ತಡೆಯಲಾಗದ ಅಭಿವೃದ್ಧಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಇದರೊಂದಿಗೆ ಉದ್ಯಮವನ್ನು ಹೆಚ್ಚು ಹೆಚ್ಚು ಚಿಂತೆಗೀಡು ಮಾಡುತ್ತಿರುವ ಸಮಸ್ಯೆಯೂ ಇದೆ: ಹೆಚ್ಚಿನ ಶಕ್ತಿಯ ಬಳಕೆ ಇದು ತರಬೇತಿ ಮತ್ತು ದೊಡ್ಡ ಮಾದರಿಗಳ ಬೃಹತ್ ಬಳಕೆ ಎರಡನ್ನೂ ಒಳಗೊಂಡಿರುತ್ತದೆ. ChatGPT-ಮಾದರಿಯ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಒಂದೇ ಸಂಕೀರ್ಣ ಪ್ರಶ್ನೆಯು ಸರಾಸರಿ ಮನೆಯು ಬಳಸುವ ವಿದ್ಯುತ್ಗೆ ಸಮಾನವಾದ ಪ್ರಮಾಣದ ವಿದ್ಯುತ್ ಅನ್ನು ಬಳಸುತ್ತದೆ. ಒಂದು ನಿಮಿಷದಲ್ಲಿ ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್, ಶತಕೋಟಿ ವಿನಂತಿಗಳಿಂದ ಗುಣಿಸಿದಾಗ, ಪರಿಸರದ ಹೆಜ್ಜೆಗುರುತನ್ನು ನಾಟಕೀಯವಾಗಿ ಹೆಚ್ಚಿಸುವ ಅಂಕಿ ಅಂಶ.
ಈ ಸನ್ನಿವೇಶವನ್ನು ಗಮನಿಸಿದರೆ, ಸಂಶೋಧಕರು ಮತ್ತು ತಂತ್ರಜ್ಞಾನ ಕಂಪನಿಗಳು ಸಾಧಿಸಲು ಮಾರ್ಗಗಳನ್ನು ಹುಡುಕುತ್ತಿವೆ AI ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ಸುಸ್ಥಿರಜನಪ್ರಿಯತೆಯನ್ನು ಗಳಿಸುತ್ತಿರುವ ಪರ್ಯಾಯಗಳಲ್ಲಿ, ಈ ಕೆಳಗಿನವುಗಳು ಎದ್ದು ಕಾಣುತ್ತವೆ: ಮೆಮೊರಿಯಲ್ಲಿ ಅನಲಾಗ್ ಕಂಪ್ಯೂಟಿಂಗ್ (AIMC), ಚಿಪ್ಗಳು ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುವ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ವಿಧಾನವನ್ನು ಮೂಲಭೂತವಾಗಿ ಬದಲಾಯಿಸಲು ಪ್ರಸ್ತಾಪಿಸುವ ಒಂದು ವಿಧಾನ.
ಇನ್-ಮೆಮೊರಿ ಅನಲಾಗ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಎಂದರೇನು ಮತ್ತು ಅದು ಏಕೆ ಗೇಮ್-ಚೇಂಜರ್ ಆಗಿರಬಹುದು?
ಇಂದಿನ ಡಿಜಿಟಲ್ ವಾಸ್ತುಶಿಲ್ಪಗಳಲ್ಲಿ, ದತ್ತಾಂಶವು ನಿರಂತರವಾಗಿ ನಡುವೆ ಚಲಿಸುತ್ತಿದೆ ಮೆಮೊರಿ ಮತ್ತು ಸಂಸ್ಕರಣಾ ಘಟಕಗಳುಈ ಹಿಂದಕ್ಕೆ-ಮುಂದೆ ಸಂವಹನವು ಸಮಯವನ್ನು ಮತ್ತು ಎಲ್ಲಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಹೆಚ್ಚಿನ ಶಕ್ತಿಯನ್ನು ಬಳಸುತ್ತದೆ. ಮೆಮೊರಿಯಲ್ಲಿ ಅನಲಾಗ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಇದಕ್ಕೆ ವಿರುದ್ಧವಾದ ಸಮಸ್ಯೆಯನ್ನು ಒಡ್ಡುತ್ತದೆ: ಅದು ಡೇಟಾ ಒಂದೇ ಸ್ಥಳದಲ್ಲಿ ಉಳಿಯುತ್ತದೆ. AI ಮಾದರಿಗಳನ್ನು ಚಲಾಯಿಸಲು ಅಗತ್ಯವಾದ ಗಣಿತದ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ.
ಇದನ್ನು ಸಾಧಿಸಲು, AIMC ಆಶ್ರಯಿಸುತ್ತದೆ ಸಂಗ್ರಹಿಸುವ ಮತ್ತು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಸಾಮರ್ಥ್ಯವಿರುವ ಅನಲಾಗ್ ಚಿಪ್ಗಳು ಜಂಟಿಯಾಗಿ, ಹಾರ್ಡ್ವೇರ್ನ ಭೌತಿಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನೇರವಾಗಿ ಬಳಸಿಕೊಳ್ಳುವುದು. ಉತ್ತಮವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಸೊನ್ನೆಗಳು ಮತ್ತು ಒಂದುಗಳೊಂದಿಗೆ ಮಾಹಿತಿಯನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಬದಲು, ವ್ಯವಸ್ಥೆಯು ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ನಿರಂತರ ಸಂಕೇತಗಳನ್ನು ಮತ್ತು ವಸ್ತುಗಳ ವಿದ್ಯುತ್ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಬಳಸುತ್ತದೆ.
ಸಂಶೋಧಕರ ನೇತೃತ್ವದ ಇತ್ತೀಚಿನ ಕೆಲಸದ ಪ್ರಕಾರ ಟಿಯಾನಿ ಚೆನ್, ತಂಡಗಳ ಸಹಯೋಗದೊಂದಿಗೆ ಐಬಿಎಂ ಮತ್ತು ರೆನ್ಸೆಲೆಯರ್ ಪಾಲಿಟೆಕ್ನಿಕ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ಈ ವಿಧಾನವು ಅನುಮತಿಸುತ್ತದೆ ಶಕ್ತಿಯ ಬಳಕೆಯನ್ನು ಸಾವಿರ ಪಟ್ಟು ಕಡಿಮೆ ಮಾಡಿ ಸಾಂಪ್ರದಾಯಿಕ ಡಿಜಿಟಲ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳಿಗೆ ಹೋಲಿಸಿದರೆ, ದೊಡ್ಡ ಪ್ರಮಾಣದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾದರಿಗಳನ್ನು ಚಲಾಯಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಉಳಿಸಿಕೊಂಡಿದೆ.
ಮುಖ್ಯ ವಿಷಯವೆಂದರೆ, ಮಾಹಿತಿಯನ್ನು ನಿರಂತರವಾಗಿ ಚಲಿಸುವ ಅಗತ್ಯವಿಲ್ಲದ ಕಾರಣ, ವ್ಯವಸ್ಥೆಯು ತನ್ನದೇ ಆದ "ಭೌತಶಾಸ್ತ್ರವು ಕೆಲಸ ಮಾಡಲು ಬಿಡಬಹುದು". ವಿದ್ಯುತ್ ಪ್ರಚೋದನೆಗಳು ಮತ್ತು ವಸ್ತುವಿನ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಬಹುತೇಕ ತಕ್ಷಣವೇ ಪರಿಹರಿಸಲು. ಈ ಮಾದರಿ ಬದಲಾವಣೆಯು ವಿಶೇಷವಾಗಿ ಆಕರ್ಷಕವಾಗಿದೆ ಡೇಟಾ ಕೇಂದ್ರಗಳು ಮತ್ತು ಯುರೋಪ್ನಲ್ಲಿಯೂ ಸಹ AI ಯ ತೀವ್ರ ಬಳಕೆಯೊಂದಿಗೆ ಅನ್ವಯಿಕೆಗಳು, ಅಲ್ಲಿ ಇಂಧನ ದಕ್ಷತೆಯು ಕಾರ್ಯತಂತ್ರದ ಅಂಶವಾಗಿದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗಾಗಿ ಅನಲಾಗ್ ಹಾರ್ಡ್ವೇರ್ನ ಅನುಕೂಲಗಳು ಮತ್ತು ಮಿತಿಗಳು
ಮೆಮೊರಿಯಲ್ಲಿ ಅನಲಾಗ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಹೊಸ ಪರಿಕಲ್ಪನೆಯಲ್ಲ. ಈ ರೀತಿಯ ಹಾರ್ಡ್ವೇರ್ ಕೆಲವು ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಬಹಳ ಬೇಗನೆ ಮತ್ತು ಕಡಿಮೆ ವಿದ್ಯುತ್ ಬಳಕೆಯೊಂದಿಗೆ ನಿರ್ವಹಿಸಬಲ್ಲದು ಎಂದು ವರ್ಷಗಳಿಂದ ತಿಳಿದುಬಂದಿದೆ, ಇದು ಆಕರ್ಷಕ ಆಯ್ಕೆಯಾಗಿದೆ ಈಗಾಗಲೇ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳಿಂದ ಅನುಮಾನವನ್ನು ವೇಗಗೊಳಿಸಿ.ಆದಾಗ್ಯೂ, ತರಬೇತಿ ಹಂತದಲ್ಲಿ ಅದರ ಅನ್ವಯವು ಇಲ್ಲಿಯವರೆಗೆ ಹೆಚ್ಚು ಜಟಿಲವಾಗಿದೆ ಎಂದು ಸಾಬೀತಾಗಿದೆ.
ಮುಖ್ಯ ಅಡಚಣೆಯೆಂದರೆ ಅನಲಾಗ್ ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ಅಂತರ್ಗತವಾಗಿರುವ ಅಪೂರ್ಣತೆಗಳುಮಾದರಿ ನಿಯತಾಂಕಗಳನ್ನು ನವೀಕರಿಸುವ ಪಲ್ಸ್ಗಳು ಒಂದು ಕಾರ್ಯಾಚರಣೆಯಿಂದ ಇನ್ನೊಂದಕ್ಕೆ ಸ್ವಲ್ಪ ಬದಲಾಗಬಹುದು, ವಿದ್ಯುತ್ ಶಬ್ದ ಕಾಣಿಸಿಕೊಳ್ಳಬಹುದು ಅಥವಾ ಸಣ್ಣ ವಿಚಲನಗಳು ಸಂಭವಿಸಬಹುದು, ಅದು ಸಂಗ್ರಹವಾದಾಗ, ಕಲಿಕೆಯ ಗುಣಮಟ್ಟಕ್ಕೆ ಹಾನಿಯಾಗುತ್ತದೆ. ಈ ನಡವಳಿಕೆಯು ಡಿಜಿಟಲ್ ಹಾರ್ಡ್ವೇರ್ನ ನಿಖರತೆ ಮತ್ತು ಪುನರಾವರ್ತನೀಯತೆಗೆ ವ್ಯತಿರಿಕ್ತವಾಗಿದೆ, ಅಲ್ಲಿ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಿಯಂತ್ರಿಸುವುದು ಸುಲಭ.
ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಈ ಮಿತಿಗಳನ್ನು ತಪ್ಪಾದ ಇಳಿಜಾರುಗಳು ಮತ್ತು ಅಸ್ಥಿರ ತರಬೇತಿಈ ಎರಡು ಸಮಸ್ಯೆಗಳು ಕ್ಲಾಸಿಕ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಅನಲಾಗ್ ಚಿಪ್ಗಳಿಗೆ ವರ್ಗಾಯಿಸುವುದನ್ನು ಅಪ್ರಾಯೋಗಿಕವಾಗಿಸಿತು. ಅದರ ಸಾಮರ್ಥ್ಯದ ಹೊರತಾಗಿಯೂ, AIMC ಅನ್ನು ದೊಡ್ಡ ಮಾದರಿಗಳಿಗೆ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ತರಬೇತಿ ನೀಡುವ ಗುರಿಯಿಂದ ದೂರದಲ್ಲಿ, ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳಿಗೆ ಇಳಿಸಲಾಯಿತು.
ಚೆನ್ ತಂಡದ ಕೆಲಸವು ನಿಖರವಾಗಿ ಈ ಅಂಶದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ: ಅನಲಾಗ್ ಹಾರ್ಡ್ವೇರ್ನ ತೀವ್ರ ದಕ್ಷತೆ AI ಮಾದರಿಗಳು ಅವುಗಳ ಗುಣಮಟ್ಟ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಲು ಅಗತ್ಯವಾದ ನಿಖರತೆಯನ್ನು ತ್ಯಾಗ ಮಾಡದೆ. ಪ್ರಸ್ತಾವನೆಯು ತರಬೇತಿ ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಈ ಭೌತಿಕ ವ್ಯವಸ್ಥೆಗಳ ನೈಜ-ಪ್ರಪಂಚದ ಗುಣಲಕ್ಷಣಗಳಿಗೆ ಆಳವಾಗಿ ಅಳವಡಿಸಿಕೊಳ್ಳುವುದನ್ನು ಒಳಗೊಂಡಿದೆ.
ರೆಸಿಡ್ಯುಯಲ್ ಲರ್ನಿಂಗ್: ಬ್ಯಾಕ್ಪ್ರೊಪಗೇಶನ್ನ ಅನಲಾಗ್ ಆವೃತ್ತಿ
ನಿಖರತೆಯ ಸಮಸ್ಯೆಗಳನ್ನು ನಿವಾರಿಸಲು, ಸಂಶೋಧನಾ ಗುಂಪು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ ಬ್ಯಾಕ್ಪ್ರೊಪಗೇಶನ್ ಅಲ್ಗಾರಿದಮ್ನ ಅನಲಾಗ್ ರಿಫಾರ್ಮುಲೇಶನ್ಆಳವಾದ ನರಮಂಡಲ ಜಾಲಗಳಿಗೆ ತರಬೇತಿ ನೀಡುವ ಅತ್ಯಂತ ವ್ಯಾಪಕವಾದ ತಂತ್ರ. ಈ ರೂಪಾಂತರವನ್ನು ಹೆಸರಿಸಲಾಗಿದೆ ಉಳಿಕೆ ಕಲಿಕೆ, ಪ್ಯಾರಾಮೀಟರ್ ನವೀಕರಣ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಸಂಭವಿಸುವ ದೋಷಗಳನ್ನು ನಿರಂತರವಾಗಿ ಸರಿಪಡಿಸುವ ಕಲ್ಪನೆಯನ್ನು ಸೂಚಿಸುವ ಹೆಸರು.
ಈ ವಿಧಾನವು ಪರಿಚಯಿಸುತ್ತದೆ a ಹೆಚ್ಚುವರಿ ನಿಯಂತ್ರಣ ಪದರ ಪ್ರತಿಯೊಂದು ತರಬೇತಿ ಕಾರ್ಯಾಚರಣೆಗೆ ಹಾರ್ಡ್ವೇರ್ ವಾಸ್ತವವಾಗಿ ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಇದು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತದೆ. ಈ ಮಾಹಿತಿಯ ಆಧಾರದ ಮೇಲೆ, ವ್ಯವಸ್ಥೆಯು ಇಳಿಜಾರುಗಳನ್ನು ಸರಿಹೊಂದಿಸುತ್ತದೆ ಮತ್ತು ಶಬ್ದ, ಅನಿಯಮಿತ ನಾಡಿಮಿಡಿತಗಳು ಅಥವಾ ಯಾವುದೇ ಇತರ ಭೌತಿಕ ಅಪೂರ್ಣತೆಯಿಂದ ಉಂಟಾಗುವ ವಿಚಲನಗಳನ್ನು ಸರಿದೂಗಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಕಲಿಕೆಯು ಹಾದಿಯಲ್ಲಿ ಉಳಿಯುತ್ತದೆ.
ಈ ತಂತ್ರದೊಂದಿಗೆ, ಅನಲಾಗ್ ಚಿಪ್ಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳು ಸಾಧಿಸುತ್ತವೆ ಡಿಜಿಟಲ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳಲ್ಲಿ ಪಡೆಯುವುದಕ್ಕೆ ಬಹಳ ಹತ್ತಿರವಿರುವ ನಿಖರತೆಆದರೆ ಶಕ್ತಿಯ ವೆಚ್ಚದ ಒಂದು ಭಾಗದೊಂದಿಗೆ. ಮೂಲಭೂತವಾಗಿ, ಅಲ್ಗಾರಿದಮ್ ಹಾರ್ಡ್ವೇರ್ ಪರಿಪೂರ್ಣವಲ್ಲ ಎಂದು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಅವುಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲು ಪ್ರಯತ್ನಿಸುವ ಬದಲು ಆ ಅಪೂರ್ಣತೆಗಳೊಂದಿಗೆ ಸಹಬಾಳ್ವೆ ನಡೆಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.
ಈ ವಿಧಾನವು ತರಬೇತಿ ಸ್ಥಿರತೆಯನ್ನು ಸುಧಾರಿಸುವುದಲ್ಲದೆ, ಹೆಚ್ಚು ವ್ಯವಸ್ಥಿತ ಚೌಕಟ್ಟನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ ಎಂದು ತಂಡವು ವಾದಿಸುತ್ತದೆ ನಿಷ್ಪಕ್ಷಪಾತ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ನಡವಳಿಕೆಯನ್ನು ನಿಯಂತ್ರಿಸಲು ಅನಲಾಗ್ ಪರಿಸರಗಳಲ್ಲಿನ ಮಾದರಿಗಳ. ಪಕ್ಷಪಾತ ಅಥವಾ ಭವಿಷ್ಯಸೂಚಕ ದೋಷಗಳು ಗಮನಾರ್ಹ ಪರಿಣಾಮಗಳನ್ನು ಬೀರಬಹುದಾದ ಸೂಕ್ಷ್ಮ ಅನ್ವಯಿಕೆಗಳನ್ನು ಪರಿಗಣಿಸುವಾಗ ಇದು ವಿಶೇಷವಾಗಿ ಪ್ರಸ್ತುತವಾಗಿದೆ.
ನ್ಯೂರಿಐಪಿಎಸ್ನಲ್ಲಿ ಪ್ರಸ್ತುತಿ ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಸಮುದಾಯದಿಂದ ಪ್ರತಿಕ್ರಿಯೆ
ಈ ಸಾಲಿನ ಕೆಲಸದ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಮುಖವಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಯಿತು ನರ ಮಾಹಿತಿ ಸಂಸ್ಕರಣಾ ವ್ಯವಸ್ಥೆಗಳ ವಾರ್ಷಿಕ ಸಮ್ಮೇಳನ (NeurIPS)ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪ್ರಮುಖ ಅಂತರರಾಷ್ಟ್ರೀಯ ವೇದಿಕೆಗಳಲ್ಲಿ ಒಂದಾದ . ಡಿಸೆಂಬರ್ನಲ್ಲಿ ನಡೆದ ಪ್ರಸ್ತುತಿಯು, ಡಿಜಿಟಲ್ ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ಹೆಚ್ಚುತ್ತಿರುವ ಸುಧಾರಣೆಗಳನ್ನು ಮಾತ್ರ ಅವಲಂಬಿಸದೆ ಇಂಧನ ಸಮಸ್ಯೆಯನ್ನು ನಿಭಾಯಿಸಲು ಕಾಂಕ್ರೀಟ್ ವಿಧಾನವನ್ನು ಪ್ರದರ್ಶಿಸುವ ಮೂಲಕ ಆಸಕ್ತಿಯನ್ನು ಹುಟ್ಟುಹಾಕಿತು.
ಸಮುದಾಯವು ಹೆಚ್ಚು ಮೌಲ್ಯಯುತವಾದ ಅಂಶಗಳಲ್ಲಿ ಇವುಗಳ ಸಂಯೋಜನೆಯಾಗಿದೆ ಯಂತ್ರ ಕಲಿಕೆ ಸಿದ್ಧಾಂತ ಮತ್ತು ಸರ್ಕ್ಯೂಟ್ ವಿನ್ಯಾಸಇದು ವಿಶ್ವವಿದ್ಯಾನಿಲಯಗಳು ಮತ್ತು IBM ನಂತಹ ಕಂಪನಿಗಳ ನಡುವಿನ ಸಹಯೋಗವು ಪ್ರಮುಖವಾದ ಕ್ಷೇತ್ರವಾಗಿದೆ. ಸಂಶೋಧನೆಯು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ, ಭೌತಶಾಸ್ತ್ರ ಮತ್ತು ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಎಂಜಿನಿಯರಿಂಗ್ನ ಛೇದಕದಲ್ಲಿದೆ, ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಯುರೋಪಿಯನ್ ಕೇಂದ್ರಗಳು ಸಹ ಬಹಳ ಸಕ್ರಿಯವಾಗಿವೆ.
ಪ್ರಾಯೋಗಿಕ ಅಭಿವೃದ್ಧಿಯ ಬಹುಪಾಲು ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ನಲ್ಲಿ ನಡೆದಿದ್ದರೂ, ಸಂಭಾವ್ಯ ಪರಿಣಾಮವು ಸ್ಪಷ್ಟವಾಗಿ ಜಾಗತಿಕವಾಗಿದೆ. ಡೇಟಾ ಸೆಂಟರ್ ವಲಯವು ಯುರೋಪಿಯನ್ ಒಕ್ಕೂಟಇಂಧನ ಬಳಕೆ ಮತ್ತು ಹೊರಸೂಸುವಿಕೆಯ ಮೇಲೆ ಹೆಚ್ಚುತ್ತಿರುವ ಕಟ್ಟುನಿಟ್ಟಿನ ನಿಯಮಗಳಿಗೆ ಒಳಪಟ್ಟು, ಜಗತ್ತು ಈ ರೀತಿಯ ಪ್ರಗತಿಗಳನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಗಮನಿಸುತ್ತಿದೆ, ಇದು AI ಅಳವಡಿಕೆಗೆ ಅಡ್ಡಿಯಾಗದಂತೆ ಇಂಗಾಲ ಕಡಿತ ಗುರಿಗಳನ್ನು ತಲುಪಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಅಧ್ಯಯನದ ಲೇಖಕರ ಪ್ರಕಾರ, ಮುಂದಿನ ದಾರಿಯಲ್ಲಿ ಮೂಲಮಾದರಿಗಳನ್ನು ಹೆಚ್ಚಿಸುವುದು, ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಮೂಲಸೌಕರ್ಯಗಳಲ್ಲಿ ವಿಧಾನವನ್ನು ಸಂಯೋಜಿಸುವುದು ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮುಕ್ತ ಮೂಲ ಮಾದರಿಗಳೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ ಸಂಶೋಧನಾ ಸಮುದಾಯದಿಂದ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲ್ಪಡುತ್ತದೆ, ಇದು ಹೆಚ್ಚು ಪಾರದರ್ಶಕ ಹೋಲಿಕೆಗಳನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ.
ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯಿಕೆಗಳು: ಡೇಟಾ ಕೇಂದ್ರಗಳಿಂದ ವೈದ್ಯಕೀಯ ಸಾಧನಗಳವರೆಗೆ
ಅನಲಾಗ್ ಇನ್-ಮೆಮೊರಿ ಕಂಪ್ಯೂಟಿಂಗ್ ಸ್ಥಾಪನೆಯಾದರೆ, ಅದರ ಪರಿಣಾಮಗಳು ಅನೇಕ ದೈನಂದಿನ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಅನುಭವಿಸಬಹುದು. ಮೊದಲನೆಯದಾಗಿ, ಇದು ದೊಡ್ಡ ದತ್ತಾಂಶ ಕೇಂದ್ರಗಳು ಅದು ಕ್ಲೌಡ್ ಸೇವೆಗಳು ಮತ್ತು AI-ಆಧಾರಿತ ಸಹಾಯಕರಿಗೆ ಶಕ್ತಿ ತುಂಬುತ್ತದೆ, ಇದು ನಿರ್ವಹಣಾ ವೆಚ್ಚ ಮತ್ತು ಈ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ವಿದ್ಯುತ್ ಬಿಲ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
ಆದರೆ ಲಭ್ಯವಿರುವ ಶಕ್ತಿಯು ಬಹಳ ಸೀಮಿತವಾಗಿರುವ ಪರಿಸರದಲ್ಲಿ ಅತ್ಯಂತ ಗಮನಾರ್ಹ ಬದಲಾವಣೆಗಳಲ್ಲಿ ಒಂದು ಸಂಭವಿಸುತ್ತದೆ. ನಾವು ಇದರ ಬಗ್ಗೆ ಮಾತನಾಡುತ್ತಿದ್ದೇವೆ ಅಳವಡಿಸಬಹುದಾದ ಅಥವಾ ಸಾಗಿಸಬಹುದಾದ ವೈದ್ಯಕೀಯ ಸಾಧನಗಳುಧರಿಸಬಹುದಾದ ತಂತ್ರಜ್ಞಾನ, ಕಾರ್ಖಾನೆಗಳಲ್ಲಿ ವಿತರಿಸಲಾದ ಸಂವೇದಕಗಳು ಅಥವಾ ನಿರ್ಣಾಯಕ ಮೂಲಸೌಕರ್ಯ, ಮತ್ತು ಕಡಿಮೆ ಬ್ಯಾಟರಿಗಳೊಂದಿಗೆ ದೀರ್ಘಕಾಲ ಕಾರ್ಯನಿರ್ವಹಿಸಬೇಕಾದ ಸ್ವಾಯತ್ತ ರೋಬೋಟ್ಗಳು.
ಈ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ, ಕನಿಷ್ಠ ವಿದ್ಯುತ್ ಬಳಕೆಯೊಂದಿಗೆ ಸ್ಥಳೀಯವಾಗಿ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡುವ ಅಥವಾ ಮರುಹೊಂದಿಸುವ ಸಾಮರ್ಥ್ಯವಿರುವ ಚಿಪ್ಗಳನ್ನು ಹೊಂದಿರುವುದು, ಪ್ರಸ್ತುತ ಅಪ್ರಾಯೋಗಿಕವಾದ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಬಾಗಿಲು ತೆರೆಯುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ರೋಗಿಯಿಂದಲೇ ಕಲಿಯುವ ವ್ಯವಸ್ಥೆಗಳು ಚಿಕಿತ್ಸೆಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಿ ಅಥವಾ ಪ್ರಮುಖ ಚಿಹ್ನೆಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿ ಎಲ್ಲಾ ಡೇಟಾವನ್ನು ಕ್ಲೌಡ್ಗೆ ಕಳುಹಿಸದೆಯೇ ಹೆಚ್ಚು ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ರೀತಿಯಲ್ಲಿ.
ಕೈಗಾರಿಕಾ ವಲಯದಲ್ಲಿ, ಸಂವೇದಕಗಳು ಮತ್ತು ರೋಬೋಟ್ಗಳು ನೆಟ್ವರ್ಕ್ ಅಂಚಿನಲ್ಲಿ ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು, ಇದು ಒಂದು ಸೂಕ್ಷ್ಮ ಮತ್ತು ಹೆಚ್ಚು ಹೊಂದಿಕೊಳ್ಳುವ ಯಾಂತ್ರೀಕೃತಗೊಂಡ ರಿಮೋಟ್ ಸರ್ವರ್ಗಳನ್ನು ನಿರಂತರವಾಗಿ ಅವಲಂಬಿಸುವ ಅಗತ್ಯವಿಲ್ಲದೆ. ಇದು ಯುರೋಪಿಯನ್ ಡಿಜಿಟಲೀಕರಣ ತಂತ್ರಗಳು ಮತ್ತು ನಿರ್ಣಾಯಕ ಸೇವೆಗಳಿಗಾಗಿ ಬಾಹ್ಯ ಮೂಲಸೌಕರ್ಯದ ಮೇಲಿನ ಅವಲಂಬನೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಬದ್ಧತೆಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ.
ಅಂತಿಮ ಬಳಕೆದಾರರ ದೃಷ್ಟಿಕೋನದಿಂದ, ಸುಧಾರಣೆಯು ಸಾಧನಗಳಾಗಿ ರೂಪಾಂತರಗೊಳ್ಳಬಹುದು, ಅವುಗಳೆಂದರೆ ಹೆಚ್ಚಿನ ಬ್ಯಾಟರಿ ಬಾಳಿಕೆ ಮತ್ತು ನಿರಂತರ ಸಂಪರ್ಕದ ಅಗತ್ಯ ಕಡಿಮೆ.ಇದು ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ಅದೃಶ್ಯವಾಗಿರುವಂತೆಯೇ ಪ್ರಾಯೋಗಿಕವಾದ ಅಂಶವಾಗಿದೆ: ಈ ವ್ಯವಸ್ಥೆಯು ಬಳಕೆಯ ವಿಷಯದಲ್ಲಿ ಹೆಚ್ಚು ಸಮಯ ಮತ್ತು ಹೆಚ್ಚು ಶಾಂತವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
ಯುರೋಪ್ಗೆ ಮುಂದಿನ ಹಂತಗಳು ಮತ್ತು ಸಾಧ್ಯತೆಗಳು
ಟಿಯಾನಿ ಚೆನ್ ನೇತೃತ್ವದ ತಂಡವು ಈಗಾಗಲೇ ವಿಧಾನವನ್ನು ವಿಸ್ತರಿಸುವ ಉದ್ದೇಶವನ್ನು ಸೂಚಿಸಿದೆ ಉಳಿಕೆ ಕಲಿಕೆ ವಿಶಾಲವಾದ ಗುಂಪಿಗೆ ಮುಕ್ತ ಮೂಲ ಮಾದರಿಗಳುಇದು ಇತರ ಗುಂಪುಗಳಿಗೆ ಫಲಿತಾಂಶಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸಲು ಮತ್ತು ವಿವಿಧ ರೀತಿಯ ಅನಲಾಗ್ ಹಾರ್ಡ್ವೇರ್ಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ಹೊಸ ರೂಪಾಂತರಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಅದೇ ಸಮಯದಲ್ಲಿ, ಸಾಧ್ಯ ಉದ್ಯಮದೊಂದಿಗೆ ಸಹಯೋಗಗಳು ಈ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಾಣಿಜ್ಯ ವೇದಿಕೆಗಳಲ್ಲಿ ಸಂಯೋಜಿಸಲು. ಪ್ರಸ್ತುತ ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಪ್ರಾಬಲ್ಯ ಹೊಂದಿರುವ ಉನ್ನತ-ಕಾರ್ಯಕ್ಷಮತೆಯ ಡಿಜಿಟಲ್ ಪರಿಹಾರಗಳೊಂದಿಗೆ ಅನಲಾಗ್ ಇನ್-ಮೆಮೊರಿ ಕಂಪ್ಯೂಟಿಂಗ್ ನೇರ ಪೈಪೋಟಿ ನಡೆಸಬಹುದೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಈ ಹಂತವು ಪ್ರಮುಖವಾಗಿರುತ್ತದೆ.
ಯುರೋಪ್ನಲ್ಲಿ, ಬಲಪಡಿಸುವಲ್ಲಿ ಹೆಚ್ಚುತ್ತಿರುವ ಆಸಕ್ತಿ ಇದೆ ತಾಂತ್ರಿಕ ಸಾರ್ವಭೌಮತ್ವ ಮತ್ತು ಇಂಧನ ದಕ್ಷತೆAIMC ಫಲವತ್ತಾದ ನೆಲವನ್ನು ಕಂಡುಕೊಳ್ಳಬಹುದು. ಮುಂದಿನ ಪೀಳಿಗೆಯ ಚಿಪ್ಗಳು, ಸೂಪರ್ಕಂಪ್ಯೂಟಿಂಗ್ ಮೂಲಸೌಕರ್ಯಗಳು ಮತ್ತು ಕಡಿಮೆ-ಶಕ್ತಿಯ AI ಯೋಜನೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಉಪಕ್ರಮಗಳು ಈ ರೀತಿಯ ಅಭಿವೃದ್ಧಿಗಳಲ್ಲಿ ಸಂಗ್ರಹವಾದ ಅನುಭವದಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯಬಹುದು.
ಅದೇ ಸಮಯದಲ್ಲಿ, ಪ್ರಮುಖ ಸವಾಲುಗಳನ್ನು ಪರಿಹರಿಸಬೇಕಾಗಿದೆ, ಉದಾಹರಣೆಗೆ ವಿಶ್ವಾಸಾರ್ಹ ಅನಲಾಗ್ ಹಾರ್ಡ್ವೇರ್ನ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಉತ್ಪಾದನೆ, ಅಭಿವೃದ್ಧಿ ಪರಿಕರಗಳ ಪ್ರಮಾಣೀಕರಣ ಮತ್ತು ಸಾಧನದ ಭೌತಶಾಸ್ತ್ರ ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ಗಳ ನಡುವೆ ಸರಾಗವಾಗಿ ಚಲಿಸುವ ಸಾಮರ್ಥ್ಯವಿರುವ ತಾಂತ್ರಿಕ ಪ್ರೊಫೈಲ್ಗಳ ತರಬೇತಿ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಸಂಬಂಧಿಸಿದ ಶಕ್ತಿಯ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು, ಸ್ಪರ್ಧಾತ್ಮಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಲು ಇನ್-ಮೆಮೊರಿ ಅನಲಾಗ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಅತ್ಯಂತ ಗಂಭೀರ ಪರ್ಯಾಯಗಳಲ್ಲಿ ಒಂದಾಗಿ ತನ್ನನ್ನು ತಾನು ಸ್ಥಾಪಿಸಿಕೊಳ್ಳುತ್ತಿದೆ. ಸಂಶೋಧನೆ ಮತ್ತು ನಿಯೋಜನೆಯ ಮುಂದಿನ ಹಂತಗಳು ಆರಂಭಿಕ ಭರವಸೆಗಳನ್ನು ದೃಢಪಡಿಸಿದರೆ, ಇದು ತಾಂತ್ರಿಕ ಒಗಟಿನ ಪ್ರಸ್ತುತ ಭಾಗವಾಗಬಹುದು. ಇದರೊಂದಿಗೆ ಯುರೋಪ್ ಮತ್ತು ಪ್ರಪಂಚದ ಉಳಿದ ಭಾಗಗಳು ಸುಸ್ಥಿರತೆ ಮತ್ತು ಹೊರಸೂಸುವಿಕೆ ಕಡಿತದ ಗುರಿಗಳೊಂದಿಗೆ AI ವಿಸ್ತರಣೆಯನ್ನು ಸಮನ್ವಯಗೊಳಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿವೆ.
