ಸುದ್ದಿಯಲ್ಲಿರುವುದೇಕೆ?
ಕೇಂಬ್ರಿಡ್ಜ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ (University of Cambridge) ತಂಡವು ಮೆಮ್ರಿಸ್ಟರ್ (memristor) ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ, ಇದು ಅತ್ಯಂತ ಕಡಿಮೆ ಪ್ರವಾಹಗಳಲ್ಲಿ (currents) ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಹಾರ್ಡ್ವೇರ್ನ (artificial intelligence hardware) ಶಕ್ತಿಯ ಬಳಕೆಯನ್ನು ಶೇಕಡಾ 70 ರಷ್ಟು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ನಾವೀನ್ಯತೆಯು (innovation) ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ (neuromorphic computing) ಮತ್ತು ಆನ್-ಡಿವೈಸ್ ಕಲಿಕೆಗೆ (on‑device learning) ದಾರಿ ಮಾಡಿಕೊಡುತ್ತದೆ.
ಹಿನ್ನೆಲೆ
ಮೆಮ್ರಿಸ್ಟರ್ ಒಂದು ಮೂಲಭೂತ ಸರ್ಕ್ಯೂಟ್ ಘಟಕ (fundamental circuit component) ಆಗಿದ್ದು, ಅದರ ಪ್ರತಿರೋಧವು (resistance) ಅದರ ಮೂಲಕ ಹಾದುಹೋದ ಪ್ರವಾಹದ ಇತಿಹಾಸವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. 1971 ರಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಮತ್ತು 2000 ರ ದಶಕದಲ್ಲಿ ಅರಿತುಕೊಂಡ ಮೆಮ್ರಿಸ್ಟರ್ಗಳು ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಬಹುದು ಮತ್ತು ಒಂದೇ ಸಾಧನದಲ್ಲಿ ತರ್ಕ ಕಾರ್ಯಗಳನ್ನು (logic functions) ನಿರ್ವಹಿಸಬಹುದು. ಅವು ಮೆದುಳಿನ-ರೀತಿಯ ಕಂಪ್ಯೂಟಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳಿಗೆ (brain‑like computing systems) ಭರವಸೆ ನೀಡುತ್ತವೆ ಏಕೆಂದರೆ ಅವುಗಳ ನಡವಳಿಕೆಯು ಸಿನಾಪ್ಟಿಕ್ ಪ್ಲಾಸ್ಟಿಸಿಟಿಯನ್ನು (synaptic plasticity) ಅನುಕರಿಸುತ್ತದೆ - ಬಳಕೆಯ ಮೂಲಕ ನ್ಯೂರಾನ್ಗಳ ನಡುವಿನ ಸಂಪರ್ಕಗಳು ಬಲಗೊಳ್ಳುವ ಅಥವಾ ದುರ್ಬಲಗೊಳ್ಳುವ ರೀತಿ.
ಈ ಸಾಧನದ ಹೊಸತೇನು?
- P-n ಜಂಕ್ಷನ್ ವಿನ್ಯಾಸ (P‑n junction design): p-ಟೈಪ್ ಮತ್ತು n-ಟೈಪ್ ಅರೆವಾಹಕಗಳನ್ನು (p‑type and n‑type semiconductors) ಹೋಲುವ ಸೂಕ್ಷ್ಮ ಪ್ರದೇಶಗಳನ್ನು (microscopic regions) ರಚಿಸಲು ಸಂಶೋಧಕರು ಸ್ಟ್ರಾಂಷಿಯಂ ಮತ್ತು ಟೈಟಾನಿಯಂನಿಂದ (strontium and titanium) ಡೋಪ್ ಮಾಡಿದ ಹ್ಯಾಫ್ನಿಯಂ ಆಕ್ಸೈಡ್ನ (hafnium oxide) ತೆಳುವಾದ ಫಿಲ್ಮ್ ಅನ್ನು ಬಳಸಿದ್ದಾರೆ. ಲೋಹದ ತಂತುಗಳನ್ನು (metal filaments) ರೂಪಿಸುವ ಬದಲು ಈ ಪ್ರದೇಶಗಳ ನಡುವಿನ ಶಕ್ತಿಯ ತಡೆಗೋಡೆಯನ್ನು ಬದಲಾಯಿಸುವ ಮೂಲಕ ಸ್ವಿಚಿಂಗ್ ಸಂಭವಿಸುತ್ತದೆ, ಇದು ಸುಗಮ ಮತ್ತು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.
- ಅತಿ-ಕಡಿಮೆ ಶಕ್ತಿ (Ultra‑low power): ಸಾಂಪ್ರದಾಯಿಕ ಸಾಧನಗಳಿಗೆ ಅಗತ್ಯವಿರುವ ಪ್ರವಾಹಗಳಿಗಿಂತ (currents) ಮಿಲಿಯನ್ ಪಟ್ಟು ಕಡಿಮೆ ಪ್ರವಾಹಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮೆಮ್ರಿಸ್ಟರ್ ಬಹು ವಾಹಕತೆ ಸ್ಥಿತಿಗಳನ್ನು (conductance states) ಬದಲಾಯಿಸಬಹುದು ಮತ್ತು ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳಬಹುದು, ಇದು ಶಕ್ತಿಯ ಬಳಕೆಯನ್ನು ನಾಟಕೀಯವಾಗಿ ಕಡಿತಗೊಳಿಸುತ್ತದೆ.
- ಬಹು ಸ್ಥಿತಿಗಳು (Multiple states): ಇದು ಡಜನ್ಗಟ್ಟಲೆ ಸ್ಥಿರ ವಾಹಕತೆ ಮಟ್ಟಗಳನ್ನು (stable conductance levels) ಬೆಂಬಲಿಸುತ್ತದೆ, ಅನಲಾಗ್ ಮಾಹಿತಿಯನ್ನು ಎನ್ಕೋಡ್ ಮಾಡಲು ಮತ್ತು ದೀರ್ಘಾವಧಿಯ ಸಾಮರ್ಥ್ಯ (long‑term potentiation) ಮತ್ತು ಖಿನ್ನತೆಯಂತಹ ಸಿನಾಪ್ಟಿಕ್ ಕಲಿಕೆಯ ನಿಯಮಗಳನ್ನು (synaptic learning rules) ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
- ಸವಾಲುಗಳು: ಸಾಧನವನ್ನು ತಯಾರಿಸುವುದು ಹೆಚ್ಚಿನ ತಾಪಮಾನವನ್ನು (ಸುಮಾರು 900 °C) ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸಿಲಿಕಾನ್ ಪ್ರಕ್ರಿಯೆಗಳೊಂದಿಗಿನ ಹೊಂದಾಣಿಕೆಯನ್ನು ಮಿತಿಗೊಳಿಸಬಹುದು. ಉಷ್ಣ ಬಜೆಟ್ (thermal budget) ಅನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮಾರ್ಗಗಳನ್ನು ಸಂಶೋಧಕರು ಅನ್ವೇಷಿಸುತ್ತಿದ್ದಾರೆ.
ಮಹತ್ವ
- ಶಕ್ತಿ-ದಕ್ಷ AI (Energy‑efficient AI): ಇಂತಹ ಮೆಮ್ರಿಸ್ಟರ್ಗಳನ್ನು ಪ್ರೊಸೆಸರ್ಗಳಲ್ಲಿ ಸಂಯೋಜಿಸುವುದರಿಂದ ಸ್ಮಾರ್ಟ್ಫೋನ್ಗಳು, ಧರಿಸಬಹುದಾದ ವಸ್ತುಗಳು ಮತ್ತು ಎಡ್ಜ್ ಕಂಪ್ಯೂಟಿಂಗ್ನಲ್ಲಿ (edge computing) ಬಳಸುವ ಯಂತ್ರ-ಕಲಿಕೆ ಮಾದರಿಗಳ (machine‑learning models) ಶಕ್ತಿಯ ಬೇಡಿಕೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು.
- ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ (Neuromorphic computing): ಸಿನಾಪ್ಟಿಕ್ ನಡವಳಿಕೆಯನ್ನು (synaptic behaviour) ನಿಕಟವಾಗಿ ಅನುಕರಿಸುವ ಮೂಲಕ, ಸಾಧನಗಳು ಮಾನವ ಮೆದುಳಿನಂತೆ ಕಲಿಯುವ ಮತ್ತು ಹೊಂದಿಕೊಳ್ಳುವ ಹಾರ್ಡ್ವೇರ್ ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಬಹುದು, ನೈಜ-ಸಮಯದ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ (real‑time pattern recognition) ಮತ್ತು ಅಡಾಪ್ಟಿವ್ ನಿಯಂತ್ರಣಕ್ಕೆ (adaptive control) ಮಾರ್ಗಗಳನ್ನು ತೆರೆಯಬಹುದು.
- ವಸ್ತು ವಿಜ್ಞಾನದಲ್ಲಿನ ಪ್ರಗತಿಗಳು: ಎಚ್ಚರಿಕೆಯಿಂದ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಆಕ್ಸೈಡ್ಗಳು ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಸಾಧನಗಳಲ್ಲಿ ಹೊಸ ಕಾರ್ಯವನ್ನು (new functionality) ಹೇಗೆ ತಲುಪಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಕೆಲಸವು ತೋರಿಸುತ್ತದೆ, ಬಾಷ್ಪಶೀಲವಲ್ಲದ ಮೆಮೊರಿ ಅಂಶಗಳ (non‑volatile memory elements) ಕುರಿತು ಹೆಚ್ಚಿನ ಸಂಶೋಧನೆಗೆ ಸ್ಫೂರ್ತಿ ನೀಡುತ್ತದೆ.
ಮೂಲ: ದಿ ಹಿಂದೂ
