दिमाग और AIमध्यमपाठ 3014 मिनट का पाठ

न्यूरोमॉर्फिक चिप्स (Neuromorphic chips)

न्यूरोमॉर्फिक चिप्स ऐसे कंप्यूटर चिप्स हैं जिन्हें दिमाग की तरह काम करने के लिए डिज़ाइन किया गया है: स्पाइकिंग न्यूरॉन्स, क्लॉक की जगह इवेंट्स, और कंप्यूटिंग के ठीक पास मेमोरी। जानें कि ये किस काम के लिए अच्छे हैं, और इनकी सीमाएँ क्या हैं।

✦ ट्यूटर से पूछें🧪 लैब · 20 min📝 पाठ का टेस्ट
पाठ वीडियो में

60 सेकंड में

न्यूरोमॉर्फिक चिप्स (Neuromorphic chips)

न्यूरोमॉर्फिक चिप्स ऐसे कंप्यूटर चिप्स हैं जिन्हें दिमाग की तरह काम करने के लिए डिज़ाइन किया गया है: स्पाइकिंग न्यूरॉन्स, क्लॉक की जगह इवेंट्स, और कंप्यूटिंग के ठीक पास मेमोरी।…

1/4
आसान शब्दों में
ज्यादातर कंप्यूटर चिप्स एक ऐसी फैक्ट्री की तरह होते हैं जहाँ हर मशीन पूरे दिन चलती रहती है, भले ही कोई काम न हो। एक न्यूरोमॉर्फिक चिप ऐसी फैक्ट्री की तरह है जहाँ हर मशीन तभी चालू होती है जब कोई पुर्जा आता है, और टूल्स हर मशीन के ठीक बगल में रखे होते हैं। इसे कुछ ऐसे तरीकों की नकल करने के लिए बनाया गया है जिनका इस्तेमाल हमारा दिमाग बिजली बचाने के लिए करता है।
Neuromorphic का मतलब है "नर्वस सिस्टम के आकार या संरचना जैसा"। एक न्यूरोमॉर्फिक चिप ऐसा कंप्यूटर चिप है जिसका डिज़ाइन दिमाग से लिए गए विचारों पर आधारित है। अलग-अलग चिप्स अलग-अलग विचार लेते हैं, लेकिन कुछ सामान्य बातें ये हैं:
  • सिर्फ नंबर क्रंचिंग करने के बजाय, सीधे हार्डवेयर में बने स्पाइकिंग न्यूरॉन्स।
  • इवेंट-ड्रिवन (Event-driven) काम: चिप के हिस्से मुख्य रूप से तभी काम करते हैं जब कोई स्पाइक आता है।
  • कंप्यूटिंग के ठीक बगल में मेमोरी, ताकि डेटा को ज्यादा दूर न जाना पड़े।
  • कई छोटे कोर जो एक साथ काम करते हैं, जैसे एक साथ कई न्यूरॉन्स काम करते हैं।

कुछ उदाहरण जिनके बारे में आप सुन सकते हैं

बड़ी कंपनियों और यूनिवर्सिटी लैब्स ने रिसर्च के लिए न्यूरोमॉर्फिक चिप्स बनाए हैं। इसके दो जाने-माने उदाहरण हैं Intel का Loihi परिवार और IBM का TrueNorth। दोनों स्पाइकिंग न्यूरॉन्स और इवेंट-ड्रिवन डिज़ाइनों का इस्तेमाल करते हैं। समय के साथ डिज़ाइन और वर्ज़न बदलते रहते हैं, इसलिए अगर आपको पूरी जानकारी चाहिए तो हर कंपनी की ताज़ा जानकारी देखें।

दिमाग जैसे सेंसर्स

यही विचार सेंसर्स के लिए भी काम करता है। एक सामान्य कैमरा एक सेकंड में कई बार पूरी तस्वीरें भेजता है, भले ही कुछ भी न हिल रहा हो। एक इवेंट कैमरा (जिसे न्यूरोमॉर्फिक विज़न सेंसर भी कहा जाता है) में ऐसे पिक्सल होते हैं जो केवल तभी सिग्नल भेजते हैं जब उस पिक्सल की ब्राइटनेस बदलती है। एक शांत सीन लगभग कुछ भी नहीं भेजता। एक हिलती हुई चीज़ इवेंट्स का एक सिलसिला भेजती है।
Python: frames versus events for one pixel (made-up readings)python
# MADE-UP brightness readings of one pixel over 12 moments.
readings = [50, 50, 50, 51, 50, 80, 120, 120, 121, 120, 60, 60]
ref, events = readings[0], []
for t, value in enumerate(readings):
    if abs(value - ref) >= 15:          # send an event only on a big change
        events.append((t, "+" if value > ref else "-"))
        ref = value
print("Frame camera sends", len(readings), "values")
print("Event pixel sends", len(events), "events:", events)

ये किसमें अच्छे हैं, और इन्हें कहाँ मुश्किलें आती हैं

मौजूदा चुनौतियाँ
  • स्पाइकिंग नेटवर्क्स को ट्रेन करना सामान्य नेटवर्क्स को ट्रेन करने से ज्यादा कठिन है
  • GPUs की तुलना में कम रेडी-मेड सॉफ्टवेयर टूल्स
  • आज के बड़े लैंग्वेज मॉडल्स को ट्रेन करने जैसे भारी काम के लिए सबसे अच्छा विकल्प नहीं
  • बिजली की असली बचत काम पर निर्भर करती है; इसे नापना ज़रूरी है
उम्मीद जगाने वाले उपयोग
  • बहुत कम पावर के साथ हमेशा चालू रहने वाली सेंसिंग, जैसे किसी आवाज़ या हलचल को पहचानना
  • रोबोट्स और ड्रोन जिन्हें एक छोटी बैटरी पर तेज़ी से काम करना होता है
  • तेज़ हलचल के लिए इवेंट कैमरों के साथ जोड़ी बनाना
  • रिसर्च: दिमाग के मॉडल्स चलाना, जैसे स्पाइकिंग नेटवर्क सिमुलेशन
असली उदाहरण
पश्चिमी घाट के जंगल में लगे एक वाइल्डलाइफ कैमरे की कल्पना करें। इसे एक ही बैटरी पर महीनों तक जानवरों पर नज़र रखनी होती है। ज्यादातर समय, कुछ भी नहीं हिलता। दिमाग जैसा डिज़ाइन, जो केवल तभी काम करता है जब कुछ बदलता है, इस तरह के काम के लिए बिल्कुल सही बैठता है।
नोट
न्यूरोमॉर्फिक कंप्यूटिंग का इस्तेमाल अभी भी ज्यादातर रिसर्च और खास प्रॉडक्ट्स में ही होता है। यह एक रोमांचक क्षेत्र है, लेकिन इसने मुख्यधारा के AI के लिए GPUs की जगह नहीं ली है। जब आप इसे समझाएं तो यह बात साफ़-साफ़ कहें।

और देखें और पढ़ें

लैब

एक इवेंट एनकोडर जो काल्पनिक पिक्सल ब्राइटनेस की रीडिंग्स को बदलाव वाले इवेंट्स में बदलता है, बिल्कुल एक इवेंट कैमरे के एक पिक्सल की तरह।

~20 min

समस्या

यह आपके ब्राउज़र में चलता है। रीडिंग्स काल्पनिक हैं।

  1. स्टार्टर को चलाएं।
  2. to_events(signal, threshold) को पूरा करें। signal[0] से शुरू करते हुए एक रेफरेंस वैल्यू रखें। हर समय t के लिए, अगर abs(signal[t] - ref) >= threshold हो, तो अगर ब्राइटनेस बढ़ी है तो इवेंट (t, +1) जोड़ें या अगर घटी है तो (t, -1) जोड़ें, और ref = signal[t] सेट करें।
  3. थ्रेशोल्ड 10 और 30 के लिए, प्रिंट करें कि रीडिंग्स की संख्या की तुलना में आपको कितने इवेंट्स मिलते हैं।
  4. दो लाइनें लिखें: जब थ्रेशोल्ड बड़ा होता है तो क्या छूट जाता है?

प्रैक्टिस लैब

कोड में बदलाव करें और इसे रन करें। Python आपके ब्राउज़र में चलता है — हमारे सर्वर पर कुछ नहीं भेजा जाता।

आउटपुट

कोई आउटपुट नहीं। वैल्यूज़ देखने के लिए print(...) जोड़ें।

आपका काम तब पूरा होगा जब

कठिन सवाल

उत्तर देखने से पहले ख़ुद जवाब देने की कोशिश करें। अगर आप इनके जवाब दे सकते हैं, तो आप पाठ समझ गए हैं।

Q1सिर्फ पिछली रीडिंग के बजाय रेफरेंस वैल्यू से तुलना क्यों करें?दिखाएं

एक धीमा, लगातार होने वाला बदलाव, जैसे किसी रोशनी का हर पल थोड़ा-थोड़ा धीमा होना, पिछली रीडिंग से कभी भी थ्रेशोल्ड जितना अलग नहीं हो सकता, इसलिए पड़ोसियों से तुलना करने पर यह पूरी तरह छूट जाएगा। पिछले इवेंट की वैल्यू से तुलना करने पर छोटे-छोटे बदलाव तब तक जुड़ते रहते हैं जब तक कि वे रिपोर्ट करने लायक बड़े न हो जाएं।

Q2एक इवेंट कैमरा टिमटिमाती लाइटों और ढेर सारी हलचल वाली व्यस्त सड़क पर नज़र रखता है। बिजली की बचत कम क्यों हो सकती है?दिखाएं

इवेंट-ड्रिवन सेंसिंग तब मेहनत बचाती है जब बहुत कम बदलाव होते हैं। ढेर सारी हलचल और टिमटिमाहट के साथ, बहुत सारे पिक्सल हर समय बदलते रहते हैं, इसलिए इवेंट्स का सिलसिला बहुत बड़ा हो जाता है, और इसे प्रोसेस करने में बिजली खर्च होती है। यह पाठ 6 जैसा ही नियम है: बचत इस बात पर निर्भर करती है कि एक्टिविटी कितनी कम (स्पार्स) है।

जारी रखने के लिए कृपया साइन इन करें।

अक्सर पूछे जाने वाले सवाल

क्या मैं न्यूरोमॉर्फिक चिप खरीद सकता हूँ?

रिसर्च वाले कुछ चिप्स रिसर्च ग्रुप्स को उपलब्ध कराए जाते हैं, और दिमाग से प्रेरित कुछ सेंसर्स और छोटे चिप्स प्रॉडक्ट्स के रूप में बेचे जाते हैं। हर कंपनी के मौजूदा ऑफर्स देखें, क्योंकि यह तेज़ी से बदलता रहता है।

क्या मैं बिना खास हार्डवेयर के स्पाइकिंग नेटवर्क्स आज़मा सकता हूँ?

हाँ। स्पाइकिंग न्यूरॉन्स को किसी भी कंप्यूटर पर सिम्युलेट किया जा सकता है, जैसा कि आपने पाठ 5 में किया था। Python में स्पाइकिंग नेटवर्क्स को सिम्युलेट करने के लिए ओपन-सोर्स लाइब्रेरीज़ मौजूद हैं।

क्या न्यूरोमॉर्फिक चिप्स GPUs की जगह ले लेंगे?

कोई नहीं जानता। आज वे कम पावर वाले, इवेंट-ड्रिवन कामों के लिए अच्छे हैं, जबकि बड़े AI मॉडल्स को ट्रेन करने और चलाने के लिए GPUs सबसे आगे हैं। इसकी ज्यादा संभावना है कि अलग-अलग कामों के लिए अलग-अलग चिप्स का इस्तेमाल किया जाएगा।

पाठ का टेस्ट

5 सवाल। पास होने और इस पाठ को पूरा करने के लिए 3 सही होने चाहिए (60%)।

टेस्ट देने और अपनी प्रोग्रेस सेव करने के लिए साइन इन करें