ચીનના વૈજ્ઞાનિકોએ બ્રેઈન મોડેલિંગ માટે એક ખાસ પ્રકારની AI ચિપ વિકસાવી છે. રિપોર્ટ્સ અનુસાર, આ ચિપ બ્રેઈન-મેપિંગના ચોક્કસ કાર્યોમાં Nvidia A100 GPU કરતાં **478 ગણી** સુધી વધુ ઝડપી હોવાનો દાવો છે. જોકે, આ ચિપ ખાસ સંશોધન માટે બનાવવામાં આવી છે, સામાન્ય AI કમ્પ્યુટિંગ માટે નહીં.
ચીનના વૈજ્ઞાનિકોનો નવો દાવો: બ્રેઈન મેપિંગ માટે ખાસ AI ચિપ વિકસાવી
પેકિંગ યુનિવર્સિટી (Peking University) અને ચાઈનીઝ એકેડેમી ઓફ સાયન્સ (Chinese Academy of Sciences) ના સંશોધકોની ટીમે એક નવી, બ્રેઈન-જેવી કમ્પ્યુટિંગ ચિપ રજૂ કરી છે. "Science" જર્નલમાં પ્રકાશિત થયેલા અહેવાલ મુજબ, આ ટેકનોલોજી ખાસ કરીને મગજની સપાટીના મોડેલિંગ (brain surface modeling) માટે ડિઝાઇન કરવામાં આવી છે. સંશોધન ટીમનો દાવો છે કે આ હાર્ડવેર ચોક્કસ જટિલ ગણતરીઓ કરતી વખતે Nvidia ના A100 GPU કરતાં 50 થી 478 ગણી વધુ ઝડપી છે.
ઈન-મેમરી કમ્પ્યુટિંગ ટેકનોલોજી (In-Memory Computing Technology)
આ ચિપ "ઈન-મેમરી કમ્પ્યુટિંગ" નામની ટેકનોલોજીનો ઉપયોગ કરે છે. પરંપરાગત કમ્પ્યુટર આર્કિટેક્ચરમાં, ડેટાને પ્રોસેસર અને મેમરી વચ્ચે ખસેડવો પડે છે, જેનાથી વિલંબ થાય છે અને વધુ ઊર્જાનો વપરાશ થાય છે. આ નવી ચિપમાં, સ્ટોરેજ (Storage) અને પ્રોસેસિંગ (Processing) ને એક જ મેમરી એરે (memory array) માં એકીકૃત કરવામાં આવ્યા છે. આનાથી ઓછી ઊર્જા અને ઝડપી ડેટા હેન્ડલિંગ સાથે કાર્યો પૂર્ણ કરવામાં મદદ મળે છે. આ ઉપકરણ 40-નૈનોમીટર મેન્યુફેક્ચરિંગ પ્રોસેસ (manufacturing process) નો ઉપયોગ કરીને બનાવવામાં આવ્યું છે, જે વિવિધ ઔદ્યોગિક અને વિશિષ્ટ હાર્ડવેર ઘટકો માટે વ્યાપકપણે ઉપયોગમાં લેવાતી ટેકનોલોજી છે.
વિશિષ્ટ ઉપયોગ વિરુદ્ધ સામાન્ય હેતુ (Specialized Use Versus General Purpose)
રોકાણકારો અને ટેક નિરીક્ષકો માટે વિશિષ્ટ હાર્ડવેર અને સામાન્ય-હેતુ પ્રોસેસરો (general-purpose processors) વચ્ચેનો તફાવત સમજવો મહત્વપૂર્ણ છે. Nvidia નો A100 એ એક સામાન્ય-હેતુ GPU છે જેનો વૈશ્વિક સ્તરે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) મોડેલ્સ, ડેટા સેન્ટર્સ અને વૈજ્ઞાનિક એપ્લિકેશન્સની વિશાળ શ્રેણીને પાવર આપવા માટે ઉપયોગ થાય છે. તેનાથી વિપરીત, આ નવી ચિપ ખાસ કરીને માનવ મગજને મોડેલ કરવા માટે જરૂરી જટિલ ભૂમિતિ (complex geometry) માટે શ્રેષ્ઠ બનાવવામાં આવેલ એક ખાસ હેતુ-નિર્મિત ઉપકરણ છે.
સંશોધન ટીમે નોંધ્યું કે મગજની સપાટીના પુનર્નિર્માણ (brain surface reconstruction) માટે ઝડપમાં થયેલા નોંધપાત્ર સુધારા - જે અડધા સેકન્ડથી ઓછા સમયમાં વિગતવાર મોડેલિંગની મંજૂરી આપે છે - તે આ ચોક્કસ વર્કલોડ (workload) સુધી મર્યાદિત છે. ન્યુરોલોજીકલ સંશોધન (neurological research) અથવા બ્રેઈન-કમ્પ્યુટર ઇન્ટરફેસ (brain-computer interface) વિકાસ સિવાયના વ્યાપક એપ્લિકેશન્સ માટે ચિપની વ્યાપારી શક્યતા (commercial viability) હાલમાં અપ્રમાણિત છે.
સંભવિત સંશોધન અસર (Potential Research Impact)
જો સફળતાપૂર્વક સ્કેલ (scaled) કરવામાં આવે, તો આ ટેકનોલોજી તબીબી સંશોધન માટે નોંધપાત્ર લાભ પ્રદાન કરી શકે છે. મગજની રચનાઓના ઝડપી, વધુ સચોટ સિમ્યુલેશન્સ (simulations) સક્ષમ કરીને, વૈજ્ઞાનિકો અલ્ઝાઈમર રોગ (Alzheimer’s disease) જેવી ન્યુરોલોજીકલ પરિસ્થિતિઓને વધુ સારી રીતે સમજવાની અને તેનો અભ્યાસ કરવાની આશા રાખે છે. વધુમાં, આ ટેકનોલોજી તબીબી વ્યાવસાયિકોને સર્જિકલ પ્રક્રિયાઓ દરમિયાન રીઅલ-ટાઇમ, હાઇ-ડેફિનેશન મગજ મોડેલ્સ જનરેટ કરીને મદદ કરી શકે છે અથવા માનવ મગજને બાહ્ય કમ્પ્યુટિંગ ઉપકરણો સાથે જોડતા ઇન્ટરફેસના વિકાસમાં સહાય કરી શકે છે.
વૈશ્વિક AI હાર્ડવેર ક્ષેત્ર હાલમાં મોટા રોકાણ જોઈ રહ્યું છે કારણ કે દેશો અને કંપનીઓ વધુ કાર્યક્ષમ કમ્પ્યુટિંગ આર્કિટેક્ચર વિકસાવવા માટે સ્પર્ધા કરી રહ્યા છે. જેમ જેમ આ પ્રોજેક્ટ આગળ વધશે, પ્રાથમિક મોનિટરables એ હશે કે શું ટેકનોલોજી લેબોરેટરી સેટિંગ્સની બહાર અસરકારક રીતે કાર્ય કરી શકે છે, તે વાસ્તવિક-દુનિયાના તબીબી અથવા ઔદ્યોગિક ઉપયોગ માટે કેવી રીતે સ્કેલ કરે છે, અને શું તેના વિશિષ્ટ આર્કિટેક્ચરને ઉચ્ચ-પ્રદર્શન કમ્પ્યુટિંગ કાર્યોની વિશાળ શ્રેણી માટે અનુકૂલિત કરી શકાય છે.