ایک نئی فوٹوونک کمپیوٹر چپ AI توانائی کے اخراجات کو کم کرنے کے لیے روشنی کا استعمال کرتی ہے۔

افلاطون کے ذریعہ دوبارہ شائع کیا گیا۔

فالونگ: 0

A New Photonic Computer Chip Uses Light to Slash AI Energy Costs PlatoBlockchain Data Intelligence. Vertical Search. Ai.

AI ماڈلز ہیں۔ طاقت hogs.

جیسے جیسے الگورتھم بڑھتے اور پیچیدہ ہوتے جاتے ہیں، وہ تیزی سے موجودہ کمپیوٹر چپس پر ٹیکس لگا رہے ہیں۔ متعدد کمپنیوں نے پاور ڈرا کو کم کرنے کے لیے AI کے مطابق چپس ڈیزائن کی ہیں۔ لیکن وہ سب ایک بنیادی اصول پر مبنی ہیں — وہ بجلی استعمال کرتے ہیں۔

اس مہینے، چین کی سنگھوا یونیورسٹی کی ایک ٹیم نے نسخہ تبدیل کیا۔ وہ ایک نیورل نیٹ ورک چپ بنایا جو کہ توانائی کی لاگت کے ایک حصے پر AI کاموں کو چلانے کے لیے بجلی کی بجائے روشنی کا استعمال کرتا ہے۔ NVIDIA's H100، ایک جدید ترین چپ جو AI ماڈلز کو تربیت دینے اور چلانے کے لیے استعمال ہوتی ہے۔

Taichi کہلاتا ہے، یہ چپ دو قسم کی روشنی پر مبنی پروسیسنگ کو اپنی اندرونی ساخت میں جوڑتی ہے۔ پچھلے کے مقابلے آپٹیکل چپس, Taichi نسبتاً آسان کاموں کے لیے کہیں زیادہ درست ہے جیسے ہاتھ سے لکھے ہوئے نمبروں یا دیگر تصاویر کو پہچاننا۔ اپنے پیشرو کے برعکس، چپ مواد بھی تیار کر سکتی ہے۔ یہ ڈچ فنکار ونسنٹ وان گوگ کی بنیاد پر ایک انداز میں بنیادی تصاویر بنا سکتا ہے، مثال کے طور پر، یا جوہان سیبسٹین باخ سے متاثر کلاسیکی موسیقی کے نمبر۔

Taichi کی کارکردگی کا حصہ اس کی ساخت کی وجہ سے ہے. چپ متعدد اجزاء سے بنی ہے جسے چپلیٹ کہتے ہیں۔ دماغ کی تنظیم کی طرح، ہر چپلیٹ متوازی طور پر اپنا حساب کرتا ہے، جس کے نتائج پھر حل تک پہنچنے کے لیے دوسروں کے ساتھ مربوط ہوتے ہیں۔

1,000 سے زیادہ کیٹیگریز سے تصاویر کو الگ کرنے کے ایک مشکل مسئلہ کا سامنا کرتے ہوئے، Taichi تقریباً 92 فیصد وقت کامیاب رہا، موجودہ چپ کی کارکردگی سے مماثلت رکھتا تھا، لیکن توانائی کی کھپت کو ہزار گنا سے زیادہ کم کرتا تھا۔

AI کے لیے، "زیادہ جدید کاموں سے نمٹنے کا رجحان [ہے] ناقابل واپسی،" مصنفین نے لکھا۔ "تائیچی نے بڑے پیمانے پر فوٹوونک [روشنی پر مبنی] کمپیوٹنگ کی راہ ہموار کی ہے"، جس سے توانائی کی کم لاگت کے ساتھ زیادہ لچکدار AI ہوتا ہے۔

کندھے پر چپ

آج کے کمپیوٹر چپس AI کے ساتھ اچھی طرح سے میش نہیں کرتے ہیں۔

مسئلہ کا ایک حصہ ساختی ہے۔ روایتی چپس پر پروسیسنگ اور میموری کو جسمانی طور پر الگ کیا جاتا ہے۔ ان کے درمیان ڈیٹا کو شٹل کرنے میں بہت زیادہ توانائی اور وقت لگتا ہے۔

نسبتاً آسان مسائل کو حل کرنے کے لیے موثر ہونے کے باوجود، جب پیچیدہ AI کی بات آتی ہے تو سیٹ اپ ناقابل یقین حد تک طاقت کا شکار ہوتا ہے، جیسا کہ ChatGPT کو طاقت دینے والے بڑے زبان کے ماڈلز۔

بنیادی مسئلہ یہ ہے کہ کمپیوٹر چپس کیسے بنتی ہیں۔ ہر حساب کا انحصار ٹرانجسٹرز پر ہوتا ہے، جو حساب میں استعمال ہونے والے 0s اور 1s کی نمائندگی کرنے کے لیے سوئچ آن یا آف کرتے ہیں۔ انجینئرز نے دہائیوں کے دوران ڈرامائی طور پر ٹرانزسٹروں کو سکڑ دیا ہے تاکہ وہ چپس پر مزید گھس سکیں۔ لیکن موجودہ چپ ٹیکنالوجی ایک بریکنگ پوائنٹ کی طرف بڑھ رہی ہے جہاں ہم چھوٹے نہیں جا سکتے۔

سائنسدانوں نے طویل عرصے سے موجودہ چپس کو بہتر بنانے کی کوشش کی ہے۔ دماغ سے متاثر ایک حکمت عملی "Synapses" پر انحصار کرتی ہے - حیاتیاتی "گودی" جو نیوران کو جوڑتی ہے - جو ایک ہی جگہ پر معلومات کی گنتی اور ذخیرہ کرتی ہے۔ یہ دماغ سے متاثر، یا نیورومورفک چپس توانائی کی کھپت کو کم کرتے ہیں اور حسابات کو تیز کرتے ہیں۔ لیکن موجودہ چپس کی طرح وہ بجلی پر انحصار کرتے ہیں۔

ایک اور خیال یہ ہے کہ مکمل طور پر ایک مختلف کمپیوٹنگ میکانزم استعمال کریں: روشنی۔ مصنفین نے لکھا کہ "فوٹونک کمپیوٹنگ" "ہمیشہ بڑھتی ہوئی توجہ مبذول کر رہی ہے۔" بجلی استعمال کرنے کے بجائے، روشنی کی رفتار سے AI کو طاقت دینے کے لیے روشنی کے ذرات کو ہائی جیک کرنا ممکن ہے۔

وہاں روشنی رہنے دو

بجلی پر مبنی چپس کے مقابلے، روشنی بہت کم طاقت استعمال کرتی ہے اور بیک وقت متعدد حسابات سے نمٹ سکتی ہے۔ ان خصوصیات میں ٹیپ کرتے ہوئے، سائنس دانوں نے آپٹیکل نیورل نیٹ ورکس بنائے ہیں جو بجلی کے بجائے AI چپس کے لیے فوٹون — روشنی کے ذرات — کا استعمال کرتے ہیں۔

یہ چپس دو طرح سے کام کر سکتی ہیں۔ ایک میں، چپس روشنی کے سگنلز کو انجینئرڈ چینلز میں بکھیرتے ہیں جو آخر کار شعاعوں کو جوڑ کر کسی مسئلے کو حل کرتے ہیں۔ تفاوت کہلاتا ہے، یہ آپٹیکل نیورل نیٹ ورک مصنوعی نیوران کو ایک دوسرے کے ساتھ باندھتے ہیں اور توانائی کے اخراجات کو کم کرتے ہیں۔ لیکن انہیں آسانی سے تبدیل نہیں کیا جا سکتا، یعنی وہ صرف ایک، سادہ مسئلے پر کام کر سکتے ہیں۔

ایک مختلف سیٹ اپ روشنی کی ایک اور خاصیت پر منحصر ہے جسے مداخلت کہتے ہیں۔ سمندر کی لہروں کی طرح، روشنی کی لہریں ایک دوسرے کو یکجا اور منسوخ کرتی ہیں۔ جب چپ پر مائیکرو سرنگوں کے اندر ہوتے ہیں، تو وہ ایک دوسرے کو بڑھانے یا روکنے کے لیے آپس میں ٹکراتے ہیں- ان مداخلتی نمونوں کو حساب کے لیے استعمال کیا جا سکتا ہے۔ مداخلت پر مبنی چپس کو انٹرفیرومیٹر نامی ڈیوائس کا استعمال کرکے آسانی سے دوبارہ تشکیل دیا جاسکتا ہے۔ مسئلہ یہ ہے کہ وہ جسمانی طور پر بھاری ہیں اور بہت ساری توانائی استعمال کرتے ہیں۔

پھر درستگی کا مسئلہ ہے۔ یہاں تک کہ مجسمے والے چینلز میں بھی اکثر مداخلت کے تجربات، روشنی کے اچھلنے اور بکھرنے کے لیے استعمال کیا جاتا ہے، جس سے حسابات ناقابل بھروسہ ہوتے ہیں۔ ایک ہی آپٹیکل نیورل نیٹ ورک کے لیے، غلطیاں قابل برداشت ہیں۔ لیکن بڑے آپٹیکل نیٹ ورکس اور زیادہ نفیس مسائل کے ساتھ، شور تیزی سے بڑھتا ہے اور ناقابل برداشت ہو جاتا ہے۔

یہی وجہ ہے کہ روشنی پر مبنی نیورل نیٹ ورکس کو آسانی سے چھوٹا نہیں کیا جا سکتا۔ اب تک، وہ صرف بنیادی کاموں کو حل کرنے میں کامیاب رہے ہیں، جیسے کہ نمبروں یا حرفوں کو پہچاننا۔

ٹیم نے لکھا، "موجودہ فن تعمیرات کے پیمانے کو بڑھانا متناسب طور پر کارکردگی کو بہتر نہیں کرے گا۔"

ڈبل پریشانی

نئے AI، Taichi نے آپٹیکل نیورل نیٹ ورکس کو حقیقی دنیا کے استعمال کی طرف دھکیلنے کے لیے دو خصلتوں کو ملایا۔

ایک نیورل نیٹ ورک کو ترتیب دینے کے بجائے، ٹیم نے ایک چپلیٹ طریقہ استعمال کیا، جس نے ایک کام کے مختلف حصوں کو متعدد فنکشنل بلاکس کے حوالے کیا۔ ہر بلاک کی اپنی طاقتیں تھیں: ایک کو تفاوت کا تجزیہ کرنے کے لیے ترتیب دیا گیا تھا، جو مختصر وقت میں ڈیٹا کی بڑی مقدار کو کمپریس کر سکتا تھا۔ مداخلت فراہم کرنے کے لیے ایک اور بلاک کو انٹرفیرو میٹر کے ساتھ سرایت کیا گیا تھا، جس سے چپ کو کاموں کے درمیان آسانی سے دوبارہ ترتیب دیا جا سکتا تھا۔

گہری سیکھنے کے مقابلے میں، Taichi نے ایک "اتلا" طریقہ اختیار کیا جس کے تحت یہ کام متعدد چپلٹس میں پھیلا ہوا ہے۔

معیاری گہری سیکھنے کے ڈھانچے کے ساتھ، غلطیاں تہوں اور وقت کے ساتھ جمع ہوتی رہتی ہیں۔ یہ سیٹ اپ مسائل کو ختم کرتا ہے جو بڈ میں ترتیب وار پروسیسنگ سے آتے ہیں۔ جب کسی مسئلے کا سامنا ہوتا ہے تو، Taichi کام کے بوجھ کو متعدد آزاد کلسٹرز میں تقسیم کرتا ہے، جس سے کم سے کم غلطیوں کے ساتھ بڑے مسائل سے نمٹنا آسان ہوجاتا ہے۔

حکمت عملی کا معاوضہ ادا کیا گیا۔

Taichi کے پاس 4,256 کل مصنوعی نیورونز کی کمپیوٹیشنل صلاحیت ہے، جس میں تقریباً 14 ملین پیرامیٹرز دماغی رابطوں کی نقل کرتے ہیں جو سیکھنے اور یادداشت کو انکوڈ کرتے ہیں۔ ٹیم نے لکھا کہ تصاویر کو 1,000 زمروں میں چھانٹتے وقت، فوٹوونک چپ تقریباً 92 فیصد درست تھی، جس کا موازنہ "موجودہ مقبول الیکٹرانک نیورل نیٹ ورکس" سے کیا جا سکتا ہے۔

چپ نے دوسرے معیاری AI امیج ریکگنیشن ٹیسٹوں میں بھی شاندار کارکردگی کا مظاہرہ کیا، جیسے کہ مختلف حروف تہجی سے ہاتھ سے لکھے ہوئے حروف کی شناخت کرنا۔

حتمی امتحان کے طور پر، ٹیم نے فوٹوونک AI کو چیلنج کیا کہ وہ مختلف فنکاروں اور موسیقاروں کے انداز میں مواد کو پکڑے اور دوبارہ تخلیق کرے۔ جب باخ کے ذخیرے کے ساتھ تربیت حاصل کی گئی، تو بالآخر AI نے موسیقار کی پچ اور مجموعی انداز سیکھ لیا۔ اسی طرح، وین گو یا ایڈورڈ منچ کی تصاویر جو مشہور پینٹنگ کے پیچھے مصور ہیں، چللاوAI میں فیڈ نے اسے اسی طرح کے انداز میں تصاویر بنانے کی اجازت دی، حالانکہ بہت سے لوگ چھوٹے بچے کی تفریح کی طرح نظر آتے تھے۔

آپٹیکل نیورل نیٹ ورکس کو ابھی بہت آگے جانا ہے۔ لیکن اگر وسیع پیمانے پر استعمال کیا جائے، تو یہ موجودہ AI سسٹمز کے لیے زیادہ توانائی کا موثر متبادل ہو سکتے ہیں۔ Taichi پچھلی تکرار کے مقابلے میں 100 گنا زیادہ توانائی کی بچت ہے۔ لیکن چپ کو اب بھی پاور اور ڈیٹا ٹرانسفر یونٹس کے لیے لیزرز کی ضرورت ہوتی ہے، جنہیں گاڑھنا مشکل ہے۔

اگلا، ٹیم آسانی سے دستیاب منی لیزرز اور دیگر اجزاء کو ایک واحد، ہم آہنگ فوٹوونک چپ میں ضم کرنے کی امید کر رہی ہے۔ دریں اثنا، وہ امید کرتے ہیں کہ Taichi "زیادہ طاقتور آپٹیکل حل کی ترقی کو تیز کرے گا" جو بالآخر طاقتور اور توانائی کی بچت والے AI کے "نئے دور" کا باعث بن سکتا ہے۔

تصویری کریڈٹ: spainter_vfx / Shutterstock.com