ન્યુરોમોર્ફિક કમ્પ્યુટિંગ: માનવ મગજમાંથી પ્રેરણા લઈને રચાયેલી ભવિષ્યની સિલિકોન ક્રાંતિ
પરંપરાગત કમ્પ્યુટિંગની મર્યાદાઓ તોડીને માનવ મગજની જેમ કામ કરતા ન્યુરોમોર્ફિક ચિપ્સ અને સ્પાઇકિંગ ન્યુરલ નેટવર્ક્સ ટેકનોલોજીની દુનિયાને કેવી રીતે બદલી રહ્યા છે તેનું ઊંડું પૃથક્કરણ.
આજના ડિજિટલ યુગમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) નો ઉપયોગ ચરમસીમા પર છે, પરંતુ તેની પાછળ વપરાતી કમ્પ્યુટિંગ ઊર્જા અને પ્રોસેસિંગ ક્ષમતા એક મોટો પડકાર બની રહી છે. પરંપરાગત કમ્પ્યુટિંગ સિસ્ટમ્સ 'વોન ન્યુમેન આર્કિટેક્ચર' પર આધારિત છે, જેમાં પ્રોસેસર અને મેમરી અલગ-અલગ હોય છે. આ મર્યાદાને દૂર કરવા માટે વિજ્ઞાનીઓ હવે માનવ મગજની રચના અને કાર્યપદ્ધતિમાંથી પ્રેરણા લઈ રહ્યા છે. આ અભિગમને ન્યુરોમોર્ફિક કમ્પ્યુટિંગ (Neuromorphic computing) કહેવામાં આવે છે. ન્યુરોમોર્ફિક સિસ્ટમ્સ કૃત્રિમ ન્યુરોન્સ (artificial neurons) અને સિનેપ્સ (synapses) નો ઉપયોગ કરીને માહિતીનું પ્રક્રિયાકરણ કરે છે, જે માનવ મગજની જેમ પર્યાવરણને સમજવા, ગતિ નિયંત્રણ અને બહુવિધ સંવેદનાઓને એકીકૃત કરવા જેવા જટિલ કાર્યો કરે છે.
આ સિસ્ટમ્સ એનાલોગ (analog), ડિજિટલ (digital) અથવા મિશ્ર-મોડ VLSI (વેરી લાર્જ સ્કેલ ઇન્ટિગ્રેશન: મોટા પાયે સંકલિત સર્કિટ) હાર્ડવેર પર અમલમાં મૂકવામાં આવે છે. મગજની જેમ જ, આ સિસ્ટમ્સ નાના કમ્પ્યુટિંગ તત્વોમાં વિતરિત પ્રક્રિયાકરણ (distributed processing) કરે છે, જે ઊર્જા કાર્યક્ષમતા અને શીખવાની ક્ષમતામાં ઘણો વધારો કરે છે. ન્યુરોમોર્ફિક એન્જિનિયરિંગ એ જીવવિજ્ઞાન, ભૌતિકશાસ્ત્ર, ગણિત, કમ્પ્યુટર વિજ્ઞાન અને ઇલેક્ટ્રોનિક એન્જિનિયરિંગનો સમન્વય ધરાવતું એક આંતરશાખાકીય ક્ષેત્ર છે.
- સિગ્નલ ગ્રહણઆવનારા સ્પાઇક્સ (વીજ આવેગો) ન્યુરોનના મેમ્બ્રેન પોટેન્શિયલને ઊંચો કે નીચો કરે છે.
- પોટેન્શિયલ સંચયસમય જતાં ન્યુરોનમાં વીજભાર એકઠો થાય છે, જે લીકી ઇન્ટિગ્રેટ-એન્ડ-ફાયર (LIF) મોડેલ દ્વારા ગણવામાં આવે છે.
- થ્રેશોલ્ડ સ્પર્શ અને ફાયરિંગજ્યારે મેમ્બ્રેન પોટેન્શિયલ ચોક્કસ થ્રેશોલ્ડ મૂલ્ય સુધી પહોંચે છે, ત્યારે ન્યુરોન ફાયર થઈ સ્પાઇક ઉત્સર્જિત કરે છે.
- સિગ્નલ પ્રસારણ અને રિસેટઉત્સર્જિત સંકેત આગળના ન્યુરોન્સ તરફ જાય છે અને મૂળ ન્યુરોનનું પોટેન્શિયલ નીચા મૂલ્ય પર રિસેટ થાય છે.
ન્યુરોમોર્ફિક કમ્પ્યુટિંગનો ઇતિહાસ અને ક્રાંતિકારી પડાવો
ન્યુરોમોર્ફિક એન્જિનિયરિંગનો ખ્યાલ સૌથી પહેલાં ૧૯૮૦ના દાયકાના અંતમાં કાર્વર મીડ (Carver Mead) દ્વારા પ્રસ્તાવિત કરવામાં આવ્યો હતો. ત્યારબાદ આ ક્ષેત્રમાં ઝડપી સંશોધનો શરૂ થયા. ૨૦૦૬માં, જ્યોર્જિયા ટેકના સંશોધકોએ એક ફીલ્ડ પ્રોગ્રામેબલ ન્યુરલ એરે (Field Programmable Neural Array) વિકસાવ્યો, જે સિલિકોન આધારિત ચિપ પર ન્યુરોનના આયન કેનલ લક્ષણોનું મોડેલિંગ કરતો હતો. ૨૦૧૧માં, MITના સંશોધકોએ standard CMOS ટેકનોલોજી અને ૪૦૦ ટ્રાન્ઝિસ્ટરનો ઉપયોગ કરીને સિનેપ્ટિક કોમ્યુનિકેશનની નકલ કરતી એક ચિપ બનાવી.
૨૦૧૨માં HP લેબ્સના સંશોધકોએ દર્શાવ્યું કે મોટ મેમરિસ્ટર્સ (Mott memristors) નીચા તાપમાને અસ્થિર વર્તન દર્શાવે છે, જેનાથી ન્યુરિસ્ટર્સ બનાવવાનું શક્ય બન્યું જે ન્યુરોનના વર્તનની નકલ કરી શકે છે. તે જ વર્ષે પર્ડ્યુ યુનિવર્સિટીના સંશોધકોએ લેટરલ સ્પિન વાલ્વ અને મેમરિસ્ટર્સનો ઉપયોગ કરીને ઉર્જા-કાર્યક્ષમ ચિપ ડિઝાઇન રજૂ કરી. ૨૦૧૩માં શરુ થયેલા બ્લૂ બ્રેઇન પ્રોજેક્ટ (Blue Brain Project) વડે ઉંદરના મગજના વિગતવાર ડિજિટલ મોડેલ બનાવવામાં આવ્યા. ૨૦૧૪માં સ્ટેનફોર્ડ યુનિવર્સિટીના બ્રેઇન્સ ઇન સિલિકોન ગ્રુપ દ્વારા 'ન્યુરોગ્રીડ' (Neurogrid) વિકસાવવામાં આવ્યું, જેમાં ૧૬ NeuroCore ચિપ્સનો ઉપયોગ કરીને ૬૫,૫૩૬ ન્યુરોન્સનું ઉચ્ચ ઊર્જા કાર્યક્ષમતા સાથે અનુકરણ કરવામાં આવ્યું. આ જ વર્ષે IBM ની TrueNorth ચિપ અને BRAIN ઇનિશિયેટિવે પણ આ ક્ષેત્રે મોટું પ્રદાન આપ્યું.
૨૦૧૬માં હાઇડેલબર્ગ યુનિવર્સિટી ખાતે વિકસાવવામાં આવેલ 'બ્રેઇનસ્કેલ્સ' (BrainScaleS) હાઇબ્રિડ સુપરકમ્પ્યુટર જૈવિક ન્યુરોન્સ કરતાં ૮૬૪ ગણી ઝડપે કામ કરવા માટે સક્ષમ હતું. ૨૦૧૭માં Intel દ્વારા તેની 'લોઇહી' (Loihi) ચિપ જાહેર કરવામાં આવી, જે અસિંક્રોનસ કૃત્રિમ ન્યુરલ નેટવર્કનો ઉપયોગ કરીને ઓનલાઇન લર્નિંગ અને ઇન્ફરન્સ માટે અનુકૂળ હતી. તે જ વર્ષે IMEC ની ઓક્સઆરએએમ (OxRAM) આધારિત સેલ્ફ-લર્નિંગ ચિપે મિનુએટ્સમાંથી શીખીને સંગીત કંપોઝ કરીને દર્શાવ્યું.
૨૦૧૮માં ETH ઝ્યુરિચ અને ઝ્યુરિચ યુનિવર્સિટીના સંશોધકોએ DYNAP-SE પ્રોસેસર વિકસાવ્યો, જેમાં ૪ કોર હતા અને પ્રત્યેક કોરમાં ૨૫૬ એડેપ્ટિવ એક્સપોનેન્શિયલ ઇન્ટિગ્રેટ-એન્ડ-ફાયર ન્યુરોન્સ હતા. ૨૦૨૨માં MIT ના સંશોધકોએ એનાલોગ ડીપ લર્નિંગ માટે પ્રોટોન આધારિત કૃત્રિમ સિનેપ્સ બનાવ્યા. ૨૦૧૯માં યુરોપિયન યુનિયને ન્યુરોમોર્ફિક ક્વોન્ટમ કમ્પ્યુટિંગ માટે ભંડોળ પૂરું પાડ્યું, અને ૨૦૨૨માં મેક્સ પ્લાન્ક ઇન્સ્ટિટ્યૂટે ઓર્ગેનિક આર્ટિફિશિયલ સ્પાઇકિંગ ન્યુરોન વિકસાવ્યો. તાજેતરમાં ૨૦૨૪માં, પ્રવાહી દ્રાવણમાં રસાયણિક સિસ્ટમો વડે વિવિધ તરંગલંબાઇના અવાજને ઓળખવામાં સફળતા મળી છે, જ્યારે ફેરોઇલેક્ટ્રિક FETs (FeFETs) પર પણ અતિ નીચા ઊર્જા વપરાશ માટે સંશોધનો થઈ રહ્યા છે.
| વર્ષ | વિકાસ / પ્રોજેક્ટ |
|---|---|
| ૨૦૧૨ | HP લેબ્સ દ્વારા મેમરિસ્ટર્સ પર સંશોધન |
| ૨૦૧૪ | સ્ટેનફોર્ડ યુનિવર્સિટી દ્વારા 'ન્યુરોગ્રીડ' |
| ૨૦૧૭ | Intel દ્વારા 'લોઇહી' (Loihi) ચિપ જાહેર |
| ૨૦૧૮ | ETH ઝ્યુરિચ દ્વારા DYNAP-SE પ્રોસેસર |
જૈવિક પ્રેરણા અને સ્પાઇકિંગ ન્યુરલ નેટવર્ક્સ (SNN)
માનવ મગજમાં માહિતીનું આદાન-પ્રદાન રાસાયણિક અને વીજળીક સંકેતો દ્વારા થાય છે. ન્યુરોમોર્ફિક સિસ્ટમ્સમાં આ પ્રક્રિયા માટે સ્પાઇકિંગ ન્યુરલ નેટવર્ક્સ (Spiking Neural Networks - SNN) નો ઉપયોગ કરવામાં આવે છે. પરંપરાગત આર્ટિફિશિયલ ન્યુરલ નેટવર્ક્સ (ANN) માં દરેક સાયકલે માહિતી ટ્રાન્સમિટ થાય છે, જ્યારે SNN માં માહિતી ચોક્કસ સમયગાળામાં આવતા 'સ્પાઇક્સ' (spikes: વીજ આવેગ) દ્વારા મોકલવામાં આવે છે.
SNN માં દરેક ન્યુરોનનો એક આંતરિક 'મેમ્બ્રેન પોટેન્શિયલ' (membrane potential) હોય છે. જ્યારે આવનારા ઇનપુટ્સના કારણે આ પોટેન્શિયલ ચોક્કસ મર્યાદા એટલે કે 'થ્રેશોલ્ડ' (threshold) સુધી પહોંચે છે, ત્યારે જ ન્યુરોન ફાયર થાય છે અને સ્પાઇક જનરેટ કરે છે. આ મોડેલને લીકી ઇન્ટિગ્રેટ-એન્ડ-ફાયર (Leaky Integrate-and-Fire - LIF) મોડેલ કહેવામાં આવે છે. જૈવિક દ્રષ્ટિએ ૧૯૫૨માં હોજકિન-હક્સલી (Hodgkin-Huxley) મોડેલ રજૂ થયો હતો, ત્યારબાદ ફિટ્ઝહ્યુગ-નાગુમો (1961-1962) અને હિન્દમાર્શ-રોઝ (1984) મોડેલો આવ્યા, પરંતુ LIF ગણતરીમાં સરળ હોવાથી વધુ વપરાય છે.
જૈવિક સંશોધનો દર્શાવે છે કે માનવ મગજ અદ્ભુત ઝડપે પ્રક્રિયા કરે છે. ઉદાહરણ તરીકે, આંખની રેટિનાથી લઈને મગજના ટેમ્પોરલ લોબ સુધીના સ્તરોમાંથી પસાર થઈને છબી ઓળખવાનું કાર્ય માનવ ન્યુરોન પ્રતિ સ્તર માત્ર ૧૦ મિલિસેકન્ડ (ms) ના સમયગાળામાં કરી લે છે. આટલા ટૂંકા સમયમાં રેટ-બેઝ્ડ (rate-based) કોડિંગ શક્ય નથી, તેથી સમય-આધારિત ટેમ્પોરલ કોડિંગ (temporal coding) મહત્વનું બને છે. SNN માં માહિતીને એન્કોડ કરવા માટે વિશિષ્ટ પદ્ધતિઓનો ઉપયોગ થાય છે, જેમ કે ટેમ્પોરલ કોડિંગ, રેટ કોડિંગ, ડાયરેક્ટ કોડિંગ, ફેઝ કોડિંગ અને બર્સ્ટ કોડિંગ.
SNN ની એક મુખ્ય સમસ્યા એ છે કે સ્પાઇક-આધારિત એક્ટિવેશન ડિફરન્શિએબલ (differentiable) હોતું નથી, જેના કારણે પરંપરાગત ગ્રેડિયન્ટ ડિસેન્ટ બેકપ્રોપેગેશન (backpropagation) નો સીધો ઉપયોગ થઈ શકતો નથી. આ સમસ્યા ઉકેલવા માટે સંશોધકો લોકલ લર્નિંગ રૂલ્સ, સરોગેટ ગ્રેડિયન્ટ (Surrogate Gradient - SG), અને સ્પાઇક ફ્રીક્વન્સી એડેપ્ટેશન (Spike Frequency Adaptation - SFA) નો ઉપયોગ કરે છે. SFA ની મદદથી હાઇ-પર્ફોર્મન્સ ડીપ SNN પ્રતિ ન્યુરોન માત્ર ૦.૩ સ્પાઇક્સ સાથે પણ કાર્યક્ષમ રીતે કામ કરી શકે છે.
હાર્ડવેર આર્કિટેક્ચર, મેમરિસ્ટર્સ અને સેન્સર્સ
ન્યુરોમોર્ફિક સિસ્ટમ્સના હાર્ડવેર નિર્માણ માટે ઓક્સાઇડ-આધારિત મેમરિસ્ટર્સ (memristors), સ્પિન્ટ્રોનિક મેમરી, થ્રેશોલ્ડ સ્વિચ અને ખાસ ટ્રાન્ઝિસ્ટરનો ઉપયોગ થાય છે. ન્યુરોમેમરિસ્ટિવ સિસ્ટમ્સ ન્યુરોપ્લાસ્ટીસીટી (neuroplasticity) નો અમલ કરવા માટે મેમરિસ્ટરનો ઉપયોગ કરે છે. આ સિસ્ટમો સ્પીચ રેકગ્નિશન, ફેસ રેકગ્નિશન અને ઓબ્જેક્ટ રેકગ્નિશનમાં પરંપરાગત ડિજિટલ લોજિક ગેટ્સનું સ્થાન લઈ શકે છે.
હાર્ડવેર ઉપરાંત, ન્યુરોમોર્ફિક તત્વો સેન્સર્સમાં પણ વપરાય છે. ઉદાહરણ તરીકે, રેટીનોમોર્ફિક સેન્સર અથવા ઇવેન્ટ કેમેરા (event camera) માનવ આંખની નકલ કરે છે. સામાન્ય કેમેરાની જેમ સતત આખી ફ્રેમ રેકોર્ડ કરવાને બદલે, ઇવેન્ટ કેમેરા માત્ર તે જ પિક્સેલ્સનો ડેટા પ્રોસેસ કરે છે જ્યાં તેજસ્વિતા (brightness) માં ફેરફાર થયો હોય. આનાથી પાવર વપરાશમાં મોટો ઘટાડો થાય છે.
ન્યુરોમોર્ફિક SNN ને સિમ્યુલેટ કરવા માટે વિશિષ્ટ સોફ્ટવેર સાધનો પણ ઉપલબ્ધ છે, જેમાં Brian (ENS દ્વારા વિકસિત), GENESIS (Caltech), NEST, NEURON (Yale/Duke), RAVSim અને snnTorch (PyTorch આધારિત) નો સમાવેશ થાય છે. હાર્ડવેર પ્લેટફોર્મ્સમાં યુનિવર્સિટી ઓફ માન્ચેસ્ટરનું SpiNNaker, IBM નું TrueNorth, Intel નું Loihi, અને ઇરોપિયન BrainScaleS મુખ્ય છે.
નૈતિક અને કાનૂની વિવાદો: મશીન ચૈતન્ય અને માલિકીના પ્રશ્નો
જેમ જેમ ન્યુરોમોર્ફિક સિસ્ટમ્સ માનવ મગજની વધુ નજીક પહોંચી રહી છે, તેમ તેમ કેટલીક ગંભીર નૈતિક અને કાનૂની ચર્ચાઓ પણ શરૂ થઈ છે. ન્યુરોમોર્ફિક ટેકનોલોજીથી અદ્યતન AI સિસ્ટમોમાં 'મશીન ચૈતન્ય' (machine consciousness) ઉદ્ભવી શકે છે કે કેમ તે અંગે સંશોધક ડેનિયલ લિમ (Daniel Lim) દ્વારા ચિંતા વ્યક્ત કરવામાં આવી છે. જો મશીન ચેતના પ્રાપ્ત કરે, તો શું તેમને નાગરિક અધિકારો કે ચોક્કસ સુરક્ષા પ્રોટોકોલ આપવા જોઈએ તે પ્રશ્ન ઉપસ્થિત થાય છે.
કાનૂની ક્ષેત્રે પણ જટિલ પ્રશ્નો ઉભા થયા છે. ઉદાહરણ તરીકે, *Acohs Pty Ltd v. Ucorp Pty Ltd* જેવા કાનૂની કેસોમાં એવો વિવાદ થયો હતો કે ન્યુરોમોર્ફિક સિસ્ટમ દ્વારા આપોઆપ જનરેટ થયેલા કામની માલિકી કોની ગણાય. જો કોઈ સર્જન માનવ દ્વારા ન કરવામાં આવ્યું હોય, તો વર્તમાન કાયદા મુજબ તેના પર કોપીરાઇટનો અધિકાર મળી શકે કે કેમ તે અંગે હજુ વૈશ્વિક સ્તરે સ્પષ્ટતાનો અભાવ છે.
