एमआयटी त्याच्या नवीन “100 पट वेगवान” चिपसह आश्चर्यकारक लाइट-स्पीड 6 जी प्रक्रिया पाहते
डेटा रहदारी जवळजवळ चकचकीत वेगाने वाढत आहे. एडहोलमचा कायदा दर्शवितो की डेटा दर आणि स्पेक्ट्रम दोन्ही आवश्यक आहेत. त्याच वेळी, मूरचा कायदा कमी होत आहे त्याप्रमाणे खोल न्यूरल नेटवर्क अधिक संगणकीय शक्ती वाढवत आहेत. या जुळणीने अभियंत्यांना 6 जी सारख्या भविष्यातील नेटवर्क हाताळण्यासाठी नवीन मार्गांचा शोध घेण्यास भाग पाडले आहे.
एमआयटी (मॅसेच्युसेट्स इन्स्टिट्यूट ऑफ टेक्नॉलॉजी) मधील एका टीमने फक्त वायरलेस सिग्नलसाठी डिझाइन केलेले एक नवीन एआय चिप तयार केली. त्यांच्या डिव्हाइसला गुणाकार एनालॉग फ्रिक्वेन्सी ट्रान्सफॉर्म ऑप्टिकल न्यूरल नेटवर्क (एमएएफटी-ओएनएन) म्हणतात. हे कच्च्या रेडिओ-फ्रिक्वेन्सी (आरएफ) सिग्नलवरील एनालॉग फॉर्ममध्ये संपूर्णपणे कार्य करते. प्रयोगशाळेच्या चाचण्यांमध्ये हे मॉड्युलेशन वर्गीकरण हाताळले गेले जे द्रुतपणे 95 टक्के अचूकतेपर्यंत पोहोचले. एमएनआयएसटी (सुधारित नॅशनल इन्स्टिट्यूट ऑफ स्टँडर्ड्स अँड टेक्नॉलॉजी) डेटासेटकडून हस्तलिखित अंक ओळखण्यासाठी जवळजवळ चार दशलक्ष पूर्णपणे एनालॉग गुणाकार-संचयित ऑपरेशन्स देखील चालविली.
शास्त्रीय ऑप्टिकल न्यूरल नेटवर्क बर्याचदा स्केलिंगवर रोडब्लॉक मारतात आणि बर्याच अतिरिक्त हार्डवेअरसह समाप्त होतात. कोणतेही डिजिटायझिंग होण्यापूर्वी माफ-ओएनएन सिग्नलला वारंवारता डोमेनमध्ये रूपांतरित करून सोडवते. प्रत्येक स्तर स्पॉटवर सरळ-ओळ (रेखीय) आणि अधिक जटिल (नॉनलाइनर) गणित दोन्ही करण्यासाठी एकल ऑप्टिकल प्रोसेसर वापरते. रोनाल्ड डेव्हिस तिसरा पीएचडी ’24 म्हणतात, “आम्ही एकाच डिव्हाइसवर 10,000 न्यूरॉन्स बसवू शकतो आणि एकाच शॉटमध्ये आवश्यक गुणाकारांची गणना करू शकतो.
शॅनन क्षमता मर्यादेजवळील एनालॉग फॉर्ममध्ये डेटा हलविल्याबद्दल धन्यवाद (जे संप्रेषण चॅनेलवर प्रसारित करता येणा compant ्या जास्तीत जास्त माहितीची व्याख्या करते), एमएएफटी-ओएनएन नियमित आरएफ रिसीव्हर्सपेक्षा शेकडो पट वेगवान चालते. एकाच 120-नॅनोसेकॉन्डमध्ये शॉटमध्ये 85 टक्के अचूकता मिळाली. आणखी काही मोजमाप घेऊन ते 99 टक्क्यांपेक्षा जास्त वाढू शकते. डेव्हिस पुढे म्हणाले, “तुम्ही जितके जास्त मोजता तितके जास्त अचूकता तुम्हाला मिळेल. कारण माफ्ट-ओएनएन नॅनोसेकंदांमधील अनुमानांची गणना करते, अधिक अचूकता मिळविण्यासाठी तुम्हाला जास्त वेग कमी होत नाही,” डेव्हिस पुढे म्हणाले.
डिजिटल एआय चिप्सच्या तुलनेत, हा फोटॉनिक (तो प्रकाशावर आधारित असल्याने) प्रोसेसर खूपच कमी शक्तीची पूर्तता करताना सुमारे 100 पट वेगवान आहे. हे देखील लहान, फिकट आणि स्वस्त आहे. यामुळे डेटा दर जास्त आणि हस्तक्षेप कमी करण्यासाठी रिअल टाइममध्ये त्यांच्या मॉड्यूलेशन स्वरूपात चिमटा काढणार्या संज्ञानात्मक रेडिओसारख्या एज गॅझेटसाठी ते एक नैसर्गिक तंदुरुस्त बनवते.
“वायरलेस सिग्नलचे विश्लेषण करण्यास सक्षम असलेल्या एज डिव्हाइसद्वारे असे बरेच अनुप्रयोग सक्षम केले जातील. आम्ही आमच्या पेपरमध्ये जे काही सादर केले आहे ते रिअल-टाइम आणि विश्वासार्ह एआय अनुमानासाठी बर्याच शक्यता उघडू शकते. हे काम विज्ञानातील ज्येष्ठ लेखक आणि विज्ञानाच्या वकिलांचे प्राध्यापक डिक एंग्लंड म्हणतात.
हलका वेगाने खोल-शिक्षण देणे वायरलेसच्या पलीकडे मदत करू शकते. हे कदाचित स्वत: ची ड्रायव्हिंग कार डोळ्याच्या डोळ्यांसमोर प्रतिक्रिया देऊ शकेल किंवा स्मार्ट पेसमेकर्सना हृदयाच्या आरोग्यावर सतत लक्ष ठेवण्याची परवानगी देऊ शकेल. पुढे, संघाने अधिक गणना वाढविण्यासाठी मल्टीप्लेक्सिंग योजना जोडण्याची आणि ट्रान्सफॉर्मर्स आणि मोठ्या भाषेच्या मॉडेल्ससारख्या मोठ्या एआय मॉडेल्सच्या डिझाइनला अनुकूल करण्याची योजना आखली आहे.
स्रोत: एमआयटी न्यूज, विज्ञान प्रगती
हा लेख एआयच्या काही मदतीने तयार केला गेला आणि संपादकाने पुनरावलोकन केले. खाली कॉपीराइट कायदा 1976 चा कलम 107ही सामग्री बातम्यांच्या अहवालाच्या उद्देशाने वापरली जाते. वाजवी वापर हा कॉपीराइट कायद्याद्वारे परवानगी आहे जो अन्यथा उल्लंघन करणारा असू शकतो.
