ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್: ಮೆದುಳಿನ-ಪ್ರೇರಿತ ಚಿಪ್‌ಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಅದರಾಚೆಗೆ ಹೇಗೆ ಕ್ರಾಂತಿಯನ್ನುಂಟುಮಾಡುತ್ತಿವೆ

ದಶಕಗಳಿಂದ, ಡಿಜಿಟಲ್ ಪ್ರಗತಿಯ ಚಾಲಕಶಕ್ತಿ ಸಾಂಪ್ರದಾಯಿಕ ಕಂಪ್ಯೂಟರ್ ಆಗಿದೆ, ಇದು ತರ್ಕ ಮತ್ತು ವೇಗದ ಅದ್ಭುತವಾಗಿದೆ. ಆದರೂ, ಅದರ ಎಲ್ಲಾ ಶಕ್ತಿಗೂ, ನಮ್ಮ ತಲೆಬುರುಡೆಯೊಳಗಿನ ಮೂರು ಪೌಂಡ್ ವಿಶ್ವಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಅದು ಮಸುಕಾಗುತ್ತದೆ. ಮಾನವನ ಮೆದುಳು ಸಾಮಾನ್ಯ ಲೈಟ್‌ಬಲ್ಬ್‌ಗಿಂತ ಕಡಿಮೆ ಶಕ್ತಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಗುರುತಿಸುವಿಕೆ, ಕಲಿಕೆ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯಂತಹ ಸಾಧನೆಗಳನ್ನು ಮಾಡುತ್ತದೆ. ಈ ದಿಗ್ಭ್ರಮೆಗೊಳಿಸುವ ದಕ್ಷತೆಯ ಅಂತರವು ಗಣನೆಯಲ್ಲಿ ಹೊಸ ಗಡಿಯನ್ನು ಪ್ರೇರೇಪಿಸಿದೆ: ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್. ಇದು ಸಾಂಪ್ರದಾಯಿಕ ಕಂಪ್ಯೂಟರ್ ವಾಸ್ತುಶಿಲ್ಪದಿಂದ ಒಂದು ಆಮೂಲಾಗ್ರ ಬದಲಾವಣೆಯಾಗಿದ್ದು, ಕೇವಲ AI ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ಚಲಾಯಿಸುವುದಲ್ಲದೆ, ಮೂಲಭೂತವಾಗಿ ಮೆದುಳಿನಂತೆ ಯೋಚಿಸುವ ಮತ್ತು ಮಾಹಿತಿಯನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಹಾರ್ಡ್‌ವೇರ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ.

ಈ ಬ್ಲಾಗ್ ಪೋಸ್ಟ್ ಈ ರೋಮಾಂಚಕಾರಿ ಕ್ಷೇತ್ರಕ್ಕೆ ನಿಮ್ಮ ಸಮಗ್ರ ಮಾರ್ಗದರ್ಶಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ನಾವು ಮೆದುಳಿನ-ಪ್ರೇರಿತ ಚಿಪ್‌ಗಳ ಪರಿಕಲ್ಪನೆಯನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತೇವೆ, ಅವುಗಳನ್ನು ಅಷ್ಟು ಶಕ್ತಿಯುತವಾಗಿಸುವ ಮೂಲ ತತ್ವಗಳನ್ನು ಅನ್ವೇಷಿಸುತ್ತೇವೆ, ಜಗತ್ತಿನಾದ್ಯಂತದ ಪ್ರವರ್ತಕ ಯೋಜನೆಗಳನ್ನು ಸಮೀಕ್ಷೆ ಮಾಡುತ್ತೇವೆ ಮತ್ತು ತಂತ್ರಜ್ಞಾನದೊಂದಿಗೆ ನಮ್ಮ ಸಂಬಂಧವನ್ನು ಮರು ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ ಅನ್ವಯಿಕೆಗಳತ್ತ ನೋಡುತ್ತೇವೆ.

ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಎಂದರೇನು? ವಾಸ್ತುಶಿಲ್ಪದಲ್ಲಿ ಒಂದು ಮಾದರಿ ಬದಲಾವಣೆ

ಅದರ ಹೃದಯಭಾಗದಲ್ಲಿ, ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಎಂಬುದು ಕಂಪ್ಯೂಟರ್ ಇಂಜಿನಿಯರಿಂಗ್‌ನ ಒಂದು ವಿಧಾನವಾಗಿದ್ದು, ಇದರಲ್ಲಿ ಚಿಪ್‌ನ ಭೌತಿಕ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಜೈವಿಕ ಮೆದುಳಿನ ರಚನೆಯ ಮೇಲೆ ಮಾದರಿ ಮಾಡಲಾಗುತ್ತದೆ. ಇದು ಇಂದಿನ AI ಗಿಂತ ಸಂಪೂರ್ಣವಾಗಿ ಭಿನ್ನವಾಗಿದೆ, ಅದು ಸಾಂಪ್ರದಾಯಿಕ ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ ಚಲಿಸುತ್ತದೆ. ಇದನ್ನು ಈ ರೀತಿ ಯೋಚಿಸಿ: ನಿಮ್ಮ ಲ್ಯಾಪ್‌ಟಾಪ್‌ನಲ್ಲಿ ಚಲಿಸುವ ಫ್ಲೈಟ್ ಸಿಮ್ಯುಲೇಟರ್ ಹಾರಾಟದ ಅನುಭವವನ್ನು ಅನುಕರಿಸಬಹುದು, ಆದರೆ ಅದು ಎಂದಿಗೂ ನಿಜವಾದ ವಿಮಾನವಾಗುವುದಿಲ್ಲ. ಅಂತೆಯೇ, ಇಂದಿನ ಡೀಪ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಗಳು ಸಾಫ್ಟ್‌ವೇರ್‌ನಲ್ಲಿ ನರಮಂಡಲ ಜಾಲಗಳನ್ನು ಅನುಕರಿಸುತ್ತವೆ, ಆದರೆ ಅವುಗಳಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸದ ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ ಚಲಿಸುತ್ತವೆ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಎಂದರೆ ಆ ವಿಮಾನವನ್ನು ನಿರ್ಮಿಸುವುದಾಗಿದೆ.

ವಾನ್ ನ್ಯೂಮನ್ ಬಾಟಲ್‌ನೆಕ್ ಅನ್ನು ಮೀರುವುದು

ಈ ಬದಲಾವಣೆ ಏಕೆ ಅಗತ್ಯವೆಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ನಾವು ಮೊದಲು 1940 ರ ದಶಕದಿಂದ ನಿರ್ಮಿಸಲಾದ ಪ್ರತಿಯೊಂದು ಕಂಪ್ಯೂಟರ್‌ನ ಮೂಲಭೂತ ಮಿತಿಯನ್ನು ನೋಡಬೇಕು: ವಾನ್ ನ್ಯೂಮನ್ ವಾಸ್ತುಶಿಲ್ಪ. ಈ ವಿನ್ಯಾಸವು ಸೆಂಟ್ರಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ಯುನಿಟ್ (CPU) ಅನ್ನು ಮೆಮೊರಿ ಯುನಿಟ್ (RAM) ನಿಂದ ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ. ಡೇಟಾವು ನಿರಂತರವಾಗಿ ಈ ಎರಡು ಘಟಕಗಳ ನಡುವೆ ಡೇಟಾ ಬಸ್ ಮೂಲಕ ಹಿಂದಕ್ಕೂ ಮುಂದಕ್ಕೂ ಚಲಿಸಬೇಕು.

ಈ ನಿರಂತರ ಟ್ರಾಫಿಕ್ ಜಾಮ್, ವಾನ್ ನ್ಯೂಮನ್ ಬಾಟಲ್‌ನೆಕ್ ಎಂದು ಕರೆಯಲ್ಪಡುತ್ತದೆ, ಇದು ಎರಡು ಪ್ರಮುಖ ಸಮಸ್ಯೆಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ:

• ಲೇಟೆನ್ಸಿ (ವಿಳಂಬ): ಡೇಟಾವನ್ನು ತರಲು ತೆಗೆದುಕೊಳ್ಳುವ ಸಮಯವು ಸಂಸ್ಕರಣೆಯ ವೇಗವನ್ನು ನಿಧಾನಗೊಳಿಸುತ್ತದೆ.
• ಶಕ್ತಿ ಬಳಕೆ: ಡೇಟಾವನ್ನು ಚಲಿಸುವುದು ಅಪಾರ ಪ್ರಮಾಣದ ಶಕ್ತಿಯನ್ನು ಬಳಸುತ್ತದೆ. ವಾಸ್ತವವಾಗಿ, ಆಧುನಿಕ ಚಿಪ್‌ಗಳಲ್ಲಿ, ಡೇಟಾ ಚಲನೆಯು ನಿಜವಾದ ಗಣನೆಗಿಂತ ಹೆಚ್ಚು ಶಕ್ತಿ-ತೀವ್ರವಾಗಿರುತ್ತದೆ.

ಮಾನವನ ಮೆದುಳು, ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಅಂತಹ ಯಾವುದೇ ಬಾಟಲ್‌ನೆಕ್ ಹೊಂದಿಲ್ಲ. ಅದರ ಪ್ರೊಸೆಸಿಂಗ್ (ನರಕೋಶಗಳು) ಮತ್ತು ಮೆಮೊರಿ (ಸಿನಾಪ್ಸ್‌ಗಳು) ಆಂತರಿಕವಾಗಿ ಸಂಪರ್ಕಗೊಂಡಿವೆ ಮತ್ತು ಬೃಹತ್ ಪ್ರಮಾಣದಲ್ಲಿ ವಿತರಿಸಲ್ಪಟ್ಟಿವೆ. ಮಾಹಿತಿಯನ್ನು ಒಂದೇ ಸ್ಥಳದಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಇಂಜಿನಿಯರಿಂಗ್ ಈ ಸೊಗಸಾದ, ದಕ್ಷ ವಿನ್ಯಾಸವನ್ನು ಸಿಲಿಕಾನ್‌ನಲ್ಲಿ ಪುನರಾವರ್ತಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ.

ನಿರ್ಮಾಣದ ಅಂಶಗಳು: ಸಿಲಿಕಾನ್‌ನಲ್ಲಿ ನರಕೋಶಗಳು ಮತ್ತು ಸಿನಾಪ್ಸ್‌ಗಳು

ಮೆದುಳಿನಂತಹ ಚಿಪ್ ಅನ್ನು ನಿರ್ಮಿಸಲು, ಇಂಜಿನಿಯರ್‌ಗಳು ಅದರ ಪ್ರಮುಖ ಘಟಕಗಳು ಮತ್ತು ಸಂವಹನ ವಿಧಾನಗಳಿಂದ ನೇರ ಸ್ಫೂರ್ತಿಯನ್ನು ಪಡೆಯುತ್ತಾರೆ.

ಜೈವಿಕ ಸ್ಫೂರ್ತಿ: ನರಕೋಶಗಳು, ಸಿನಾಪ್ಸ್‌ಗಳು ಮತ್ತು ಸ್ಪೈಕ್‌ಗಳು

• ನರಕೋಶಗಳು (Neurons): ಇವು ಮೆದುಳಿನ ಮೂಲಭೂತ ಸಂಸ್ಕರಣಾ ಕೋಶಗಳಾಗಿವೆ. ಒಂದು ನರಕೋಶವು ಇತರ ನರಕೋಶಗಳಿಂದ ಸಂಕೇತಗಳನ್ನು ಪಡೆಯುತ್ತದೆ, ಅವುಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ಮತ್ತು ಒಂದು ನಿರ್ದಿಷ್ಟ ಮಿತಿಯನ್ನು ತಲುಪಿದರೆ, ಅದು "ಫೈರ್" ಆಗುತ್ತದೆ, ಅಂದರೆ ತನ್ನದೇ ಆದ ಸಂಕೇತವನ್ನು ಮುಂದಕ್ಕೆ ಕಳುಹಿಸುತ್ತದೆ.
• ಸಿನಾಪ್ಸ್‌ಗಳು (Synapses): ಇವು ನರಕೋಶಗಳ ನಡುವಿನ ಸಂಪರ್ಕಗಳಾಗಿವೆ. ಮುಖ್ಯವಾಗಿ, ಸಿನಾಪ್ಸ್‌ಗಳು ಕೇವಲ ಸರಳ ತಂತಿಗಳಲ್ಲ; ಅವುಗಳಿಗೆ ಒಂದು ಶಕ್ತಿ, ಅಥವಾ "ತೂಕ" (weight) ಇರುತ್ತದೆ, ಇದನ್ನು ಕಾಲಾನಂತರದಲ್ಲಿ ಮಾರ್ಪಡಿಸಬಹುದು. ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸಿನಾಪ್ಟಿಕ್ ಪ್ಲಾಸ್ಟಿಸಿಟಿ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು ಕಲಿಕೆ ಮತ್ತು ಸ್ಮರಣೆಯ ಜೈವಿಕ ಆಧಾರವಾಗಿದೆ. ಬಲವಾದ ಸಂಪರ್ಕ ಎಂದರೆ ಒಂದು ನರಕೋಶವು ಮುಂದಿನದರ ಮೇಲೆ ಹೆಚ್ಚಿನ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ.
• ಸ್ಪೈಕ್‌ಗಳು (Spikes): ನರಕೋಶಗಳು ಆಕ್ಷನ್ ಪೊಟೆನ್ಶಿಯಲ್ಸ್, ಅಥವಾ "ಸ್ಪೈಕ್ಸ್" ಎಂದು ಕರೆಯಲ್ಪಡುವ ಸಂಕ್ಷಿಪ್ತ ವಿದ್ಯುತ್ ಪ್ರಚೋದನೆಗಳನ್ನು ಬಳಸಿ ಸಂವಹನ ನಡೆಸುತ್ತವೆ. ಮಾಹಿತಿಯನ್ನು ಕಚ್ಚಾ ವೋಲ್ಟೇಜ್ ಮಟ್ಟದಲ್ಲಿ ಕೋಡ್ ಮಾಡಲಾಗುವುದಿಲ್ಲ ಆದರೆ ಈ ಸ್ಪೈಕ್‌ಗಳ ಸಮಯ ಮತ್ತು ಆವರ್ತನದಲ್ಲಿ ಕೋಡ್ ಮಾಡಲಾಗುತ್ತದೆ. ಇದು ಡೇಟಾವನ್ನು ರವಾನಿಸಲು ಒಂದು ವಿರಳ ಮತ್ತು ದಕ್ಷ ಮಾರ್ಗವಾಗಿದೆ - ಒಂದು ನರಕೋಶವು ಹೇಳಲು ಏನಾದರೂ ಮುಖ್ಯವಾದಾಗ ಮಾತ್ರ ಸಂಕೇತವನ್ನು ಕಳುಹಿಸುತ್ತದೆ.

ಜೀವಶಾಸ್ತ್ರದಿಂದ ಹಾರ್ಡ್‌ವೇರ್‌ಗೆ: SNN ಗಳು ಮತ್ತು ಕೃತಕ ಘಟಕಗಳು

ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಚಿಪ್‌ಗಳು ಈ ಜೈವಿಕ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳಿಗೆ ಭಾಷಾಂತರಿಸುತ್ತವೆ:

• ಕೃತಕ ನರಕೋಶಗಳು: ಇವು ಜೈವಿಕ ನರಕೋಶಗಳ ನಡವಳಿಕೆಯನ್ನು ಅನುಕರಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಸಣ್ಣ ಸರ್ಕ್ಯೂಟ್‌ಗಳಾಗಿವೆ, ಆಗಾಗ್ಗೆ "ಇಂಟಿಗ್ರೇಟ್-ಅಂಡ್-ಫೈರ್" ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತವೆ. ಅವು ಒಳಬರುವ ವಿದ್ಯುತ್ ಸಂಕೇತಗಳನ್ನು (ಚಾರ್ಜ್) ಸಂಗ್ರಹಿಸುತ್ತವೆ ಮತ್ತು ಅವುಗಳ ಆಂತರಿಕ ವೋಲ್ಟೇಜ್ ನಿಗದಿತ ಮಿತಿಯನ್ನು ತಲುಪಿದಾಗ ಡಿಜಿಟಲ್ ಪಲ್ಸ್ (ಸ್ಪೈಕ್) ಅನ್ನು ಫೈರ್ ಮಾಡುತ್ತವೆ.
• ಕೃತಕ ಸಿನಾಪ್ಸ್‌ಗಳು: ಇವು ಕೃತಕ ನರಕೋಶಗಳನ್ನು ಸಂಪರ್ಕಿಸುವ ಮೆಮೊರಿ ಅಂಶಗಳಾಗಿವೆ. ಅವುಗಳ ಕಾರ್ಯವು ಸಿನಾಪ್ಟಿಕ್ ತೂಕವನ್ನು ಸಂಗ್ರಹಿಸುವುದಾಗಿದೆ. ಮುಂದುವರಿದ ವಿನ್ಯಾಸಗಳು ಮೆಮ್ರಿಸ್ಟರ್‌ಗಳಂತಹ (memristors) ಘಟಕಗಳನ್ನು ಬಳಸುತ್ತವೆ - ಮೆಮೊರಿ ಹೊಂದಿರುವ ರೆಸಿಸ್ಟರ್‌ಗಳು - ಇವುಗಳ ವಿದ್ಯುತ್ ಪ್ರತಿರೋಧವನ್ನು ಸಂಪರ್ಕದ ಬಲವನ್ನು ಪ್ರತಿನಿಧಿಸಲು ಬದಲಾಯಿಸಬಹುದು, ಇದು ಆನ್-ಚಿಪ್ ಕಲಿಕೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.
• ಸ್ಪೈಕಿಂಗ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳು (SNNs): ಈ ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ ಚಲಿಸುವ ಗಣಕೀಕೃತ ಮಾದರಿಯನ್ನು ಸ್ಪೈಕಿಂಗ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಮುಖ್ಯವಾಹಿನಿಯ ಡೀಪ್ ಲರ್ನಿಂಗ್‌ನಲ್ಲಿ ಬಳಸಲಾಗುವ ಕೃತಕ ನರಮಂಡಲ ಜಾಲಗಳ (ANNs)ಂತಲ್ಲದೆ, ಇವು ಬೃಹತ್, ಸ್ಥಿರ ಬ್ಯಾಚ್‌ಗಳಲ್ಲಿ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತವೆ, SNN ಗಳು ಕ್ರಿಯಾತ್ಮಕ ಮತ್ತು ಈವೆಂಟ್-ಚಾಲಿತವಾಗಿವೆ. ಅವು ಮಾಹಿತಿಯು ಬಂದಂತೆ, ಒಂದು ಸಮಯದಲ್ಲಿ ಒಂದು ಸ್ಪೈಕ್‌ನಂತೆ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತವೆ, ಇದು ಸಂವೇದಕಗಳಿಂದ ನೈಜ-ಪ್ರಪಂಚದ, ತಾತ್ಕಾಲಿಕ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಅವುಗಳನ್ನು ಸ್ವಾಭಾವಿಕವಾಗಿ ಉತ್ತಮಗೊಳಿಸುತ್ತದೆ.

ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವಾಸ್ತುಶಿಲ್ಪದ ಪ್ರಮುಖ ತತ್ವಗಳು

ಜೈವಿಕ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸಿಲಿಕಾನ್‌ಗೆ ಭಾಷಾಂತರಿಸುವುದು ಹಲವಾರು ನಿರ್ದಿಷ್ಟ ತತ್ವಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಅದು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಚಿಪ್‌ಗಳನ್ನು ಅವುಗಳ ಸಾಂಪ್ರದಾಯಿಕ ಪ್ರತಿರೂಪಗಳಿಂದ ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ.

1. ಬೃಹತ್ ಸಮಾನಾಂತರತೆ ಮತ್ತು ವಿತರಣೆ

ಮೆದುಳು ಸುಮಾರು 86 ಬಿಲಿಯನ್ ನರಕೋಶಗಳೊಂದಿಗೆ ಸಮಾನಾಂತರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಚಿಪ್‌ಗಳು ಇದನ್ನು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಸರಳ, ಕಡಿಮೆ-ಶಕ್ತಿಯ ಪ್ರೊಸೆಸಿಂಗ್ ಕೋರ್‌ಗಳನ್ನು (ಕೃತಕ ನರಕೋಶಗಳು) ಬಳಸಿಕೊಂಡು ಪುನರಾವರ್ತಿಸುತ್ತವೆ, ಇವೆಲ್ಲವೂ ಏಕಕಾಲದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಒಂದು ಅಥವಾ ಕೆಲವು ಶಕ್ತಿಯುತ ಕೋರ್‌ಗಳು ಎಲ್ಲವನ್ನೂ ಅನುಕ್ರಮವಾಗಿ ಮಾಡುವ ಬದಲು, ಕಾರ್ಯಗಳನ್ನು ಸಾವಿರಾರು ಅಥವಾ ಲಕ್ಷಾಂತರ ಸರಳ ಪ್ರೊಸೆಸರ್‌ಗಳಾದ್ಯಂತ ವಿತರಿಸಲಾಗುತ್ತದೆ.

2. ಈವೆಂಟ್-ಚಾಲಿತ ಅಸಿಂಕ್ರೋನಸ್ ಪ್ರೊಸೆಸಿಂಗ್

ಸಾಂಪ್ರದಾಯಿಕ ಕಂಪ್ಯೂಟರ್‌ಗಳು ಜಾಗತಿಕ ಗಡಿಯಾರದಿಂದ ನಿಯಂತ್ರಿಸಲ್ಪಡುತ್ತವೆ. ಪ್ರತಿ ಟಿಕ್‌ನೊಂದಿಗೆ, ಪ್ರೊಸೆಸರ್‌ನ ಪ್ರತಿಯೊಂದು ಭಾಗವು ಒಂದು ಕಾರ್ಯಾಚರಣೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ, ಅದು ಅಗತ್ಯವಿರಲಿ ಅಥವಾ ಇಲ್ಲದಿರಲಿ. ಇದು ನಂಬಲಾಗದಷ್ಟು ವ್ಯರ್ಥ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವ್ಯವಸ್ಥೆಗಳು ಅಸಿಂಕ್ರೋನಸ್ ಮತ್ತು ಈವೆಂಟ್-ಚಾಲಿತವಾಗಿವೆ. ಒಂದು ಸ್ಪೈಕ್ ಬಂದಾಗ ಮಾತ್ರ ಸರ್ಕ್ಯೂಟ್‌ಗಳು ಸಕ್ರಿಯಗೊಳ್ಳುತ್ತವೆ. ಈ "ಅಗತ್ಯವಿದ್ದಾಗ ಮಾತ್ರ ಗಣನೆ ಮಾಡು" ಎಂಬ ವಿಧಾನವು ಅವುಗಳ ಅಸಾಧಾರಣ ಶಕ್ತಿ ದಕ್ಷತೆಯ ಪ್ರಾಥಮಿಕ ಮೂಲವಾಗಿದೆ. ಇದರ ಸಾದೃಶ್ಯವೆಂದರೆ ಚಲನೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಿದಾಗ ಮಾತ್ರ ರೆಕಾರ್ಡ್ ಮಾಡುವ ಭದ್ರತಾ ವ್ಯವಸ್ಥೆ, 24/7 ನಿರಂತರವಾಗಿ ರೆಕಾರ್ಡ್ ಮಾಡುವ ವ್ಯವಸ್ಥೆಗೆ ಹೋಲಿಸಿದರೆ. ಮೊದಲನೆಯದು ಅಪಾರ ಪ್ರಮಾಣದ ಶಕ್ತಿ ಮತ್ತು ಸಂಗ್ರಹಣೆಯನ್ನು ಉಳಿಸುತ್ತದೆ.

3. ಮೆಮೊರಿ ಮತ್ತು ಪ್ರೊಸೆಸಿಂಗ್‌ನ ಸಹ-ಸ್ಥಾನ

ಚರ್ಚಿಸಿದಂತೆ, ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಚಿಪ್‌ಗಳು ಮೆಮೊರಿ (ಸಿನಾಪ್ಸ್‌ಗಳು) ಅನ್ನು ಪ್ರೊಸೆಸಿಂಗ್ (ನರಕೋಶಗಳು) ಜೊತೆ ಸಂಯೋಜಿಸುವ ಮೂಲಕ ವಾನ್ ನ್ಯೂಮನ್ ಬಾಟಲ್‌ನೆಕ್ ಅನ್ನು ನೇರವಾಗಿ ನಿಭಾಯಿಸುತ್ತವೆ. ಈ ವಾಸ್ತುಶಿಲ್ಪಗಳಲ್ಲಿ, ಪ್ರೊಸೆಸರ್ ದೂರದ ಮೆಮೊರಿ ಬ್ಯಾಂಕ್‌ನಿಂದ ಡೇಟಾವನ್ನು ತರಬೇಕಾಗಿಲ್ಲ. ಮೆಮೊರಿಯು ಅಲ್ಲಿಯೇ ಇರುತ್ತದೆ, ಪ್ರೊಸೆಸಿಂಗ್ ಫ್ಯಾಬ್ರಿಕ್‌ನೊಳಗೆ ಹುದುಗಿರುತ್ತದೆ. ಇದು ಲೇಟೆನ್ಸಿ ಮತ್ತು ಶಕ್ತಿ ಬಳಕೆಯನ್ನು ತೀವ್ರವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಅವುಗಳನ್ನು ನೈಜ-ಸಮಯದ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಸೂಕ್ತವಾಗಿಸುತ್ತದೆ.

4. ಅಂತರ್ಗತ ದೋಷ ಸಹಿಷ್ಣುತೆ ಮತ್ತು ಪ್ಲಾಸ್ಟಿಸಿಟಿ

ಮೆದುಳು ಗಮನಾರ್ಹವಾಗಿ ಸ್ಥಿತಿಸ್ಥಾಪಕವಾಗಿದೆ. ಕೆಲವು ನರಕೋಶಗಳು ಸತ್ತರೆ, ಇಡೀ ವ್ಯವಸ್ಥೆಯು ಕುಸಿಯುವುದಿಲ್ಲ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಚಿಪ್‌ಗಳ ವಿತರಿಸಿದ ಮತ್ತು ಸಮಾನಾಂತರ ಸ್ವರೂಪವು ಇದೇ ರೀತಿಯ ದೃಢತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಕೆಲವು ಕೃತಕ ನರಕೋಶಗಳ ವೈಫಲ್ಯವು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಕುಗ್ಗಿಸಬಹುದು ಆದರೆ ದುರಂತ ವೈಫಲ್ಯಕ್ಕೆ ಕಾರಣವಾಗುವುದಿಲ್ಲ. ಇದಲ್ಲದೆ, ಮುಂದುವರಿದ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವ್ಯವಸ್ಥೆಗಳು ಆನ್-ಚಿಪ್ ಕಲಿಕೆಯನ್ನು ಸಂಯೋಜಿಸುತ್ತವೆ, ಇದು ಜಾಲವು ಹೊಸ ಡೇಟಾಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ತನ್ನ ಸಿನಾಪ್ಟಿಕ್ ತೂಕವನ್ನು ಹೊಂದಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಜೈವಿಕ ಮೆದುಳು ಅನುಭವದಿಂದ ಕಲಿಯುವಂತೆಯೇ.

ಜಾಗತಿಕ ಸ್ಪರ್ಧೆ: ಪ್ರಮುಖ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಯೋಜನೆಗಳು ಮತ್ತು ವೇದಿಕೆಗಳು

ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್‌ನ ಭರವಸೆಯು ಜಾಗತಿಕ ನಾವೀನ್ಯತೆಯ ಸ್ಪರ್ಧೆಯನ್ನು ಹುಟ್ಟುಹಾಕಿದೆ, ಪ್ರಮುಖ ಸಂಶೋಧನಾ ಸಂಸ್ಥೆಗಳು ಮತ್ತು ತಂತ್ರಜ್ಞಾನ ದೈತ್ಯರು ತಮ್ಮದೇ ಆದ ಮೆದುಳಿನ-ಪ್ರೇರಿತ ವೇದಿಕೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದ್ದಾರೆ. ಇಲ್ಲಿ ಕೆಲವು ಪ್ರಮುಖ ಉದಾಹರಣೆಗಳಿವೆ:

ಇಂಟೆಲ್‌ನ ಲೋಯಿಹಿ ಮತ್ತು ಲೋಯಿಹಿ 2 (ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್)

ಇಂಟೆಲ್ ಲ್ಯಾಬ್ಸ್ ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಪ್ರಮುಖ ಶಕ್ತಿಯಾಗಿದೆ. ಅದರ ಮೊದಲ ಸಂಶೋಧನಾ ಚಿಪ್, ಲೋಯಿಹಿ, 2017 ರಲ್ಲಿ ಪರಿಚಯಿಸಲಾಯಿತು, ಇದು 128 ಕೋರ್‌ಗಳನ್ನು ಹೊಂದಿತ್ತು, 131,000 ನರಕೋಶಗಳನ್ನು ಮತ್ತು 130 ಮಿಲಿಯನ್ ಸಿನಾಪ್ಸ್‌ಗಳನ್ನು ಅನುಕರಿಸುತ್ತಿತ್ತು. ಅದರ ಉತ್ತರಾಧಿಕಾರಿ, ಲೋಯಿಹಿ 2, ಒಂದು ಗಮನಾರ್ಹ ಪ್ರಗತಿಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಇದು ಒಂದೇ ಚಿಪ್‌ನಲ್ಲಿ ಒಂದು ಮಿಲಿಯನ್ ನರಕೋಶಗಳನ್ನು ಪ್ಯಾಕ್ ಮಾಡುತ್ತದೆ, ವೇಗದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚು ಹೊಂದಿಕೊಳ್ಳುವ ಮತ್ತು ಪ್ರೊಗ್ರಾಮೆಬಲ್ ನರಕೋಶ ಮಾದರಿಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಲೋಯಿಹಿ ಕುಟುಂಬದ ಒಂದು ಪ್ರಮುಖ ಲಕ್ಷಣವೆಂದರೆ ಅದರ ಆನ್-ಚಿಪ್ ಕಲಿಕೆಗೆ ಬೆಂಬಲ, ಇದು SNN ಗಳಿಗೆ ಸರ್ವರ್‌ಗೆ ಸಂಪರ್ಕಿಸದೆ ನೈಜ ಸಮಯದಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಇಂಟೆಲ್ ಈ ಚಿಪ್‌ಗಳನ್ನು ಇಂಟೆಲ್ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ರಿಸರ್ಚ್ ಕಮ್ಯುನಿಟಿ (INRC) ಮೂಲಕ ಜಾಗತಿಕ ಸಂಶೋಧಕರ ಸಮುದಾಯಕ್ಕೆ ಲಭ್ಯವಾಗಿಸಿದೆ, ಶೈಕ್ಷಣಿಕ ಮತ್ತು ಉದ್ಯಮದಾದ್ಯಂತ ಸಹಯೋಗವನ್ನು ಉತ್ತೇಜಿಸುತ್ತಿದೆ.

ಸ್ಪಿನ್ನೇಕರ್ ಯೋಜನೆ (ಯುನೈಟೆಡ್ ಕಿಂಗ್‌ಡಮ್)

ಮ್ಯಾಂಚೆಸ್ಟರ್ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ಯುರೋಪಿಯನ್ ಹ್ಯೂಮನ್ ಬ್ರೈನ್ ಪ್ರಾಜೆಕ್ಟ್‌ನಿಂದ ಧನಸಹಾಯ ಪಡೆದ ಸ್ಪಿನ್ನೇಕರ್ (ಸ್ಪೈಕಿಂಗ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್) ವಿಭಿನ್ನ ವಿಧಾನವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಅದರ ಗುರಿಯು ಅತ್ಯಂತ ಜೈವಿಕವಾಗಿ ವಾಸ್ತವಿಕ ನರಕೋಶವನ್ನು ನಿರ್ಮಿಸುವುದಲ್ಲ, ಬದಲಿಗೆ ಬೃಹತ್ SNN ಗಳನ್ನು ನೈಜ ಸಮಯದಲ್ಲಿ ಅನುಕರಿಸುವ ಸಾಮರ್ಥ್ಯವಿರುವ ಬೃಹತ್ ಸಮಾನಾಂತರ ವ್ಯವಸ್ಥೆಯನ್ನು ರಚಿಸುವುದಾಗಿದೆ. ಅತಿದೊಡ್ಡ ಸ್ಪಿನ್ನೇಕರ್ ಯಂತ್ರವು ಒಂದು ಮಿಲಿಯನ್‌ಗಿಂತಲೂ ಹೆಚ್ಚು ARM ಪ್ರೊಸೆಸರ್ ಕೋರ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಇವೆಲ್ಲವೂ ಮೆದುಳಿನ ಸಂಪರ್ಕವನ್ನು ಅನುಕರಿಸುವ ರೀತಿಯಲ್ಲಿ ಪರಸ್ಪರ ಸಂಪರ್ಕಗೊಂಡಿವೆ. ಇದು ನರವಿಜ್ಞಾನಿಗಳಿಗೆ ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಮೆದುಳಿನ ಕಾರ್ಯವನ್ನು ಮಾದರಿ ಮಾಡಲು ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಒಂದು ಶಕ್ತಿಯುತ ಸಾಧನವಾಗಿದೆ.

ಐಬಿಎಂನ ಟ್ರೂನಾರ್ತ್ (ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್)

ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಹಾರ್ಡ್‌ವೇರ್‌ನ ಆಧುನಿಕ ಯುಗದ ಆರಂಭಿಕ ಪ್ರವರ್ತಕರಲ್ಲಿ ಒಬ್ಬರಾದ, ಐಬಿಎಂನ ಟ್ರೂನಾರ್ತ್ ಚಿಪ್, 2014 ರಲ್ಲಿ ಅನಾವರಣಗೊಂಡಿತು, ಇದು ಒಂದು ಮಹತ್ವದ ಸಾಧನೆಯಾಗಿತ್ತು. ಇದು 5.4 ಬಿಲಿಯನ್ ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ಗಳನ್ನು ಹೊಂದಿದ್ದು, ಒಂದು ಮಿಲಿಯನ್ ಡಿಜಿಟಲ್ ನರಕೋಶಗಳು ಮತ್ತು 256 ಮಿಲಿಯನ್ ಸಿನಾಪ್ಸ್‌ಗಳಾಗಿ ಸಂಘಟಿಸಲಾಗಿತ್ತು. ಅದರ ಅತ್ಯಂತ ವಿಸ್ಮಯಕಾರಿ ವೈಶಿಷ್ಟ್ಯವೆಂದರೆ ಅದರ ವಿದ್ಯುತ್ ಬಳಕೆ: ಇದು ಸಾಂಪ್ರದಾಯಿಕ GPU ಗಿಂತ ಹಲವು ಪಟ್ಟು ಕಡಿಮೆ, ಕೇವಲ ಹತ್ತಾರು ಮಿಲಿವ್ಯಾಟ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಕೀರ್ಣ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಬಲ್ಲದು. ಟ್ರೂನಾರ್ತ್ ಆನ್-ಚಿಪ್ ಕಲಿಕೆ ಇಲ್ಲದ ಒಂದು ಸ್ಥಿರ ಸಂಶೋಧನಾ ವೇದಿಕೆಯಾಗಿದ್ದರೂ, ಮೆದುಳಿನ-ಪ್ರೇರಿತ, ಕಡಿಮೆ-ಶಕ್ತಿಯ ಕಂಪ್ಯೂಟಿಂಗ್ ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಸಾಧ್ಯವೆಂದು ಅದು ಸಾಬೀತುಪಡಿಸಿತು.

ಇತರ ಜಾಗತಿಕ ಪ್ರಯತ್ನಗಳು

ಈ ಸ್ಪರ್ಧೆಯು ನಿಜವಾಗಿಯೂ ಅಂತರರಾಷ್ಟ್ರೀಯವಾಗಿದೆ. ಚೀನಾದ ಸಂಶೋಧಕರು ಟಿಯಾಂಜಿಕ್ ನಂತಹ ಚಿಪ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ, ಇದು ಹೈಬ್ರಿಡ್ ವಾಸ್ತುಶಿಲ್ಪದಲ್ಲಿ ಕಂಪ್ಯೂಟರ್-ವಿಜ್ಞಾನ-ಆಧಾರಿತ ನರಮಂಡಲ ಜಾಲಗಳು ಮತ್ತು ನರವಿಜ್ಞಾನ-ಆಧಾರಿತ SNN ಗಳಿಗೆ ಬೆಂಬಲ ನೀಡುತ್ತದೆ. ಜರ್ಮನಿಯಲ್ಲಿ, ಹೈಡೆಲ್‌ಬರ್ಗ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಬ್ರೈನ್‌ಸ್ಕೇಲ್ಸ್ ಯೋಜನೆಯು ಭೌತಿಕ ಮಾದರಿಯ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ, ಅದು ವೇಗವರ್ಧಿತ ವೇಗದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಇದು ತಿಂಗಳುಗಳ ಜೈವಿಕ ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಕೇವಲ ನಿಮಿಷಗಳಲ್ಲಿ ಅನುಕರಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಈ ವೈವಿಧ್ಯಮಯ, ಜಾಗತಿಕ ಯೋಜನೆಗಳು ವಿಭಿನ್ನ ಕೋನಗಳಿಂದ ಸಾಧ್ಯವಿರುವುದರ ಗಡಿಗಳನ್ನು ತಳ್ಳುತ್ತಿವೆ.

ನೈಜ-ಪ್ರಪಂಚದ ಅನ್ವಯಿಕೆಗಳು: ನಾವು ಮೆದುಳಿನ-ಪ್ರೇರಿತ ಚಿಪ್‌ಗಳನ್ನು ಎಲ್ಲಿ ನೋಡುತ್ತೇವೆ?

ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್, ಉನ್ನತ-ನಿಖರ ಗಣಿತ ಮತ್ತು ಗ್ರಾಫಿಕ್ಸ್ ರೆಂಡರಿಂಗ್‌ನಲ್ಲಿ ಉತ್ತಮವಾಗಿರುವ ಸಾಂಪ್ರದಾಯಿಕ CPU ಗಳು ಅಥವಾ GPU ಗಳನ್ನು ಬದಲಿಸಲು ಉದ್ದೇಶಿಸಿಲ್ಲ. ಬದಲಾಗಿ, ಇದು ವಿಶೇಷ ಸಹ-ಪ್ರೊಸೆಸರ್ ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಮೆದುಳು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಕಾರ್ಯಗಳಿಗಾಗಿ - ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ, ಸಂವೇದನಾ ಸಂಸ್ಕರಣೆ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ ಕಲಿಕೆ - ಹೊಸ ರೀತಿಯ ವೇಗವರ್ಧಕವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.

ಎಡ್ಜ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಮತ್ತು ಇಂಟರ್ನೆಟ್ ಆಫ್ ಥಿಂಗ್ಸ್ (IoT)

ಇದು ಬಹುಶಃ ಅತ್ಯಂತ ತಕ್ಷಣದ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಅನ್ವಯಿಕ ಕ್ಷೇತ್ರವಾಗಿದೆ. ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ:

• ಸ್ಮಾರ್ಟ್ ಸಂವೇದಕಗಳು: ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಕ್ಲೌಡ್‌ಗೆ ಕಳುಹಿಸದೆ, ಯಂತ್ರದ ವೈಫಲ್ಯವನ್ನು ಊಹಿಸಲು ಕಂಪನಗಳನ್ನು ಸ್ವಂತವಾಗಿ ವಿಶ್ಲೇಷಿಸಬಲ್ಲ ಕೈಗಾರಿಕಾ ಸಂವೇದಕಗಳು.
• ಧರಿಸಬಹುದಾದ ಆರೋಗ್ಯ ಮಾನಿಟರ್‌ಗಳು: ಅಸಹಜತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ನೈಜ ಸಮಯದಲ್ಲಿ ECG ಅಥವಾ EEG ಸಂಕೇತಗಳನ್ನು ನಿರಂತರವಾಗಿ ವಿಶ್ಲೇಷಿಸುವ ವೈದ್ಯಕೀಯ ಸಾಧನ, ಇದು ಒಂದು ಸಣ್ಣ ಬ್ಯಾಟರಿಯಲ್ಲಿ ತಿಂಗಳುಗಟ್ಟಲೆ ಚಲಿಸುತ್ತದೆ.
• ಬುದ್ಧಿವಂತ ಕ್ಯಾಮೆರಾಗಳು: ನಿರ್ದಿಷ್ಟ ವಸ್ತುಗಳು ಅಥವಾ ಘಟನೆಗಳನ್ನು ಗುರುತಿಸಬಲ್ಲ ಮತ್ತು ಸಂಬಂಧಿತ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಮಾತ್ರ ರವಾನಿಸಬಲ್ಲ ಭದ್ರತಾ ಅಥವಾ ವನ್ಯಜೀವಿ ಕ್ಯಾಮೆರಾಗಳು, ಇದು ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಮತ್ತು ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ನಾಟಕೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ರೊಬೊಟಿಕ್ಸ್ ಮತ್ತು ಸ್ವಾಯತ್ತ ವ್ಯವಸ್ಥೆಗಳು

ರೋಬೋಟ್‌ಗಳು ಮತ್ತು ಡ್ರೋನ್‌ಗಳಿಗೆ ಕ್ರಿಯಾತ್ಮಕ ಪ್ರಪಂಚದಲ್ಲಿ ಸಂಚರಿಸಲು ಮತ್ತು ಸಂವಹನ ನಡೆಸಲು ಬಹು ಸಂವೇದನಾ ಸ್ಟ್ರೀಮ್‌ಗಳ (ದೃಷ್ಟಿ, ಶಬ್ದ, ಸ್ಪರ್ಶ, ಲಿಡಾರ್) ನೈಜ-ಸಮಯದ ಸಂಸ್ಕರಣೆ ಅಗತ್ಯವಿದೆ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಚಿಪ್‌ಗಳು ಈ ಸಂವೇದನಾ ಸಮ್ಮಿಳನಕ್ಕೆ (sensory fusion) ಸೂಕ್ತವಾಗಿವೆ, ಇದು ವೇಗದ, ಕಡಿಮೆ-ಲೇಟೆನ್ಸಿ ನಿಯಂತ್ರಣ ಮತ್ತು ಹೊಂದಾಣಿಕೆಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್-ಚಾಲಿತ ರೋಬೋಟ್ ಹೊಸ ವಸ್ತುಗಳನ್ನು ಹೆಚ್ಚು ಅಂತರ್ಬೋಧೆಯಿಂದ ಹಿಡಿಯಲು ಕಲಿಯಬಹುದು ಅಥವಾ ಗೊಂದಲಮಯ ಕೋಣೆಯಲ್ಲಿ ಹೆಚ್ಚು ಸರಾಗವಾಗಿ ಮತ್ತು ದಕ್ಷತೆಯಿಂದ ಸಂಚರಿಸಬಹುದು.

ವೈಜ್ಞಾನಿಕ ಸಂಶೋಧನೆ ಮತ್ತು ಸಿಮ್ಯುಲೇಶನ್

ಸ್ಪಿನ್ನೇಕರ್‌ನಂತಹ ವೇದಿಕೆಗಳು ಈಗಾಗಲೇ ಗಣಕೀಕೃತ ನರವಿಜ್ಞಾನಕ್ಕೆ ಅಮೂಲ್ಯವಾದ ಸಾಧನಗಳಾಗಿವೆ, ಸಂಶೋಧಕರಿಗೆ ದೊಡ್ಡ-ಪ್ರಮಾಣದ ಮಾದರಿಗಳನ್ನು ರಚಿಸುವ ಮೂಲಕ ಮೆದುಳಿನ ಕಾರ್ಯದ ಬಗ್ಗೆ ಕಲ್ಪನೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ನರವಿಜ್ಞಾನದ ಆಚೆಗೆ, ಸಂಕೀರ್ಣ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಪರಿಹರಿಸುವ ಸಾಮರ್ಥ್ಯವು ಔಷಧ ಸಂಶೋಧನೆ, ವಸ್ತು ವಿಜ್ಞಾನ ಮತ್ತು ಜಾಗತಿಕ ಪೂರೈಕೆ ಸರಪಳಿಗಳಿಗಾಗಿ ಲಾಜಿಸ್ಟಿಕಲ್ ಯೋಜನೆಯನ್ನು ವೇಗಗೊಳಿಸಬಹುದು.

ಮುಂದಿನ ಪೀಳಿಗೆಯ AI

ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಹಾರ್ಡ್‌ವೇರ್ ಸಾಂಪ್ರದಾಯಿಕ ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗೆ ಸಾಧಿಸಲು ಕಷ್ಟಕರವಾದ ಹೊಸ AI ಸಾಮರ್ಥ್ಯಗಳಿಗೆ ಬಾಗಿಲು ತೆರೆಯುತ್ತದೆ. ಇದು ಒಳಗೊಂಡಿದೆ:

• ಒನ್-ಶಾಟ್ ಮತ್ತು ನಿರಂತರ ಕಲಿಕೆ: ಒಂದೇ ಉದಾಹರಣೆಯಿಂದ ಕಲಿಯುವ ಮತ್ತು ಸಂಪೂರ್ಣವಾಗಿ ಮೊದಲಿನಿಂದ ಮರುತರಬೇತಿ ಪಡೆಯದೆ ಹೊಸ ಮಾಹಿತಿಗೆ ನಿರಂತರವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ - ಇದು ಜೈವಿಕ ಬುದ್ಧಿಮತ್ತೆಯ ಒಂದು ಲಕ್ಷಣವಾಗಿದೆ.
• ಸಂಯೋಜಿತ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವುದು: "ಪ್ರಯಾಣಿಕ ಮಾರಾಟಗಾರನ ಸಮಸ್ಯೆ" ಯಂತಹ ಅಪಾರ ಸಂಖ್ಯೆಯ ಸಂಭಾವ್ಯ ಪರಿಹಾರಗಳನ್ನು ಹೊಂದಿರುವ ಸಮಸ್ಯೆಗಳು, SNN ಗಳ ಸಮಾನಾಂತರ, ಕ್ರಿಯಾತ್ಮಕ ಸ್ವರೂಪಕ್ಕೆ ಸ್ವಾಭಾವಿಕವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತವೆ.
• ಶಬ್ದ-ದೃಢ ಸಂಸ್ಕರಣೆ: SNN ಗಳು ಗದ್ದಲದ ಅಥವಾ ಅಪೂರ್ಣ ಡೇಟಾಗೆ ಸ್ವಾಭಾವಿಕವಾಗಿ ಹೆಚ್ಚು ದೃಢವಾಗಿರುತ್ತವೆ, ನೀವು ಕಳಪೆ ಬೆಳಕಿನಲ್ಲಿ ಅಥವಾ ವಿಚಿತ್ರ ಕೋನದಿಂದಲೂ ಸ್ನೇಹಿತನ ಮುಖವನ್ನು ಗುರುತಿಸುವಂತೆಯೇ.

ಸವಾಲುಗಳು ಮತ್ತು ಮುಂದಿನ ದಾರಿ

ಅದರ ಅಪಾರ ಸಾಮರ್ಥ್ಯದ ಹೊರತಾಗಿಯೂ, ವ್ಯಾಪಕ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಅಳವಡಿಕೆಯ ಹಾದಿಯು ಅದರ ಅಡೆತಡೆಗಳಿಲ್ಲದೆ ಇಲ್ಲ. ಈ ಕ್ಷೇತ್ರವು ಇನ್ನೂ ಪ್ರಬುದ್ಧವಾಗುತ್ತಿದೆ, ಮತ್ತು ಹಲವಾರು ಪ್ರಮುಖ ಸವಾಲುಗಳನ್ನು ಪರಿಹರಿಸಬೇಕಾಗಿದೆ.

ಸಾಫ್ಟ್‌ವೇರ್ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ ಅಂತರ

ಅತ್ಯಂತ ಮಹತ್ವದ ಅಡಚಣೆಯೆಂದರೆ ಸಾಫ್ಟ್‌ವೇರ್. ದಶಕಗಳಿಂದ, ಪ್ರೋಗ್ರಾಮರ್‌ಗಳಿಗೆ ವಾನ್ ನ್ಯೂಮನ್ ಯಂತ್ರಗಳ ಅನುಕ್ರಮ, ಗಡಿಯಾರ-ಆಧಾರಿತ ತರ್ಕದಲ್ಲಿ ಯೋಚಿಸಲು ತರಬೇತಿ ನೀಡಲಾಗಿದೆ. ಈವೆಂಟ್-ಚಾಲಿತ, ಅಸಿಂಕ್ರೋನಸ್, ಸಮಾನಾಂತರ ಹಾರ್ಡ್‌ವೇರ್ ಅನ್ನು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮಾಡಲು ಸಂಪೂರ್ಣವಾಗಿ ಹೊಸ ಮನಸ್ಥಿತಿ, ಹೊಸ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳು ಮತ್ತು ಹೊಸ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಬೇಕಾಗುತ್ತವೆ. ಹಾರ್ಡ್‌ವೇರ್ ವೇಗವಾಗಿ ಮುಂದುವರಿಯುತ್ತಿದೆ, ಆದರೆ ಅದರ ಸಂಪೂರ್ಣ ಸಾಮರ್ಥ್ಯವನ್ನು ಅನ್ಲಾಕ್ ಮಾಡಲು ಬೇಕಾದ ಸಾಫ್ಟ್‌ವೇರ್ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯು ಇನ್ನೂ ಶೈಶವಾವಸ್ಥೆಯಲ್ಲಿದೆ.

ಅಳೆಯುವಿಕೆ ಮತ್ತು ಉತ್ಪಾದನೆ

ಈ ಅತ್ಯಂತ ಸಂಕೀರ್ಣ, ಅಸಾಂಪ್ರದಾಯಿಕ ಚಿಪ್‌ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದು ಮತ್ತು ತಯಾರಿಸುವುದು ಒಂದು ಮಹತ್ವದ ಸವಾಲಾಗಿದೆ. ಇಂಟೆಲ್‌ನಂತಹ ಕಂಪನಿಗಳು ಮುಂದುವರಿದ ಉತ್ಪಾದನಾ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತಿದ್ದರೂ, ಈ ವಿಶೇಷ ಚಿಪ್‌ಗಳನ್ನು ಸಾಂಪ್ರದಾಯಿಕ CPU ಗಳಂತೆ ವೆಚ್ಚ-ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ವ್ಯಾಪಕವಾಗಿ ಲಭ್ಯವಾಗಿಸಲು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.

ಬೆಂಚ್‌ಮಾರ್ಕಿಂಗ್ ಮತ್ತು ಪ್ರಮಾಣೀಕರಣ

ಅನೇಕ ವಿಭಿನ್ನ ವಾಸ್ತುಶಿಲ್ಪಗಳೊಂದಿಗೆ, ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಒಂದಕ್ಕೊಂದು ಹೋಲಿಸುವುದು ಕಷ್ಟ. ಸಮುದಾಯವು ಪ್ರಮಾಣೀಕೃತ ಮಾನದಂಡಗಳನ್ನು ಮತ್ತು ಸಮಸ್ಯೆಗಳ ಗುಂಪನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬೇಕಾಗಿದೆ, ಅದು ವಿವಿಧ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವ್ಯವಸ್ಥೆಗಳ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ದೌರ್ಬಲ್ಯಗಳನ್ನು ನ್ಯಾಯಯುತವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಲ್ಲದು, ಸಂಶೋಧಕರು ಮತ್ತು ಸಂಭಾವ್ಯ ಅಳವಡಿಕೆದಾರರಿಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತದೆ.

ತೀರ್ಮಾನ: ಬುದ್ಧಿವಂತ ಮತ್ತು ಸುಸ್ಥಿರ ಕಂಪ್ಯೂಟಿಂಗ್‌ನ ಹೊಸ ಯುಗ

ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಕೇವಲ ಸಂಸ್ಕರಣಾ ಶಕ್ತಿಯಲ್ಲಿನ ಒಂದು ಹೆಚ್ಚಳವನ್ನು ಪ್ರತಿನಿಧಿಸುವುದಿಲ್ಲ. ಇದು ನಾವು ಬುದ್ಧಿವಂತ ಯಂತ್ರಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುತ್ತೇವೆ ಎಂಬುದರ ಬಗ್ಗೆ ಒಂದು ಮೂಲಭೂತ ಪುನರ್ವಿಮರ್ಶೆಯಾಗಿದೆ, ತಿಳಿದಿರುವ ಅತ್ಯಂತ ಅತ್ಯಾಧುನಿಕ ಮತ್ತು ದಕ್ಷ ಗಣಕೀಕೃತ ಸಾಧನದಿಂದ ಸ್ಫೂರ್ತಿ ಪಡೆದಿದೆ: ಮಾನವನ ಮೆದುಳು. ಬೃಹತ್ ಸಮಾನಾಂತರತೆ, ಈವೆಂಟ್-ಚಾಲಿತ ಪ್ರೊಸೆಸಿಂಗ್, ಮತ್ತು ಮೆಮೊರಿ ಹಾಗೂ ಗಣನೆಯ ಸಹ-ಸ್ಥಾನದಂತಹ ತತ್ವಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಮೂಲಕ, ಮೆದುಳಿನ-ಪ್ರೇರಿತ ಚಿಪ್‌ಗಳು ಅತ್ಯಂತ ಚಿಕ್ಕ, ಅತ್ಯಂತ ಶಕ್ತಿ-ನಿರ್ಬಂಧಿತ ಸಾಧನಗಳಲ್ಲಿ ಶಕ್ತಿಯುತ AI ಅಸ್ತಿತ್ವದಲ್ಲಿರಬಹುದಾದ ಭವಿಷ್ಯವನ್ನು ಭರವಸೆ ನೀಡುತ್ತವೆ.

ಮುಂದಿನ ಹಾದಿಯಲ್ಲಿ ಅದರ ಸವಾಲುಗಳಿದ್ದರೂ, ವಿಶೇಷವಾಗಿ ಸಾಫ್ಟ್‌ವೇರ್ ಮುಂಭಾಗದಲ್ಲಿ, ಪ್ರಗತಿಯು ನಿರಾಕರಿಸಲಾಗದು. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಚಿಪ್‌ಗಳು ನಮ್ಮ ಇಂದಿನ ಡಿಜಿಟಲ್ ಜಗತ್ತನ್ನು ಚಾಲನೆ ಮಾಡುವ CPU ಗಳು ಮತ್ತು GPU ಗಳನ್ನು ಬದಲಿಸುವ ಸಾಧ್ಯತೆಯಿಲ್ಲ. ಬದಲಾಗಿ, ಅವು ಅವುಗಳನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ, ಪ್ರತಿ ಕಾರ್ಯವನ್ನು ಅದಕ್ಕೆ ಅತ್ಯಂತ ದಕ್ಷ ಪ್ರೊಸೆಸರ್‌ನಿಂದ ನಿರ್ವಹಿಸುವ ಹೈಬ್ರಿಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಭೂದೃಶ್ಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ. ಚುರುಕಾದ ವೈದ್ಯಕೀಯ ಸಾಧನಗಳಿಂದ ಹಿಡಿದು ಹೆಚ್ಚು ಸ್ವಾಯತ್ತ ರೋಬೋಟ್‌ಗಳವರೆಗೆ ಮತ್ತು ನಮ್ಮದೇ ಮನಸ್ಸಿನ ಆಳವಾದ ತಿಳುವಳಿಕೆಯವರೆಗೆ, ಮೆದುಳಿನ-ಪ್ರೇರಿತ ಕಂಪ್ಯೂಟಿಂಗ್‌ನ ಉದಯವು ಬುದ್ಧಿವಂತ, ದಕ್ಷ ಮತ್ತು ಸುಸ್ಥಿರ ತಂತ್ರಜ್ಞಾನದ ಹೊಸ ಯುಗವನ್ನು ತೆರೆಯಲು ಸಜ್ಜಾಗಿದೆ.