সনাক্ত করা। এর পূর্বসূরীদের থেকে ভিন্ন, চিপটিও কন্টেন্ট তৈরি করতে পারে। এটি ডাচ শিল্পী ভিনসেন্ট ভ্যান গঘের উপর ভিত্তি করে একটি শৈলীতে মৌলিক চিত্রগুলি তৈরি করতে পারে, উদাহরণস্বরূপ, বা জোহান সেবাস্টিয়ান বাখ দ্বারা অনুপ্রাণিত শাস্ত্রীয় সঙ্গীত সংখ্যা।

তাইচির দক্ষতার একটি অংশ এর গঠনের কারণে। চিপটি চিপলেট নামে একাধিক উপাদান দিয়ে তৈরি। মস্তিষ্কের সংগঠনের অনুরূপ, প্রতিটি চিপলেট সমান্তরালভাবে নিজস্ব গণনা করে, যার ফলাফলগুলি তারপর সমাধানে পৌঁছানোর জন্য অন্যদের সাথে একত্রিত হয়।

1,000 টিরও বেশি বিভাগের ছবিগুলিকে আলাদা করার একটি চ্যালেঞ্জিং সমস্যার সম্মুখীন হয়ে, তাইচি প্রায় 92 শতাংশ সময় সফল হয়েছিল, বর্তমান চিপের কার্যকারিতার সাথে মেলে, কিন্তু শক্তি খরচ এক হাজার গুণের বেশি কমিয়েছে।

এআই-এর জন্য, "আরো উন্নত কাজগুলির সাথে মোকাবিলা করার প্রবণতা [] অপরিবর্তনীয়," লেখক লিখেছেন। "তাইচি বৃহৎ-স্কেল ফোটোনিক [আলো-ভিত্তিক] কম্পিউটিং-এর পথ প্রশস্ত করে," যা কম শক্তি খরচ সহ আরও নমনীয় AI তৈরি করে৷

কাঁধে চিপ

আজকের কম্পিউটার চিপগুলি AI এর সাথে ভালভাবে মেশে না।

সমস্যার অংশ কাঠামোগত। প্রথাগত চিপগুলিতে প্রক্রিয়াকরণ এবং মেমরি শারীরিকভাবে পৃথক করা হয়। তাদের মধ্যে ডেটা শাটল করার জন্য প্রচুর পরিমাণে শক্তি এবং সময় লাগে।

তুলনামূলকভাবে সহজ সমস্যা সমাধানের জন্য দক্ষ হলেও, ChatGPT-কে শক্তি প্রদানকারী বৃহৎ ভাষার মডেলগুলির মতো জটিল এআই-এর ক্ষেত্রে সেটআপটি অবিশ্বাস্যভাবে শক্তির ক্ষুধার্ত।

প্রধান সমস্যা হল কিভাবে কম্পিউটার চিপ তৈরি করা হয়। প্রতিটি গণনা ট্রানজিস্টরের উপর নির্ভর করে, যা গণনায় ব্যবহৃত 0 এবং 1 সেকে উপস্থাপন করতে চালু বা বন্ধ করে। কয়েক দশক ধরে প্রকৌশলীরা নাটকীয়ভাবে ট্রানজিস্টরকে সঙ্কুচিত করেছে যাতে তারা চিপগুলিতে আরও বেশি ক্র্যাম করতে পারে। কিন্তু বর্তমান চিপ প্রযুক্তি একটি ব্রেকিং পয়েন্টের দিকে এগিয়ে চলেছে যেখানে আমরা ছোট হতে পারি না।

বিজ্ঞানীরা দীর্ঘদিন ধরে বর্তমান চিপগুলিকে পুনর্গঠন করার চেষ্টা করেছেন। মস্তিষ্কের দ্বারা অনুপ্রাণিত একটি কৌশল নির্ভর করে "সিনাপ্সেস" - জৈবিক "ডক" যা নিউরনকে সংযুক্ত করে - যা একই অবস্থানে তথ্য গণনা করে এবং সংরক্ষণ করে। এই মস্তিষ্ক-অনুপ্রাণিত, বা নিউরোমরফিক, চিপগুলি শক্তি খরচ কমিয়ে দেয় এবং গণনার গতি বাড়ায়। কিন্তু কারেন্ট চিপসের মতো তারা বিদ্যুতের উপর নির্ভর করে।

আরেকটি ধারণা হল সম্পূর্ণভাবে একটি ভিন্ন কম্পিউটিং প্রক্রিয়া ব্যবহার করা: আলো। "ফটোনিক কম্পিউটিং" হল "ক্রমবর্ধমান মনোযোগ আকর্ষণ করা," লেখক লিখেছেন। বিদ্যুত ব্যবহার করার পরিবর্তে, আলোর গতিতে AI শক্তিতে আলোক কণা হাইজ্যাক করা সম্ভব হতে পারে।

আলোকিত হোক

বিদ্যুৎ-ভিত্তিক চিপগুলির তুলনায়, আলো অনেক কম শক্তি ব্যবহার করে এবং একই সাথে একাধিক গণনা মোকাবেলা করতে পারে। এই বৈশিষ্ট্যগুলিতে ট্যাপ করে, বিজ্ঞানীরা অপটিক্যাল নিউরাল নেটওয়ার্ক তৈরি করেছেন যা বিদ্যুতের পরিবর্তে এআই চিপগুলির জন্য ফোটন-আলোর কণা ব্যবহার করে।

এই চিপ দুটি উপায়ে কাজ করতে পারে। একটিতে, চিপগুলি প্রকৌশলী চ্যানেলগুলিতে আলোক সংকেত ছড়িয়ে দেয় যা শেষ পর্যন্ত একটি সমস্যা সমাধানের জন্য রশ্মিকে একত্রিত করে। বিবর্তন বলা হয়, এই অপটিক্যাল নিউরাল নেটওয়ার্কগুলি কৃত্রিম নিউরনগুলিকে ঘনিষ্ঠভাবে একত্রিত করে এবং শক্তি খরচ কমিয়ে দেয়। কিন্তু তারা সহজে পরিবর্তন করা যাবে না, মানে তারা শুধুমাত্র একটি একক, সহজ সমস্যায় কাজ করতে পারে।

একটি ভিন্ন সেটআপ হস্তক্ষেপ নামক আলোর অন্য বৈশিষ্ট্যের উপর নির্ভর করে। সমুদ্রের তরঙ্গের মতো, হালকা তরঙ্গগুলি একে অপরকে একত্রিত করে এবং বাতিল করে। যখন একটি চিপে মাইক্রো-টানেলের ভিতরে, তারা একে অপরকে বৃদ্ধি বা বাধা দিতে সংঘর্ষ করতে পারে - এই হস্তক্ষেপের নিদর্শনগুলি গণনার জন্য ব্যবহার করা যেতে পারে। হস্তক্ষেপের উপর ভিত্তি করে চিপগুলি একটি ইন্টারফেরোমিটার নামক একটি ডিভাইস ব্যবহার করে সহজেই পুনরায় কনফিগার করা যেতে পারে। সমস্যা হল, তারা শারীরিকভাবে ভারী এবং প্রচুর শক্তি খরচ করে।

তারপর নির্ভুলতা সমস্যা আছে. এমনকি ভাস্কর্য চ্যানেলগুলিতে প্রায়ই হস্তক্ষেপ পরীক্ষা, আলো বাউন্স এবং ছিটকে পড়ার জন্য ব্যবহৃত হয়, যা গণনাকে অবিশ্বস্ত করে তোলে। একটি একক অপটিক্যাল নিউরাল নেটওয়ার্কের জন্য, ত্রুটিগুলি সহনীয়। কিন্তু বৃহত্তর অপটিক্যাল নেটওয়ার্ক এবং আরও অত্যাধুনিক সমস্যার সাথে, শব্দ দ্রুত বৃদ্ধি পায় এবং অসহনীয় হয়ে ওঠে।

এই কারণেই আলো-ভিত্তিক নিউরাল নেটওয়ার্কগুলি সহজে স্কেল করা যায় না। এখনও পর্যন্ত, তারা শুধুমাত্র মৌলিক কাজগুলি সমাধান করতে সক্ষম হয়েছে, যেমন সংখ্যা বা স্বরবর্ণ সনাক্ত করা।

"বিদ্যমান আর্কিটেকচারের স্কেলকে ম্যাগনিফাই করা আনুপাতিকভাবে পারফরম্যান্সের উন্নতি করবে না," দল লিখেছিল।

দ্বিমুখী সমস্যা

নতুন এআই, তাইচি, অপটিক্যাল নিউরাল নেটওয়ার্ককে বাস্তব-বিশ্ব ব্যবহারের দিকে ঠেলে দেওয়ার জন্য দুটি বৈশিষ্ট্যকে একত্রিত করেছে।

একটি একক নিউরাল নেটওয়ার্ক কনফিগার করার পরিবর্তে, দলটি একটি চিপলেট পদ্ধতি ব্যবহার করেছে, যা একটি কাজের বিভিন্ন অংশকে একাধিক কার্যকরী ব্লকে অর্পণ করেছে। প্রতিটি ব্লকের নিজস্ব শক্তি ছিল: একটি বিবর্তন বিশ্লেষণ করার জন্য সেট আপ করা হয়েছিল, যা অল্প সময়ের মধ্যে প্রচুর পরিমাণে ডেটা সংকুচিত করতে পারে। হস্তক্ষেপ প্রদানের জন্য অন্য একটি ব্লক ইন্টারফেরোমিটারের সাথে এমবেড করা হয়েছিল, যার ফলে কাজগুলির মধ্যে চিপটিকে সহজেই পুনরায় কনফিগার করা যায়।

গভীর শিক্ষার তুলনায়, তাইচি একটি "অগভীর" পদ্ধতি গ্রহণ করেছিলেন যার মাধ্যমে কাজটি একাধিক চিপলেট জুড়ে ছড়িয়ে পড়ে।

স্ট্যান্ডার্ড ডিপ লার্নিং স্ট্রাকচারের সাথে, ত্রুটিগুলি স্তর এবং সময় ধরে জমা হতে থাকে। এই সেটআপ সমস্যাগুলি নিপ করে যা কুঁড়িতে অনুক্রমিক প্রক্রিয়াকরণ থেকে আসে। কোনো সমস্যার সম্মুখীন হলে, তাইচি একাধিক স্বাধীন ক্লাস্টার জুড়ে কাজের চাপ বিতরণ করে, যার ফলে ন্যূনতম ত্রুটির সাথে বড় সমস্যাগুলি মোকাবেলা করা সহজ হয়।

কৌশল পরিশোধ বন্ধ.

তাইচির মোট 4,256টি কৃত্রিম নিউরনের গণনা ক্ষমতা রয়েছে, যার প্রায় 14 মিলিয়ন প্যারামিটার মস্তিষ্কের সংযোগগুলিকে অনুকরণ করে যা শেখার এবং স্মৃতিকে এনকোড করে। 1,000 বিভাগে ছবি বাছাই করার সময়, ফোটোনিক চিপটি প্রায় 92 শতাংশ নির্ভুল ছিল, "বর্তমানে জনপ্রিয় ইলেকট্রনিক নিউরাল নেটওয়ার্কগুলির সাথে তুলনীয়," দল লিখেছিল।

চিপটি অন্যান্য স্ট্যান্ডার্ড এআই ইমেজ-রিকগনিশন পরীক্ষায়ও পারদর্শী হয়েছে, যেমন বিভিন্ন বর্ণমালা থেকে হাতে লেখা অক্ষর সনাক্ত করা।

একটি চূড়ান্ত পরীক্ষা হিসাবে, দলটি বিভিন্ন শিল্পী এবং সঙ্গীতজ্ঞদের স্টাইলে বিষয়বস্তু উপলব্ধি এবং পুনরায় তৈরি করার জন্য ফটোনিক এআইকে চ্যালেঞ্জ করেছিল। বাখের সংগ্রহশালার সাথে প্রশিক্ষিত হলে, এআই অবশেষে সংগীতশিল্পীর পিচ এবং সামগ্রিক শৈলী শিখেছিল। একইভাবে, ভ্যান গগ বা এডভার্ড মুঞ্চের ছবি - বিখ্যাত চিত্রকর্মের পিছনের শিল্পী, আর্তনাদ—এআই-তে খাওয়ানোর ফলে এটি একই শৈলীতে ছবি তৈরি করতে দেয়, যদিও অনেকের কাছে বাচ্চাদের বিনোদনের মতো দেখায়।

অপটিক্যাল নিউরাল নেটওয়ার্কের এখনো অনেক কিছু বাকি আছে। কিন্তু বিস্তৃতভাবে ব্যবহার করা হলে, এগুলি বর্তমান এআই সিস্টেমের জন্য আরও শক্তি-দক্ষ বিকল্প হতে পারে। তাইচি আগের পুনরাবৃত্তির তুলনায় 100 গুণ বেশি শক্তি দক্ষ। কিন্তু চিপটিতে এখনও পাওয়ার এবং ডেটা ট্রান্সফার ইউনিটের জন্য লেজারের প্রয়োজন, যা ঘনীভূত করা কঠিন।

এরপরে, দলটি সহজেই উপলব্ধ মিনি লেজার এবং অন্যান্য উপাদানগুলিকে একক, সমন্বিত ফোটোনিক চিপে সংহত করার আশা করছে। ইতিমধ্যে, তারা আশা করে যে তাইচি "আরো শক্তিশালী অপটিক্যাল সমাধানগুলির বিকাশকে ত্বরান্বিত করবে" যা অবশেষে শক্তিশালী এবং শক্তি-দক্ষ AI এর "একটি নতুন যুগ" নিয়ে যেতে পারে।

চিত্র ক্রেডিট: spainter_vfx / Shutterstock.com

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
• প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
• উত্স: https://singularityhub.com/2024/04/15/a-new-photonic-computer-chip-uses-light-to-slash-ai-energy-costs/