എന്തുകൊണ്ട് വാർത്തകളിൽ?
കേംബ്രിഡ്ജ് സർവ്വകലാശാലയിലെ (University of Cambridge) ഒരു സംഘം വളരെ കുറഞ്ഞ കറൻ്റിൽ (currents) പ്രവർത്തിക്കുന്ന ഒരു മെമ്രിസ്റ്റർ (memristor) വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്, ഇത് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഹാർഡ്വെയറുകളുടെ (artificial intelligence hardware) ഊർജ്ജ ഉപഭോഗം 70 ശതമാനം വരെ കുറയ്ക്കും. ഈ നൂതനാശയം (innovation) കൂടുതൽ കാര്യക്ഷമമായ ന്യൂറോമോർഫിക് കമ്പ്യൂട്ടിംഗിനും (neuromorphic computing) ഓൺ-ഡിവൈസ് പഠനത്തിനും (on‑device learning) വഴിയൊരുക്കുന്നു.
പശ്ചാത്തലം
മെമ്രിസ്റ്റർ എന്നത് അടിസ്ഥാനപരമായ ഒരു സർക്യൂട്ട് ഘടകമാണ് (fundamental circuit component), അതിൻ്റെ പ്രതിരോധം (resistance) അതിലൂടെ കടന്നുപോയ കറൻ്റിൻ്റെ ചരിത്രത്തെ ആശ്രയിച്ചിരിക്കുന്നു. 1971-ൽ നിർദ്ദേശിക്കപ്പെടുകയും 2000-കളിൽ സാക്ഷാത്കരിക്കപ്പെടുകയും ചെയ്ത മെമ്രിസ്റ്ററുകൾക്ക് ഒരേ ഉപകരണത്തിൽ ഡാറ്റ സംഭരിക്കാനും ലോജിക് ഫംഗ്ഷനുകൾ (logic functions) നിർവഹിക്കാനും കഴിയും. അവയുടെ പ്രവർത്തനം സിനാപ്റ്റിക് പ്ലാസ്റ്റിസിറ്റിയെ (synaptic plasticity) അനുകരിക്കുന്നതിനാൽ അവ മസ്തിഷ്കത്തിന് സമാനമായ കമ്പ്യൂട്ടിംഗ് സിസ്റ്റങ്ങൾക്ക് (brain‑like computing systems) വാഗ്ദാനം നൽകുന്നു - ഉപയോഗത്തിലൂടെ ന്യൂറോണുകൾ തമ്മിലുള്ള ബന്ധം ശക്തിപ്പെടുകയോ ദുർബലമാവുകയോ ചെയ്യുന്ന രീതി.
ഈ ഉപകരണത്തിൻ്റെ പുതുമയെന്താണ്?
- പി-എൻ ജംഗ്ഷൻ ഡിസൈൻ (P‑n junction design): പി-ടൈപ്പ്, എൻ-ടൈപ്പ് അർദ്ധചാലകങ്ങളോട് (p‑type and n‑type semiconductors) സാമ്യമുള്ള മൈക്രോസ്കോപ്പിക് പ്രദേശങ്ങൾ (microscopic regions) സൃഷ്ടിക്കാൻ ഗവേഷകർ സ്ട്രോൺഷിയം, ടൈറ്റാനിയം (strontium and titanium) എന്നിവ കലർത്തിയ ഹാഫ്നിയം ഓക്സൈഡിൻ്റെ (hafnium oxide) നേർത്ത ഫിലിം ഉപയോഗിച്ചു. മെറ്റൽ ഫിലമെൻ്റുകൾ (metal filaments) രൂപപ്പെടുത്തുന്നതിനുപകരം ഈ പ്രദേശങ്ങൾ തമ്മിലുള്ള ഊർജ്ജ തടസ്സം മാറ്റിക്കൊണ്ടാണ് സ്വിച്ചിംഗ് സംഭവിക്കുന്നത്, ഇത് സുഗമവും കൂടുതൽ വിശ്വസനീയവുമായ പ്രവർത്തനം സാധ്യമാക്കുന്നു.
- വളരെ കുറഞ്ഞ ഊർജ്ജം (Ultra‑low power): പരമ്പരാഗത ഉപകരണങ്ങൾക്ക് ആവശ്യമായതിനേക്കാൾ ഒരു ദശലക്ഷം മടങ്ങ് കുറഞ്ഞ കറൻ്റ് (currents) ഉപയോഗിച്ച് മെമ്രിസ്റ്ററിന് ഒന്നിലധികം ചാലക അവസ്ഥകളിലേക്ക് (conductance states) മാറാനും നിലനിർത്താനും കഴിയും, ഇത് ഊർജ്ജ ഉപഭോഗം ഗണ്യമായി കുറയ്ക്കുന്നു.
- ഒന്നിലധികം അവസ്ഥകൾ (Multiple states): ഇത് ഡസൻ കണക്കിന് സ്ഥിരതയുള്ള ചാലക തലങ്ങളെ (stable conductance levels) പിന്തുണയ്ക്കുന്നു, ഇത് അനലോഗ് വിവരങ്ങൾ എൻകോഡ് ചെയ്യാനും ലോംഗ് ടേം പൊട്ടൻഷ്യേഷൻ (long‑term potentiation), ഡിപ്രഷൻ പോലുള്ള സിനാപ്റ്റിക് ലേണിംഗ് നിയമങ്ങൾ (synaptic learning rules) നടപ്പിലാക്കാനും അനുവദിക്കുന്നു.
- വെല്ലുവിളികൾ: ഉപകരണം നിർമ്മിക്കുന്നതിന് ഉയർന്ന താപനില (ഏകദേശം 900 °C) ആവശ്യമാണ്, ഇത് നിലവിലുള്ള സിലിക്കൺ പ്രക്രിയകളുമായുള്ള അനുയോജ്യത പരിമിതപ്പെടുത്തിയേക്കാം. താപ ബജറ്റ് (thermal budget) കുറയ്ക്കുന്നതിനുള്ള വഴികൾ ഗവേഷകർ പരിശോധിക്കുന്നു.
പ്രാധാന്യം
- ഊർജ്ജ കാര്യക്ഷമമായ AI (Energy‑efficient AI): ഇത്തരം മെമ്രിസ്റ്ററുകളെ പ്രൊസസറുകളിലേക്ക് സംയോജിപ്പിക്കുന്നത് സ്മാർട്ട്ഫോണുകൾ, വെയറബിളുകൾ, എഡ്ജ് കമ്പ്യൂട്ടിംഗ് (edge computing) എന്നിവയിൽ ഉപയോഗിക്കുന്ന മെഷീൻ ലേണിംഗ് മോഡലുകളുടെ (machine‑learning models) ഊർജ്ജ ആവശ്യകത കുറയ്ക്കും.
- ന്യൂറോമോർഫിക് കമ്പ്യൂട്ടിംഗ് (Neuromorphic computing): സിനാപ്റ്റിക് സ്വഭാവത്തെ (synaptic behaviour) സൂക്ഷ്മമായി അനുകരിക്കുന്നതിലൂടെ, മനുഷ്യ മസ്തിഷ്കത്തെപ്പോലെ പഠിക്കുകയും പൊരുത്തപ്പെടുകയും ചെയ്യുന്ന ഹാർഡ്വെയറുകൾ പ്രാപ്തമാക്കാൻ ഉപകരണങ്ങൾക്ക് കഴിയും, ഇത് തത്സമയ പാറ്റേൺ തിരിച്ചറിയലിനും (real‑time pattern recognition) അഡാപ്റ്റീവ് കൺട്രോളിനും (adaptive control) വഴിയൊരുക്കുന്നു.
- മെറ്റീരിയൽ സയൻസിലെ മുന്നേറ്റങ്ങൾ: ശ്രദ്ധാപൂർവ്വം എഞ്ചിനീയർ ചെയ്ത ഓക്സൈഡുകൾക്ക് ഇലക്ട്രോണിക് ഉപകരണങ്ങളിൽ എങ്ങനെ പുതിയ പ്രവർത്തനം (new functionality) നൽകാനാകുമെന്ന് ഈ പ്രവർത്തനം കാണിക്കുന്നു, ഇത് അസ്ഥിരമല്ലാത്ത മെമ്മറി ഘടകങ്ങളെക്കുറിച്ചുള്ള (non‑volatile memory elements) കൂടുതൽ ഗവേഷണങ്ങൾക്ക് പ്രചോദനമാകുന്നു.
ഉറവിടം: ദി ഹിന്ദു
