వార్తల్లో ఎందుకు ఉంది?
కేంబ్రిడ్జ్ విశ్వవిద్యాలయం (University of Cambridge) లోని ఒక బృందం అతి తక్కువ కరెంట్తో (currents) పనిచేసే ఒక మెమ్రిస్టర్ను (memristor) అభివృద్ధి చేసింది, ఇది ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ హార్డ్వేర్ (artificial intelligence hardware) శక్తి వినియోగాన్ని 70 శాతం వరకు తగ్గిస్తుంది. ఈ ఆవిష్కరణ (innovation) మరింత సమర్థవంతమైన న్యూరోమార్ఫిక్ కంప్యూటింగ్ (neuromorphic computing) మరియు ఆన్-డివైస్ లెర్నింగ్కు (on‑device learning) మార్గం సుగమం చేస్తుంది.
నేపథ్యం
మెమ్రిస్టర్ అనేది ఒక ప్రాథమిక సర్క్యూట్ భాగం (fundamental circuit component), దీని నిరోధకత (resistance) దాని గుండా ప్రవహించిన కరెంట్ చరిత్రపై ఆధారపడి ఉంటుంది. 1971లో ప్రతిపాదించబడిన మరియు 2000లలో సాకారం చేయబడిన మెమ్రిస్టర్లు ఒకే పరికరంలో డేటాను నిల్వ చేయగలవు మరియు లాజిక్ ఫంక్షన్లను (logic functions) నిర్వహించగలవు. మెదడు లాంటి కంప్యూటింగ్ సిస్టమ్లకు (brain‑like computing systems) అవి వాగ్దానాన్ని అందిస్తాయి ఎందుకంటే వాటి ప్రవర్తన సినాప్టిక్ ప్లాస్టిసిటీని (synaptic plasticity) అనుకరిస్తుంది - అంటే ఉపయోగించడం ద్వారా న్యూరాన్ల మధ్య కనెక్షన్లు బలోపేతం అయ్యే లేదా బలహీనపడే విధానం.
ఈ పరికరంలో కొత్తదనం ఏమిటి?
- P-n జంక్షన్ డిజైన్ (P‑n junction design): p-రకం మరియు n-రకం సెమీకండక్టర్లను (p‑type and n‑type semiconductors) పోలి ఉండే మైక్రోస్కోపిక్ ప్రాంతాలను (microscopic regions) రూపొందించడానికి పరిశోధకులు స్ట్రోంటియం మరియు టైటానియం (strontium and titanium) తో డాప్ చేయబడిన హాఫ్నియం ఆక్సైడ్ (hafnium oxide) పలుచని ఫిల్మ్ను ఉపయోగించారు. మెటల్ ఫైలమెంట్లను (metal filaments) రూపొందించడానికి బదులుగా ఈ ప్రాంతాల మధ్య శక్తి అవరోధాన్ని మార్చడం ద్వారా స్విచింగ్ జరుగుతుంది, ఇది సున్నితమైన మరియు మరింత నమ్మదగిన ఆపరేషన్ను ఎనేబుల్ చేస్తుంది.
- అల్ట్రా-లో పవర్ (Ultra‑low power): సంప్రదాయ పరికరాలకు అవసరమైన కరెంట్ కంటే పది లక్షల రెట్లు తక్కువ కరెంట్ను (currents) ఉపయోగించి మెమ్రిస్టర్ బహుళ వాహక స్థితులకు (conductance states) మారగలదు మరియు స్థిరంగా ఉండగలదు, ఇది శక్తి వినియోగాన్ని గణనీయంగా తగ్గిస్తుంది.
- బహుళ స్థితులు (Multiple states): ఇది డజన్ల కొద్దీ స్థిరమైన వాహక స్థాయిలకు (stable conductance levels) మద్దతు ఇస్తుంది, అనలాగ్ సమాచారాన్ని ఎన్కోడ్ చేయడానికి మరియు లాంగ్ టర్మ్ పొటెన్షియేషన్ (long‑term potentiation) మరియు డిప్రెషన్ వంటి సినాప్టిక్ లెర్నింగ్ నియమాలను (synaptic learning rules) అమలు చేయడానికి అనుమతిస్తుంది.
- సవాళ్లు: ఈ పరికరాన్ని తయారు చేయడానికి అధిక ఉష్ణోగ్రతలు (సుమారు 900 °C) అవసరం, ఇది ఇప్పటికే ఉన్న సిలికాన్ ప్రక్రియలతో అనుకూలతను పరిమితం చేస్తుంది. ఉష్ణ బడ్జెట్ను (thermal budget) తగ్గించే మార్గాలను పరిశోధకులు అన్వేషిస్తున్నారు.
ప్రాముఖ్యత
- శక్తి-సమర్థవంతమైన AI (Energy‑efficient AI): ఇటువంటి మెమ్రిస్టర్లను ప్రాసెసర్లలో ఏకీకృతం చేయడం వల్ల స్మార్ట్ఫోన్లు, ధరించగలిగేవి మరియు ఎడ్జ్ కంప్యూటింగ్లో (edge computing) ఉపయోగించే మెషీన్-లెర్నింగ్ మోడళ్ల (machine‑learning models) శక్తి డిమాండ్లు తగ్గవచ్చు.
- న్యూరోమార్ఫిక్ కంప్యూటింగ్ (Neuromorphic computing): సినాప్టిక్ ప్రవర్తనను (synaptic behaviour) నిశితంగా అనుకరించడం ద్వారా, పరికరాలు మానవ మెదడు వలె నేర్చుకునే మరియు స్వీకరించే హార్డ్వేర్ను ప్రారంభించగలవు, నిజ-సమయ నమూనా గుర్తింపు (real‑time pattern recognition) మరియు అనుకూల నియంత్రణకు (adaptive control) మార్గాలను తెరుస్తాయి.
- మెటీరియల్ సైన్స్లో పురోగతి: జాగ్రత్తగా రూపొందించబడిన ఆక్సైడ్లు ఎలక్ట్రానిక్ పరికరాలలో కొత్త కార్యాచరణను (new functionality) ఎలా అందజేస్తాయో ఈ పని చూపిస్తుంది, నాన్-వోలటైల్ మెమరీ మూలకాలపై (non‑volatile memory elements) తదుపరి పరిశోధనను ప్రేరేపిస్తుంది.
మూలం: ది హిందూ
