নতুন চিপ এআই-এর সম্ভাবনাকে প্রসারিত করে

কৃত্রিম বুদ্ধিমত্তার অ্যালগরিদম তাদের বর্তমান গতিতে বাড়তে পারে না। গভীর নিউরাল নেটওয়ার্কের মতো অ্যালগরিদমগুলি - যা মস্তিষ্কের দ্বারা অনুপ্রাণিত হয়, কৃত্রিম নিউরনের একাধিক স্তর একে অপরের সাথে যুক্ত থাকে যাকে ওজন বলা হয় - প্রতি বছর বড় হয়৷ কিন্তু আজকাল, হার্ডওয়্যারের উন্নতিগুলি আর এই বিশাল অ্যালগরিদমগুলি চালানোর জন্য প্রয়োজনীয় প্রচুর পরিমাণে মেমরি এবং প্রক্রিয়াকরণ ক্ষমতার সাথে তাল মিলিয়ে চলছে না। শীঘ্রই, এআই অ্যালগরিদমের আকার একটি দেয়ালে আঘাত করতে পারে।

এবং এমনকি যদি আমরা AI এর চাহিদা মেটাতে হার্ডওয়্যারকে স্কেল করতে পারি, তবে আরেকটি সমস্যা আছে: ঐতিহ্যগত কম্পিউটারে সেগুলি চালানোর ফলে প্রচুর পরিমাণে শক্তি অপচয় হয়। বৃহৎ AI অ্যালগরিদম চালানোর ফলে উৎপন্ন উচ্চ কার্বন নিঃসরণ পরিবেশের জন্য ইতিমধ্যেই ক্ষতিকর, এবং অ্যালগরিদমগুলি আরও বিশাল আকার ধারণ করার ফলে এটি আরও খারাপ হবে।

নিউরোমর্ফিক কম্পিউটিং নামে একটি সমাধান, শক্তি-দক্ষ ডিজাইন তৈরি করতে জৈবিক মস্তিষ্ক থেকে অনুপ্রেরণা নেয়। দুর্ভাগ্যবশত, যদিও এই চিপগুলি শক্তি সংরক্ষণে ডিজিটাল কম্পিউটারগুলিকে ছাড়িয়ে যেতে পারে, তাদের একটি বিশাল গভীর নিউরাল নেটওয়ার্ক চালানোর জন্য প্রয়োজনীয় গণনা শক্তির অভাব রয়েছে৷ এটি এআই গবেষকদের উপেক্ষা করা সহজ করে তুলেছে।

যে অবশেষে আগস্টে পরিবর্তন, যখন উইয়ের ওয়ান, H.-S. ফিলিপ ওং, গের্ট কাউয়েনবার্গস এবং তাদের সহকর্মীরা একটি নতুন নিউরোমরফিক চিপ প্রকাশ করেছে NeuRRAM বলা হয় যেটিতে 3 মিলিয়ন মেমরি সেল এবং অ্যালগরিদম চালানোর জন্য এর হার্ডওয়্যারে তৈরি হাজার হাজার নিউরন অন্তর্ভুক্ত রয়েছে। এটি একটি অপেক্ষাকৃত নতুন ধরনের মেমরি ব্যবহার করে যাকে রেসিস্টিভ RAM বা RRAM বলা হয়। পূর্ববর্তী RRAM চিপগুলির বিপরীতে, NeuRRAM-কে আরও শক্তি এবং স্থান বাঁচাতে একটি অ্যানালগ ফ্যাশনে কাজ করার জন্য প্রোগ্রাম করা হয়েছে। যদিও ডিজিটাল মেমরি বাইনারি হয় — হয় একটি 1 বা একটি 0 — নিউআরআরএএম চিপে অ্যানালগ মেমরি কোষ সংরক্ষণ করে প্রতিটি সম্পূর্ণ ক্রমাগত পরিসরে একাধিক মান সঞ্চয় করতে পারে। এটি চিপকে একই পরিমাণ চিপ স্পেসে বিশাল AI অ্যালগরিদম থেকে আরও তথ্য সঞ্চয় করার অনুমতি দেয়।

ফলস্বরূপ, নতুন চিপটি ইমেজ এবং স্পিচ রিকগনিশনের মতো জটিল AI কাজগুলিতে ডিজিটাল কম্পিউটারের পাশাপাশি সম্পাদন করতে পারে এবং লেখকরা দাবি করেন যে এটি 1,000 গুণ বেশি শক্তি দক্ষ, ছোট চিপগুলি ক্রমবর্ধমান জটিল অ্যালগরিদম চালানোর সম্ভাবনা উন্মুক্ত করে। স্মার্ট ঘড়ি এবং ফোনের মতো AI এর জন্য আগে অনুপযুক্ত ছোট ডিভাইসের মধ্যে।

কাজের সাথে জড়িত নয় এমন গবেষকরা ফলাফল দ্বারা গভীরভাবে প্রভাবিত হয়েছেন। "এই কাগজটি বেশ অনন্য," বলেছেন ঝংরুই ওয়াং, হংকং বিশ্ববিদ্যালয়ের দীর্ঘদিনের RRAM গবেষক। "এটি বিভিন্ন স্তরে অবদান রাখে - ডিভাইস স্তরে, সার্কিট আর্কিটেকচার স্তরে এবং অ্যালগরিদম স্তরে।"

নতুন স্মৃতি তৈরি করা

ডিজিটাল কম্পিউটারে, এআই অ্যালগরিদম চালানোর সময় বিপুল পরিমাণ শক্তির অপচয় হয় একটি সাধারণ এবং সর্বব্যাপী ডিজাইনের ত্রুটির কারণে যা প্রতিটি একক গণনাকে অকার্যকর করে তোলে। সাধারণত, একটি কম্পিউটারের মেমরি - যা কম্পিউটেশনের সময় ডেটা এবং সাংখ্যিক মান ধারণ করে - প্রসেসর থেকে দূরে মাদারবোর্ডে স্থাপন করা হয়, যেখানে কম্পিউটিং হয়।

প্রসেসরের মাধ্যমে তথ্যের জন্য, "এটা এমন যে আপনি যাতায়াতে আট ঘন্টা ব্যয় করেন, কিন্তু আপনি দুই ঘন্টা কাজ করেন," ওয়ান বলেছেন, স্ট্যানফোর্ড ইউনিভার্সিটির প্রাক্তন কম্পিউটার বিজ্ঞানী যিনি সম্প্রতি এআই স্টার্টআপ আইজিপে চলে গিয়েছিলেন।

নতুন অল-ইন-ওয়ান চিপগুলির সাথে এই সমস্যার সমাধান করা যা মেমরি এবং গণনাকে একই জায়গায় রাখে। আমাদের মস্তিষ্ক কীভাবে তথ্য প্রক্রিয়া করতে পারে তার আরও কাছাকাছি, যেহেতু অনেক স্নায়ুবিজ্ঞানী বিশ্বাস করেন যে গণনা নিউরনের জনসংখ্যার মধ্যে ঘটে, যখন স্মৃতিগুলি তৈরি হয় যখন নিউরনের মধ্যে সিন্যাপেস তাদের সংযোগকে শক্তিশালী বা দুর্বল করে। কিন্তু এই ধরনের ডিভাইস তৈরি করা কঠিন প্রমাণিত হয়েছে, যেহেতু বর্তমান মেমরির ফর্ম প্রসেসরের প্রযুক্তির সাথে বেমানান।

কয়েক দশক আগে কম্পিউটার বিজ্ঞানীরা নতুন চিপ তৈরি করার জন্য উপকরণ তৈরি করেছিলেন যা কম্পিউটেশন সম্পাদন করে যেখানে মেমরি সংরক্ষণ করা হয় - একটি প্রযুক্তি যা কম্পিউট-ইন-মেমরি নামে পরিচিত। কিন্তু ঐতিহ্যবাহী ডিজিটাল কম্পিউটারগুলি এত ভাল পারফরম্যান্স করে, এই ধারণাগুলি কয়েক দশক ধরে উপেক্ষিত ছিল।

স্ট্যানফোর্ডের একজন অধ্যাপক ওং বলেছেন, "সেই কাজটি, বেশিরভাগ বৈজ্ঞানিক কাজের মতোই, এক প্রকার ভুলে গিয়েছিল।"

প্রকৃতপক্ষে, দী প্রথম এই ধরনের ডিভাইস কমপক্ষে 1964 সালের দিকে, যখন স্ট্যানফোর্ডের বৈদ্যুতিক প্রকৌশলীরা আবিষ্কার করেছিলেন যে তারা মেটাল অক্সাইড নামক নির্দিষ্ট কিছু পদার্থকে ম্যানিপুলেট করতে পারে, যাতে তারা বিদ্যুৎ সঞ্চালন করার ক্ষমতা চালু এবং বন্ধ করতে পারে। এটি তাৎপর্যপূর্ণ কারণ একটি উপাদানের দুটি অবস্থার মধ্যে স্যুইচ করার ক্ষমতা ঐতিহ্যগত মেমরি স্টোরেজের জন্য মেরুদণ্ড প্রদান করে। সাধারণত, ডিজিটাল মেমরিতে, উচ্চ ভোল্টেজের অবস্থা 1 এর সাথে এবং নিম্ন ভোল্টেজ 0 এর সাথে মিলে যায়।

স্টেট পরিবর্তন করার জন্য একটি RRAM ডিভাইস পেতে, আপনি মেটাল অক্সাইডের দুই প্রান্ত পর্যন্ত লাগানো মেটাল ইলেক্ট্রোড জুড়ে একটি ভোল্টেজ প্রয়োগ করুন। সাধারণত, ধাতব অক্সাইডগুলি অন্তরক, যার মানে তারা বিদ্যুৎ সঞ্চালন করে না। কিন্তু পর্যাপ্ত ভোল্টেজের সাথে, কারেন্ট তৈরি হয়, অবশেষে উপাদানটির দুর্বল দাগের মধ্য দিয়ে ধাক্কা দেয় এবং অন্য দিকে ইলেক্ট্রোডের জন্য একটি পথ তৈরি করে। একবার স্রোত ভেঙ্গে গেলে, এটি সেই পথ ধরে অবাধে প্রবাহিত হতে পারে।

ওং এই প্রক্রিয়াটিকে বজ্রপাতের সাথে তুলনা করেছেন: যখন মেঘের ভিতরে পর্যাপ্ত চার্জ তৈরি হয়, তখন এটি দ্রুত একটি কম-প্রতিরোধী পথ খুঁজে পায় এবং বজ্রপাত হয়। কিন্তু বজ্রপাতের বিপরীতে, যার পথ অদৃশ্য হয়ে যায়, ধাতব অক্সাইডের মধ্য দিয়ে পথটি অবশিষ্ট থাকে, যার অর্থ এটি অনির্দিষ্টকালের জন্য পরিবাহী থাকে। এবং উপাদানটিতে অন্য ভোল্টেজ প্রয়োগ করে পরিবাহী পথটি মুছে ফেলা সম্ভব। তাই গবেষকরা দুটি রাজ্যের মধ্যে একটি RRAM স্যুইচ করতে পারেন এবং ডিজিটাল মেমরি সংরক্ষণ করতে ব্যবহার করতে পারেন।

মধ্য শতাব্দীর গবেষকরা শক্তি-দক্ষ কম্পিউটিং-এর সম্ভাব্যতাকে চিনতে পারেননি, বা তারা যে ছোট অ্যালগরিদমের সাথে কাজ করছেন তার সাথে তাদের এখনও এটির প্রয়োজন ছিল না। 2000 এর দশকের গোড়ার দিকে, নতুন ধাতব অক্সাইড আবিষ্কারের সাথে গবেষকদের সম্ভাবনাগুলি উপলব্ধি করতে সময় লেগেছিল।

Wong, যিনি সেই সময়ে IBM-এ কর্মরত ছিলেন, স্মরণ করেন যে RRAM-তে কাজ করা একজন পুরস্কার বিজয়ী সহকর্মী স্বীকার করেছেন যে তিনি জড়িত পদার্থবিদ্যা পুরোপুরি বুঝতে পারেননি। "যদি সে এটি না বোঝে," ওং মনে করে মনে করে, "হয়তো আমার এটি বোঝার চেষ্টা করা উচিত নয়।"

কিন্তু 2004 সালে, স্যামসাং ইলেকট্রনিক্সের গবেষকরা ঘোষণা করেছিলেন যে তাদের ছিল সফলভাবে সংহত RRAM মেমরি একটি প্রথাগত কম্পিউটিং চিপের উপরে নির্মিত, এটি পরামর্শ দেয় যে একটি কম্পিউট-ইন-মেমরি চিপ অবশেষে সম্ভব হতে পারে। ওং অন্তত চেষ্টা করার সিদ্ধান্ত নিয়েছে।

AI-এর জন্য কম্পিউট-ইন-মেমরি চিপ

 এক দশকেরও বেশি সময় ধরে, Wong-এর মতো গবেষকরা RRAM প্রযুক্তিকে এমন জায়গায় গড়ে তুলতে কাজ করেছেন যেখানে এটি নির্ভরযোগ্যভাবে উচ্চ-ক্ষমতাসম্পন্ন কম্পিউটিং কাজগুলি পরিচালনা করতে পারে। 2015 সালের দিকে, কম্পিউটার বিজ্ঞানীরা বৃহৎ AI অ্যালগরিদমের জন্য এই শক্তি-দক্ষ ডিভাইসগুলির বিপুল সম্ভাবনাকে চিনতে শুরু করেছিলেন, যা শুরু হতে শুরু করেছিল। সে বছর ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়ের বিজ্ঞানীরা সান্তা বারবারা ড দেখিয়েছেন যে RRAM ডিভাইসগুলি একটি নতুন উপায়ে মেমরি সঞ্চয় করার চেয়ে আরও বেশি কিছু করতে পারে। তারা মৌলিক কম্পিউটিং কাজগুলি নিজেরাই সম্পাদন করতে পারে - একটি নিউরাল নেটওয়ার্কের কৃত্রিম নিউরনের মধ্যে সংঘটিত বেশিরভাগ গণনা সহ, যা সহজ ম্যাট্রিক্স গুণনের কাজ।

NeuRRAM চিপে, সিলিকন নিউরনগুলি হার্ডওয়্যারে তৈরি করা হয়, এবং RRAM মেমরি কোষগুলি ওজন সংরক্ষণ করে - মানগুলি নিউরনের মধ্যে সংযোগের শক্তিকে প্রতিনিধিত্ব করে। এবং যেহেতু NeuRRAM মেমরি কোষগুলি অ্যানালগ, তাই তারা যে ওজনগুলি সঞ্চয় করে তা প্রতিরোধের রাজ্যগুলির সম্পূর্ণ পরিসরের প্রতিনিধিত্ব করে যা ডিভাইসটি একটি উচ্চ-প্রতিরোধের অবস্থায় কম-প্রতিরোধের মধ্যে স্যুইচ করার সময় ঘটে। এটি ডিজিটাল RRAM মেমরির চেয়ে উচ্চতর শক্তি দক্ষতা সক্ষম করে কারণ চিপটি সমান্তরালভাবে অনেকগুলি ম্যাট্রিক্স কম্পিউটেশন চালাতে পারে — ডিজিটাল প্রসেসিং সংস্করণগুলির মতো একের পর এক লকস্টেপের পরিবর্তে।

কিন্তু যেহেতু এনালগ প্রসেসিং এখনও ডিজিটাল প্রসেসিং থেকে কয়েক দশক পিছিয়ে আছে, তাই এখনও অনেক সমস্যা আছে। একটি হল অ্যানালগ RRAM চিপগুলি অবশ্যই অস্বাভাবিকভাবে সুনির্দিষ্ট হতে হবে কারণ ফিজিক্যাল চিপের অসম্পূর্ণতা পরিবর্তনশীলতা এবং শব্দের পরিচয় দিতে পারে। (প্রথাগত চিপগুলির জন্য, শুধুমাত্র দুটি অবস্থার সাথে, এই অসম্পূর্ণতাগুলি প্রায় ততটা গুরুত্বপূর্ণ নয়।) এটি অ্যানালগ RRAM ডিভাইসগুলির জন্য AI অ্যালগরিদমগুলি চালানোর জন্য এটি উল্লেখযোগ্যভাবে কঠিন করে তোলে, যদি বলা হয়, একটি চিত্রের নির্ভুলতা স্বীকার করা ক্ষতিগ্রস্ত হবে যদি RRAM ডিভাইসের পরিবাহী অবস্থা প্রতিবার ঠিক একই রকম হয় না।

"যখন আমরা একটি আলোর পথের দিকে তাকাই, প্রতিবার এটি আলাদা হয়," ওয়াং বলেছেন। "সুতরাং এর ফলস্বরূপ, আরআরএএম একটি নির্দিষ্ট মাত্রার স্টোকাস্টিটি প্রদর্শন করে - প্রতিবার আপনি যখনই তাদের প্রোগ্রাম করেন তখন কিছুটা আলাদা হয়।" Wong এবং তার সহকর্মীরা প্রমাণ করেছেন যে RRAM ডিভাইসগুলি ক্রমাগত AI ওজন সঞ্চয় করতে পারে এবং এখনও ডিজিটাল কম্পিউটারের মতোই নির্ভুল হতে পারে যদি অ্যালগরিদমগুলি চিপের মুখোমুখি শব্দে অভ্যস্ত হওয়ার জন্য প্রশিক্ষিত হয়, একটি অগ্রিম যা তাদের NeuRRAM চিপ তৈরি করতে সক্ষম করে।

অন্য একটি বড় সমস্যা যা তাদের সমাধান করতে হয়েছিল বিভিন্ন নিউরাল নেটওয়ার্ক সমর্থন করার জন্য প্রয়োজনীয় নমনীয়তা জড়িত। অতীতে, চিপ ডিজাইনারদের বৃহত্তর সিলিকন নিউরনের পাশের একটি এলাকায় ছোট ছোট RRAM ডিভাইসগুলি সারিবদ্ধ করতে হয়েছিল। আরআরএএম ডিভাইস এবং নিউরনগুলি প্রোগ্রামযোগ্যতা ছাড়াই হার্ড-ওয়্যার্ড ছিল, তাই গণনা শুধুমাত্র একটি একক দিকে সঞ্চালিত হতে পারে। দ্বিমুখী গণনা সহ নিউরাল নেটওয়ার্কগুলিকে সমর্থন করার জন্য, অতিরিক্ত তার এবং সার্কিটগুলি প্রয়োজনীয় ছিল, শক্তি এবং স্থানের প্রয়োজনগুলিকে স্ফীত করে।

তাই Wong এর দল একটি নতুন চিপ আর্কিটেকচার ডিজাইন করেছে যেখানে RRAM মেমরি ডিভাইস এবং সিলিকন নিউরন একসাথে মিশ্রিত হয়েছে। নকশার এই ছোট পরিবর্তনটি মোট এলাকা হ্রাস করেছে এবং শক্তি সঞ্চয় করেছে।

"আমি ভেবেছিলাম [ব্যবস্থা] সত্যিই সুন্দর ছিল," বলেন মেলিকা পেভান্ড, সুইস ফেডারেল ইনস্টিটিউট অফ টেকনোলজি জুরিখের একজন নিউরোমরফিক গবেষক। "আমি অবশ্যই এটি একটি যুগান্তকারী কাজ হিসাবে বিবেচনা করি।"

বেশ কয়েক বছর ধরে, Wong এর দল NeuRRAM চিপে এআই অ্যালগরিদম ডিজাইন, তৈরি, পরীক্ষা, ক্যালিব্রেট এবং চালানোর জন্য সহযোগীদের সাথে কাজ করেছে। তারা অন্যান্য উদীয়মান ধরণের মেমরি ব্যবহার করার কথা বিবেচনা করেছিল যা একটি কম্পিউট-ইন-মেমরি চিপেও ব্যবহার করা যেতে পারে, তবে অ্যানালগ প্রোগ্রামিংয়ের সুবিধার কারণে আরআরএএম-এর একটি প্রান্ত ছিল এবং কারণ এটি ঐতিহ্যগত কম্পিউটিং উপকরণগুলির সাথে একীভূত করা তুলনামূলকভাবে সহজ ছিল।

তাদের সাম্প্রতিক ফলাফলগুলি প্রথম RRAM চিপের প্রতিনিধিত্ব করে যা এত বড় এবং জটিল AI অ্যালগরিদম চালাতে পারে — এমন একটি কীর্তি যা আগে শুধুমাত্র তাত্ত্বিক সিমুলেশনে সম্ভব হয়েছিল। "যখন আসল সিলিকনের কথা আসে, তখন সেই ক্ষমতাটি অনুপস্থিত ছিল," বলেছেন অনুপ দাস, ড্রেক্সেল বিশ্ববিদ্যালয়ের একজন কম্পিউটার বিজ্ঞানী। "এই কাজটি প্রথম প্রদর্শন।"

"ডিজিটাল AI সিস্টেমগুলি নমনীয় এবং সুনির্দিষ্ট, কিন্তু মাত্রার অর্ডারগুলি কম দক্ষ," বলেছেন কাউয়েনবার্গস৷ এখন, Cauwenberghs বলেছেন, তাদের নমনীয়, সুনির্দিষ্ট এবং শক্তি-দক্ষ এনালগ RRAM চিপ "প্রথমবারের মতো ব্যবধান পূরণ করেছে।"

স্কেলিং আপ

টিমের ডিজাইন NeuRRAM চিপটিকে ছোট রাখে - শুধু একটি আঙুলের নখের আকার - যখন 3 মিলিয়ন RRAM মেমরি ডিভাইসগুলিকে চেপে ধরে যা অ্যানালগ প্রসেসর হিসাবে কাজ করতে পারে। এবং যদিও এটি নিউরাল নেটওয়ার্ক চালাতে পারে অন্তত সেইসাথে ডিজিটাল কম্পিউটারগুলিও চালাতে পারে, চিপটিও (এবং প্রথমবারের মতো) অ্যালগরিদম চালাতে পারে যা বিভিন্ন দিকে গণনা করে। তাদের চিপ RRAM অ্যারের সারিগুলিতে একটি ভোল্টেজ ইনপুট করতে পারে এবং কলামগুলি থেকে আউটপুট পড়তে পারে যেমনটি RRAM চিপগুলির জন্য আদর্শ, তবে এটি এটি কলাম থেকে সারিগুলিতে পিছিয়েও করতে পারে, তাই এটি পরিচালিত নিউরাল নেটওয়ার্কগুলিতে ব্যবহার করা যেতে পারে। বিভিন্ন দিকে প্রবাহিত ডেটা সহ।

RRAM প্রযুক্তির মতোই, এটি অনেক আগে থেকেই সম্ভব হয়েছে, কিন্তু কেউ এটি করার কথা ভাবেনি। "কেন আমরা এটা নিয়ে আগে ভাবিনি?" পেভান্ড জিজ্ঞেস করল। "অপরের দৃষ্টিতে, আমি জানি না।"

"এটি আসলে আরও অনেক সুযোগ খুলে দেয়," দাস বলেন। উদাহরণ হিসাবে, তিনি বহুমাত্রিক পদার্থবিদ্যা সিমুলেশন বা স্ব-চালিত গাড়ির জন্য প্রয়োজনীয় বিশাল অ্যালগরিদম চালানোর জন্য একটি সাধারণ সিস্টেমের ক্ষমতা উল্লেখ করেছেন।

তবুও আকার একটি সমস্যা। বৃহত্তম নিউরাল নেটওয়ার্কে এখন কোটি কোটি ওজন রয়েছে, নতুন চিপগুলিতে থাকা লক্ষ লক্ষ নয়। Wong একে অপরের উপরে একাধিক NeuRRAM চিপ স্ট্যাক করে স্কেল আপ করার পরিকল্পনা করেছে।

ভবিষ্যতের ডিভাইসগুলিতে শক্তির খরচ কম রাখা বা আরও কমিয়ে আনার জন্য এটি গুরুত্বপূর্ণ হবে। সেখানে যাওয়ার একটি উপায় হল দ্বারা মস্তিষ্ক অনুলিপি করা বাস্তব নিউরনের মধ্যে ব্যবহৃত যোগাযোগ সংকেত গ্রহণ করার জন্য আরও ঘনিষ্ঠভাবে: বৈদ্যুতিক স্পাইক। এটি এমন একটি সংকেত যা এক নিউরন থেকে অন্য নিউরনে চলে যায় যখন কোষের ভিতরে এবং বাইরের মধ্যে ভোল্টেজের পার্থক্য একটি গুরুত্বপূর্ণ থ্রেশহোল্ডে পৌঁছে যায়।

"সেখানে বড় চ্যালেঞ্জ আছে," বলেন টনি কেনিয়ন, ইউনিভার্সিটি কলেজ লন্ডনের একজন ন্যানো প্রযুক্তি গবেষক। "তবে আমরা এখনও সেই দিকে যেতে চাই, কারণ ... সম্ভাবনা রয়েছে যে আপনি যদি খুব বিরল স্পাইক ব্যবহার করেন তবে আপনার শক্তির দক্ষতা বেশি হবে।" বর্তমান নিউআরআরএএম চিপে স্পাইক হওয়া অ্যালগরিদমগুলি চালানোর জন্য সম্ভবত সম্পূর্ণ ভিন্ন আর্কিটেকচারের প্রয়োজন হবে, যদিও কেনিয়ন উল্লেখ করেছেন।

আপাতত, NeuRRAM চিপে বড় AI অ্যালগরিদম চালানোর সময় দলটি যে শক্তি দক্ষতা অর্জন করেছে তা নতুন আশা তৈরি করেছে যে মেমরি প্রযুক্তিগুলি AI এর সাথে কম্পিউটিংয়ের ভবিষ্যতের প্রতিনিধিত্ব করতে পারে। হয়তো একদিন আমরা এমনকি মানুষের মস্তিষ্কের 86 বিলিয়ন নিউরন এবং ট্রিলিয়ন সিন্যাপ্সের সাথে মেলাতে সক্ষম হব যা তাদের শক্তি শেষ না করেই সংযোগ করে।