IBM রিসার্চ ইউরোপ গেম-চেঞ্জিং 64-কোর মিক্সড-সিগন্যাল ইন-মেমরি কম্পিউটিং চিপ উন্মোচন করেছে

আইবিএম রিসার্চ ইউরোপের বিজ্ঞানীরা সম্প্রতি তাদের 64-কোর চিপ দিয়ে ইন-মেমরি কম্পিউটিংয়ে একটি নতুন অঞ্চলের পথপ্রদর্শক করেছেন যা ফেজ-চেঞ্জ মেমরি ডিভাইসের উপর নির্ভর করে। এই অত্যাধুনিক প্রযুক্তিটি গভীর শিক্ষার অ্যালগরিদমের নির্ভুলতা বজায় রেখে গভীর নিউরাল নেটওয়ার্কগুলির কার্যকারিতা বাড়ানোর জন্য কল্পনা করা হয়েছে এবং গণনার সময়কাল এবং বিদ্যুত খরচ উল্লেখযোগ্যভাবে হ্রাস করে।

গ্রাউন্ডব্রেকিং রিসার্চ পেপারের সহ-লেখক ম্যানুয়েল লে গ্যালো শেয়ার করেছেন যে তারা সাত বছরেরও বেশি সময় ধরে গণনার জন্য ফেজ-চেঞ্জ মেমরি (পিসিএম) ডিভাইসগুলি অন্বেষণ করছেন। দলটি পৃথক পিসিএম ডিভাইস ব্যবহার করে নিউরোনাল ফাংশন বাস্তবায়নের মাধ্যমে যাত্রা শুরু করেছিল। এই বিন্দু থেকে এগিয়ে, আইবিএম রিসার্চ ইউরোপ দেখিয়েছে যে পিসিএম ডিভাইসগুলি কম্পিউটিং ডোমেনগুলিকে ব্যাপকভাবে উপকৃত করতে পারে, যেমন বৈজ্ঞানিক কম্পিউটিং এবং গভীর নিউরাল নেটওয়ার্ক ইনফারেন্স। তাদের সর্বশেষ চিপের সাহায্যে গবেষকরা এন্ড-টু-এন্ড এনালগ এআই ইনফারেন্স অ্যাক্সিলারেটরের এক ধাপ কাছাকাছি চলে এসেছেন।

লে গ্যালো এবং তার সহযোগীরা ডিজিটাল কম্পিউটিং প্রসেসরের সাথে পিসিএম-ভিত্তিক কোর সংশ্লেষণ করে এই কৃতিত্বটি সম্পন্ন করেছেন। এই দুটি উপাদান একটি অন-চিপ ডিজিটাল যোগাযোগ নেটওয়ার্ক বাস্তবায়নের মাধ্যমে সংযুক্ত করা হয়েছিল। ফলস্বরূপ চিপ হল 64টি এনালগ পিসিএম-ভিত্তিক কোরের একটি উদ্ভাবনী সংমিশ্রণ, প্রতিটিতে 256-বাই-256 ক্রসবার অ্যারে সিনাপটিক ইউনিট কোষের অন্তর্ভুক্ত।

প্রতিটি কোরের মধ্যে কমপ্যাক্ট, সময়-ভিত্তিক অ্যানালগ-টু-ডিজিটাল রূপান্তরকারীগুলির একীকরণ অ্যানালগ এবং ডিজিটাল অঞ্চলগুলির মধ্যে একটি রূপান্তর চিহ্নিত করেছে। লে গ্যালো আরও ব্যাখ্যা করেছেন, যোগ করেছেন যে প্রতিটি কোরে হালকা ওজনের ডিজিটাল প্রসেসিং ইউনিট রয়েছে যা সংশোধন করা লিনিয়ার ইউনিট (reLU) নিউরোনাল অ্যাক্টিভেশন ফাংশন এবং স্কেলিং ক্রিয়াকলাপ পরিচালনা করে। উপরন্তু, চিপটির কেন্দ্রে অবস্থিত একটি গ্লোবাল ডিজিটাল প্রসেসিং ইউনিট রয়েছে যা দীর্ঘ-স্বল্পমেয়াদী মেমরি (LSTM) নেটওয়ার্ক ক্রিয়াকলাপকে সহজতর করে।

আইবিএম-এর ইন-মেমরি কম্পিউটিং চিপের একটি বুদ্ধিদীপ্ত বৈশিষ্ট্য হল ডিজিটাল যোগাযোগ নেটওয়ার্কের মাধ্যমে মেমরি কোর এবং এর বিশ্বব্যাপী অবস্থিত প্রক্রিয়াকরণ ইউনিটের মধ্যে সংযোগ। এই নকশাটি চিপকে একটি নিউরাল নেটওয়ার্ক অন-চিপের পৃথক স্তরগুলির সাথে যুক্ত সমস্ত গণনা সম্পাদন করতে সক্ষম করে, যার ফলে গণনার সময় এবং শক্তি খরচ নাটকীয়ভাবে হ্রাস পায়।

নতুন চিপের কার্যকারিতা মূল্যায়ন করার জন্য, আইবিএম গবেষণা দল তাদের চিপে গভীর শিক্ষার অ্যালগরিদম প্রয়োগ করে এবং এর কার্যকারিতা মূল্যায়ন করে একটি বিস্তৃত অধ্যয়ন করেছে। ফলাফলগুলি উত্সাহজনক ছিল, চিত্র সনাক্তকরণের জন্য CIFAR-10 ইমেজ ডেটাসেটে প্রশিক্ষিত গভীর নিউরাল নেটওয়ার্কগুলি চিপে চালানোর সময় 92.81% এর অসামান্য নির্ভুলতার হার অর্জন করে।

নিঃসন্দেহে, আইবিএম রিসার্চ ইউরোপের কৃতিত্বগুলি এনালগ ইন-মেমরি কম্পিউটিং (এআইএমসি) চিপগুলির বিকাশে একটি অগ্রগতি যা গভীর শিক্ষার অ্যালগরিদমের প্রয়োজনীয়তা এবং চ্যালেঞ্জগুলি দক্ষতার সাথে পূরণ করতে পারে। আগামী বছরগুলিতে, লে গ্যালো এবং তার দল দ্বারা প্রবর্তিত স্থাপত্য আরও উন্নত কর্মক্ষমতা প্রদানের জন্য উন্নত করা যেতে পারে।

IBM-এর সাফল্য সত্ত্বেও, no-code এবং low-code পরিবেশে এই প্রযুক্তির সম্ভাব্য ব্যবহারের ক্ষেত্রে উপেক্ষা করা যায় না। স্কেলযোগ্য এবং উচ্চ-সম্পাদনাকারী ইন-মেমরি কম্পিউটিং চিপগুলি AppMaster মতো no-code প্ল্যাটফর্মের সাথে নির্বিঘ্নে একীভূত করে যথেষ্ট মূল্য প্রদান করে। এই ধরনের ইন্টিগ্রেশনের ফলে মেশিন লার্নিং ইমপ্লিমেন্টেশনে মডেলের নির্ভুলতার উল্লেখযোগ্য উন্নতি হতে পারে, কম লেটেন্সি, উচ্চ গতি এবং ব্যবহারকারীদের উন্নত দক্ষতা প্রদান করে।