बीजिंग स्थित सिंघुआ विश्वविद्यालय के शोधकर्ताओं ने ताइची नामक एक फोटोनिक एआई चिपलेट आर्किटेक्चर प्रस्तुत किया है, जिसका विवरण हाल ही में साइंस में प्रकाशित एक लेख में दिया गया है। इलेक्ट्रॉनिक इंजीनियरिंग विभाग के एसोसिएट प्रोफेसर लू फांग और ऑटोमेशन विभाग के प्रोफेसर किओनघाई दाई द्वारा विकसित यह चिप बड़े पैमाने पर कृत्रिम बुद्धिमत्ता की बढ़ती ऊर्जा आवश्यकताओं को पूरा करती है।
टीम ने 160 टेरा-ऑपरेशन प्रति सेकंड प्रति वाट (TOPS/W) की ऊर्जा दक्षता की सूचना दी, जो ऊर्जा खपत के सापेक्ष एआई प्रसंस्करण शक्ति का एक प्रमुख संकेतक है। चाइना अकादमी के विश्लेषण के अनुसार, यह पहले विकसित की गई तुलनीय फोटोनिक न्यूरल नेटवर्क चिप्स की तुलना में उल्लेखनीय सुधार दर्शाता है।
प्रकाश के साथ AI ऊर्जा समस्या का समाधान
आधुनिक AI मॉडल के लिए अत्यधिक कम्प्यूटेशनल शक्ति की आवश्यकता होती है, जिससे बिजली की खपत और हार्डवेयर की आवश्यकता बढ़ जाती है, जो आगे की प्रगति में बाधा उत्पन्न करती है। जैसा कि IEEE स्पेक्ट्रम ने अपने कवरेज में उजागर किया है, OpenAI के GPT-3 जैसे मॉडलों के प्रशिक्षण की लागत पारंपरिक इलेक्ट्रॉनिक्स की ऊर्जा चुनौतियों को रेखांकित करती है। प्रकाश का उपयोग करके गणना करने वाली फोटोनिक कंप्यूटिंग की दक्षता क्षमता का पता लगाया गया है, लेकिन शोर प्रवर्धन के कारण पिछले प्रयासों में स्केलिंग कठिनाइयों का सामना करना पड़ा था।
ताईची का विकास अमेरिकी व्यापार नियंत्रणों के बीच भी हो रहा है, जो चीन में Nvidia के H100 और H20 GPU जैसे AI त्वरक तक पहुँच को प्रतिबंधित करता है, जिससे वैकल्पिक हार्डवेयर की खोज को संदर्भ मिलता है। IEEE स्पेक्ट्रम द्वारा उद्धृत तुलनाओं से पता चलता है कि ताइची, H100 चिप की तुलना में संभावित रूप से 1,000 गुना अधिक ऊर्जा दक्षता के साथ काम करता है।
भविष्य के घरेलू AI चिप्स में, AI चिप्स के चीनी निर्माता Nvidia और अन्य प्रतिद्वंद्वियों के साथ अंतर को कम करने के लिए इस तकनीक का लाभ उठा सकते हैं। Huawei ने हाल ही में CloudMatrix 384 AI क्लस्टर का अनावरण किया है जो प्रदर्शन में Nvidia के अग्रणी GB200 NVL72 आर्किटेक्चर को मात देता है, लेकिन इसकी कीमत बहुत अधिक बिजली खपत है।
एक हाइब्रिड, वितरित फोटोनिक डिज़ाइन
Taichi अपने चिपलेट्स में प्रकाश विवर्तन और व्यतिकरण तकनीकों को मिलाकर एक विशिष्ट रणनीति अपनाता है, जिसका उद्देश्य विवर्तन के उच्च घनत्व को व्यतिकरण की पुनर्संयोजनीयता के साथ मिलाना है।
यह कार्य टीम के पूर्व शोध पर आधारित है, जिसमें तीव्र छवि प्रसंस्करण पर केंद्रित OPCA नामक एक ऑप्टिकल चिप भी शामिल है। त्रुटियों को बढ़ा सकने वाली गहरी प्रकाशीय परतों के बजाय, ताइची एक वितरित आर्किटेक्चर का उपयोग करता है। लू फैंग ने आईईईई स्पेक्ट्रम को इसे एक “‘गहराई में उथली लेकिन चौड़ाई में व्यापक’ आर्किटेक्चर [जो] नेटवर्क स्केल की गारंटी देता है” के रूप में वर्णित किया।
जटिल एआई कार्यों को समानांतर चिपलेट्स में विभाजित किया जाता है, जिससे सिस्टम बड़े नेटवर्क का प्रबंधन कर सकता है। साइंस के सारांश में इसके 13.96 मिलियन मापदंडों से उत्पन्न “लाखों-न्यूरॉन्स क्षमता” का उल्लेख है, जबकि विश्वविद्यालय की घोषणा में प्रभावी स्केल को “अरबों” न्यूरॉन्स का समर्थन करने वाला बताया गया है।
इस आर्किटेक्चर में लगभग 880 ट्रिलियन MACS/mm² का कम्प्यूटेशनल घनत्व बताया गया है, जो 64×64 जितने बड़े इनपुट/आउटपुट आयामों वाले चिपलेट्स द्वारा समर्थित है। अध्ययन से जुड़े आंकड़ों के अनुसार, इस परियोजना के लिए वित्त पोषण में चीन के विज्ञान और प्रौद्योगिकी मंत्रालय और चीन के राष्ट्रीय प्राकृतिक विज्ञान फाउंडेशन का समर्थन शामिल था।
प्रदर्शित क्षमताएँ और व्यावहारिक बाधाएँ
त्सिंगुआ टीम ने जटिल एआई बेंचमार्क पर ताइची का सत्यापन किया। इसने ओम्निग्लॉट हस्तलिखित वर्ण सेट में 1,623 श्रेणियों को वर्गीकृत करते हुए 91.89% सटीकता और 100-श्रेणी वाले मिनी-इमेजनेट कार्य में 87.74% सटीकता प्राप्त की।
चिप ने सामग्री निर्माण के लिए एआई मॉडल को भी संचालित किया, बाख की शैली में संगीत और वैन गॉग और मंच जैसी छवियाँ तैयार कीं। “ऑप्टिकल न्यूरल नेटवर्क अब खिलौना मॉडल नहीं हैं,”
लू फैंग ने आईईईई स्पेक्ट्रम साक्षात्कार में ज़ोर देकर कहा। “अब इन्हें वास्तविक दुनिया के कार्यों में लागू किया जा सकता है।” हालाँकि, चिपलेट स्वयं कॉम्पैक्ट है, लेकिन पूरे सिस्टम को वर्तमान में पर्याप्त बाहरी उपकरणों की आवश्यकता होती है। लू फैंग ने IEEE स्पेक्ट्रम को बताया कि लेज़र स्रोत और डेटा इंटरकनेक्ट जैसे घटक अभी भी भारी हैं, और प्रयोगशाला में काफ़ी जगह घेरते हैं (“लगभग एक पूरी टेबल”)। भविष्य के कार्यों का उद्देश्य इन कार्यों को और अधिक बारीकी से एकीकृत करना है, और बड़े AI मॉडल, सामग्री निर्माण और रोबोटिक्स में अनुप्रयोगों को लक्षित करना है।
स्रोत: विनबज़र / डिग्पू न्यूज़टेक्स