भौतिक तंत्रिका नेटवर्क: Difference between revisions
No edit summary |
No edit summary |
||
| Line 2: | Line 2: | ||
{{see also|कृत्रिम बुद्धि के लिए हार्डवेयर|न्यूरोमॉर्फिक इंजीनियरिंग}} | {{see also|कृत्रिम बुद्धि के लिए हार्डवेयर|न्यूरोमॉर्फिक इंजीनियरिंग}} | ||
भौतिक तंत्रिका नेटवर्क [[कृत्रिम तंत्रिका नेटवर्क]] होता है जिसमें रासायनिक अन्तर्ग्रथन या उच्च-क्रम (डेंड्रिटिक) न्यूरॉन मॉडल के कार्य का अनुकरण करने के लिए विद्युत रूप से समायोज्य सामग्री का उपयोग किया जाता है।<ref>{{Citation | |||
| last1 = Lawrence | | last1 = Lawrence | ||
| first1 = Celestine P. | | first1 = Celestine P. | ||
| Line 14: | Line 14: | ||
| s2cid = 251340897 | | s2cid = 251340897 | ||
| url = https://ieeexplore.ieee.org/document/9849488 | | url = https://ieeexplore.ieee.org/document/9849488 | ||
}}</ref> "भौतिक" तंत्रिका नेटवर्क का उपयोग सॉफ्टवेयर-आधारित दृष्टिकोणों के विपरीत [[न्यूरॉन्स]] का अनुकरण करने के लिए उपयोग किए जाने वाले | }}</ref> "भौतिक" तंत्रिका नेटवर्क का उपयोग सॉफ्टवेयर-आधारित दृष्टिकोणों के विपरीत [[न्यूरॉन्स]] का अनुकरण करने के लिए उपयोग किए जाने वाले हार्डवेयर को महत्त्व देने के लिए किया जाता है। सामान्यतः यह शब्द अन्य कृत्रिम तंत्रिका नेटवर्क पर प्रयुक्त होता है जिसमें तंत्रिका अन्तर्ग्रथन का अनुकरण करने के लिए [[memristor|मेम्रिस्टर]] अथवा अन्य विद्युत रूप से समायोज्य प्रतिरोध सामग्री का उपयोग किया जाता है।<ref>{{Cite web|url=https://syncedreview.com/2021/05/27/deepmind-podracer-tpu-based-rl-frameworks-deliver-exceptional-performance-at-low-cost-28/|title = Cornell & NTT's Physical Neural Networks: A "Radical Alternative for Implementing Deep Neural Networks" That Enables Arbitrary Physical Systems Training | Synced|date = 27 May 2021}}</ref><ref>{{Cite web|url=https://www.theregister.com/2021/10/05/analogue_neural_network_research/|title=Nano-spaghetti to solve neural network power consumption}}</ref> | ||
| Line 20: | Line 20: | ||
=== एडालाइन === | === एडालाइन === | ||
वर्ष 1960 में [[बर्नार्ड विड्रो]] और [[टेड हॉफ]] ने [[ADALINE|एडालाइन]] (एडेप्टिव लीनियर न्यूरॉन) विकसित किया, जो | वर्ष 1960 में [[बर्नार्ड विड्रो]] और [[टेड हॉफ]] ने [[ADALINE|एडालाइन]] (एडेप्टिव लीनियर न्यूरॉन) विकसित किया, जो कृत्रिम न्यूरॉन के सिनैप्स का अनुकरण करने के लिए [[ memist |मेमिस्टर्स]] (मेमोरी रेसिस्टर्स) नामक विद्युत रासायनिक सेल का उपयोग करता था।<ref>{{citation | ||
|last1=Widrow |first1=B. | |last1=Widrow |first1=B. | ||
|last2=Pierce|first2=W. H. | |last2=Pierce|first2=W. H. | ||
Revision as of 08:24, 14 May 2023
भौतिक तंत्रिका नेटवर्क कृत्रिम तंत्रिका नेटवर्क होता है जिसमें रासायनिक अन्तर्ग्रथन या उच्च-क्रम (डेंड्रिटिक) न्यूरॉन मॉडल के कार्य का अनुकरण करने के लिए विद्युत रूप से समायोज्य सामग्री का उपयोग किया जाता है।[1] "भौतिक" तंत्रिका नेटवर्क का उपयोग सॉफ्टवेयर-आधारित दृष्टिकोणों के विपरीत न्यूरॉन्स का अनुकरण करने के लिए उपयोग किए जाने वाले हार्डवेयर को महत्त्व देने के लिए किया जाता है। सामान्यतः यह शब्द अन्य कृत्रिम तंत्रिका नेटवर्क पर प्रयुक्त होता है जिसमें तंत्रिका अन्तर्ग्रथन का अनुकरण करने के लिए मेम्रिस्टर अथवा अन्य विद्युत रूप से समायोज्य प्रतिरोध सामग्री का उपयोग किया जाता है।[2][3]
भौतिक तंत्रिका नेटवर्क के प्रकार
एडालाइन
वर्ष 1960 में बर्नार्ड विड्रो और टेड हॉफ ने एडालाइन (एडेप्टिव लीनियर न्यूरॉन) विकसित किया, जो कृत्रिम न्यूरॉन के सिनैप्स का अनुकरण करने के लिए मेमिस्टर्स (मेमोरी रेसिस्टर्स) नामक विद्युत रासायनिक सेल का उपयोग करता था।[4] मेमिस्टर्स 3-टर्मिनल उपकरणों के रूप में लागू किया गया था जो तांबे के प्रतिवर्ती इलेक्ट्रोप्लेटिंग के आधार पर काम कर रहे थे जैसे कि दो टर्मिनलों के बीच प्रतिरोध को तीसरे टर्मिनल के माध्यम से लागू वर्तमान के अभिन्न अंग द्वारा नियंत्रित किया जाता है। 1960 के दशक में मेमिस्टर कॉर्पोरेशन द्वारा एडलाइन सर्किटरी का संक्षिप्त व्यावसायीकरण किया गया था, जिससे पैटर्न की पहचान में कुछ अनुप्रयोगों को सक्षम किया गया था। चूंकि मेमिस्टर्स एकीकृत सर्किट निर्माण तकनीकों का उपयोग करके गढ़े नहीं गए थे, इसलिए प्रौद्योगिकी स्केलेबल नहीं थी और अंततः इसे छोड़ दिया गया था क्योंकि ठोस-राज्य इलेक्ट्रॉनिक्स परिपक्व हो गए थे।[5]
एनालॉग वीएलएसआई
1989 में कार्वर मीड ने अपनी पुस्तक एनालॉग वीएलएसआई और न्यूरल सिस्टम प्रकाशित की,[6] जो शायद एनालॉग न्यूरल नेटवर्क का सबसे आम प्रकार है। भौतिक प्राप्ति एनालॉग वीएलएसआई में कार्यान्वित की जाती है। यह अक्सर कम उलटा में क्षेत्र प्रभाव ट्रांजिस्टर के रूप में लागू किया जाता है। ऐसे उपकरणों को ट्रांसलीनियर सर्किट के रूप में तैयार किया जा सकता है। यह बैरी गिल्बर्ट द्वारा 1970 के मध्य के आसपास कई पत्रों में और विशेष रूप से 1981 से उनके ट्रांसलीनियर सर्किट में वर्णित एक तकनीक है।[7][8] इस पद्धति के साथ सर्किट का स्थिर-अवस्था में अच्छी तरह से परिभाषित कार्यों के एक सेट के रूप में विश्लेषण किया जा सकता है, और ऐसे सर्किट जटिल नेटवर्क में इकट्ठे होते हैं।
भौतिक तंत्रिका नेटवर्क
अलेक्स नुगेंट एक भौतिक तंत्रिका नेटवर्क का वर्णन एक या एक से अधिक गैर-रैखिक न्यूरॉन-जैसे नोड्स के रूप में करता है जो नैनोकणों, नैनोवायरों, या नैनोट्यूब से बने संकेतों और नैनोकनेक्शन का उपयोग करता है जो नोड्स को सिग्नल शक्ति इनपुट निर्धारित करता है।[9] नैनोकनेक्शन का संरेखण या स्व-विधानसभा लागू विद्युत क्षेत्र के इतिहास द्वारा निर्धारित किया जाता है जो न्यूरल सिनैप्स के अनुरूप कार्य करता है। असंख्य अनुप्रयोग[10] ऐसे भौतिक तंत्रिका नेटवर्क के लिए संभव है। उदाहरण के लिए, एक टेम्पोरल समन डिवाइस [11] एक या एक से अधिक नैनोकनेक्शन से बना हो सकता है जिसमें एक इनपुट और एक आउटपुट होता है, जिसमें इनपुट को प्रदान किया गया एक इनपुट सिग्नल समय के साथ कनेक्शन की ताकत में वृद्धि का अनुभव करने के लिए एक या अधिक नैनोकनेक्शन का कारण बनता है। भौतिक तंत्रिका नेटवर्क का एक और उदाहरण यू.एस. पेटेंट संख्या 7,039,619 द्वारा सिखाया जाता है[12] एक न्यूरल नेटवर्क, एक समाधान और एक कनेक्शन गैप का उपयोग करके यूटिलाइज्ड नैनोटेक्नोलॉजी उपकरण का हकदार है, जो 2 मई, 2006 को यू.एस. पेटेंट और ट्रेडमार्क कार्यालय द्वारा एलेक्स नुगेंट को जारी किया गया था।[13]
भौतिक तंत्रिका नेटवर्क का एक और अनुप्रयोग यू.एस. पेटेंट संख्या 7,412,428 में दिखाया गया है, जिसका शीर्षक नैनो-प्रौद्योगिकी-आधारित भौतिक तंत्रिका नेटवर्क के लिए हेब्बियन और एंटी-हेबियन सीखने का अनुप्रयोग है, जो 12 अगस्त, 2008 को जारी किया गया था।[14]
न्यूजेंट और मोल्टर ने दिखाया है कि AHaH प्लास्टिसिटी नियम को संचालित करने वाले सरल यादगार सर्किट के माध्यम से उपलब्ध संचालन से सार्वभौमिक कंप्यूटिंग और सामान्य-उद्देश्य मशीन लर्निंग संभव है।[15]हाल ही में, यह तर्क दिया गया है कि विशुद्ध रूप से यादगार सर्किट के जटिल नेटवर्क भी तंत्रिका नेटवर्क के रूप में काम कर सकते हैं।[16][17]
चरण परिवर्तन तंत्रिका नेटवर्क
2002 में, स्टैनफोर्ड ओशिन्स्की ने एक एनालॉग न्यूरल कंप्यूटिंग माध्यम का वर्णन किया जिसमें चरण-परिवर्तन सामग्री में कई इनपुट संकेतों का संचयी रूप से जवाब देने की क्षमता है।[18] इनपुट सिग्नल के भार को नियंत्रित करने के लिए चरण परिवर्तन सामग्री के प्रतिरोध का विद्युत परिवर्तन किया जाता है।
यादगार तंत्रिका नेटवर्क
एचपी लैब्स के ग्रेग स्नाइडर यादगार नैनोडेविसेस के साथ कॉर्टिकल कंप्यूटिंग की एक प्रणाली का वर्णन करते हैं।[19] मेम्रिस्टर (मेमोरी रेसिस्टर्स) को पतली फिल्म सामग्री द्वारा कार्यान्वित किया जाता है जिसमें फिल्म के भीतर आयनों या ऑक्सीजन रिक्तियों के परिवहन के माध्यम से प्रतिरोध को विद्युत रूप से ट्यून किया जाता है। DARPA के SyNAPSE ने बोस्टन यूनिवर्सिटी डिपार्टमेंट ऑफ़ कॉग्निटिव एंड न्यूरल सिस्टम्स (CNS) के सहयोग से IBM रिसर्च और HP लैब्स को न्यूरोमॉर्फिक आर्किटेक्चर विकसित करने के लिए वित्त पोषित किया है जो यादगार सिस्टम पर आधारित हो सकता है।[20]
प्रोटोनिक कृत्रिम सिनैप्स
2022 में, शोधकर्ताओं ने'एनालॉग डीप लर्निंग' के लिए आयन प्रोटॉन (H+
), 'एनालॉग ध्यान लगा के पढ़ना या सीखना' के लिए।[21][22]
यह भी देखें
- एआई त्वरक
- मस्तिष्क अनुकरण
- न्यूरोमॉर्फिक इंजीनियरिंग
- ऑप्टिकल तंत्रिका नेटवर्क
- क्वांटम तंत्रिका नेटवर्क
संदर्भ
- ↑ Lawrence, Celestine P. (2022), "Compact Modeling of Nanocluster Functionality as a Higher-Order Neuron", IEEE Transactions on Electron Devices, 69 (9): 5373–5376, doi:10.1109/TED.2022.3191956, S2CID 251340897
- ↑ "Cornell & NTT's Physical Neural Networks: A "Radical Alternative for Implementing Deep Neural Networks" That Enables Arbitrary Physical Systems Training | Synced". 27 May 2021.
- ↑ "Nano-spaghetti to solve neural network power consumption".
- ↑ Widrow, B.; Pierce, W. H.; Angell, J.B. (1961), "Birth, Life, and Death in Microelectronic Systems" (PDF), Technical Report No. 1552-2/1851-1
- ↑ Anderson, James; Rosenfeld, Edward (1998), Talking Nets: An Oral History of Neural Networks, MIT Press, ISBN 978-0-262-01167-9
- ↑ Mead, Carver. (1989). एनालॉग वीएलएसआई और तंत्रिका तंत्र. Reading, Mass.: Addison-Wesley. ISBN 0-201-05992-4. OCLC 17954003.
- ↑ Gilbert, Barrie (1981), Translinear Circuits (Handout, pp. 81)
- ↑ Gilbert, Barrie (1999-12-27), "Translinear Circuits", Wiley Encyclopedia of Electrical and Electronics Engineering, John Wiley & Sons, Inc., doi:10.1002/047134608x.w2302, ISBN 0-471-34608-X
- ↑ U.S. Patent 6,889,216
- ↑ U.S. Known Patents
- ↑ U.S. Patent No. 7,028,017
- ↑ "Utilized nanotechnology apparatus using a neutral network, a solution and a connection gap".
- ↑ "United States Patent: 8918353 - Methods and systems for feature extraction".
- ↑ "United States Patent: 9104975 - Memristor apparatus".
- ↑ Nugent, Michael Alexander; Molter, Timothy Wesley (2014). "AHaH Computing–From Metastable Switches to Attractors to Machine Learning". PLOS ONE. 9 (2): e85175. Bibcode:2014PLoSO...985175N. doi:10.1371/journal.pone.0085175. PMC 3919716. PMID 24520315.
- ↑ Caravelli, F.; Traversa, F. L.; Di Ventra, M. (2017). "The complex dynamics of memristive circuits: analytical results and universal slow relaxation". Physical Review E. 95 (2): 022140. arXiv:1608.08651. Bibcode:2017PhRvE..95b2140C. doi:10.1103/PhysRevE.95.022140. PMID 28297937. S2CID 6758362.
- ↑ Caravelli, F. (2019). "यादगार परिपथों का स्पर्शोन्मुख व्यवहार". Entropy. 21 (8): 789. arXiv:1712.07046. Bibcode:2019Entrp..21..789C. doi:10.3390/e21080789. PMC 7515318. PMID 33267502.
- ↑ U.S. Patent 6,999,953
- ↑ Snider, Greg (2008), "Cortical computing with memristive nanodevices", Sci-DAC Review, 10: 58–65, archived from the original on 2016-05-16, retrieved 2009-10-26
- ↑ Caravelli, Francesco; Carbajal, Juan Pablo (2018), "Memristors for the curious outsiders", Technologies, 6 (4): 118, arXiv:1812.03389, Bibcode:2018arXiv181203389C, doi:10.3390/technologies6040118, S2CID 54464654
- ↑ "'कृत्रिम सिनैप्स' तंत्रिका नेटवर्क को दिमाग की तरह काम कर सकता है". New Scientist. Retrieved 21 August 2022.
- ↑ Onen, Murat; Emond, Nicolas; Wang, Baoming; Zhang, Difei; Ross, Frances M.; Li, Ju; Yildiz, Bilge; del Alamo, Jesús A. (29 July 2022). "एनालॉग डीप लर्निंग के लिए नैनोसेकंड प्रोटोनिक प्रोग्रामेबल रेसिस्टर्स" (PDF). Science (in English). 377 (6605): 539–543. doi:10.1126/science.abp8064. ISSN 0036-8075. PMID 35901152. S2CID 251159631.
