మానవ మెదడును అనుకరించొచ్చు!

సినాప్టిక్‌ ట్రాన్సిస్టర్‌ను అభివృద్ధి చేసిన అమెరికా శాస్త్రవేత్తలు

మానవ మెదడు ఓ అద్భుతం! ప్రకృతి తీర్చిదిద్దిన ఈ యంత్రానికి ఎనలేని సామర్థ్యాలు ఉన్నాయి. దాన్ని అనుకరించే ఎలక్ట్రానిక్‌ సాధనాలను తయారుచేసి, మరింత మెరుగ్గా కృత్రిమ మేధ (ఏఐ)ను ఉపయోగించాలని ప్రపంచవ్యాప్తంగా శాస్త్రవేత్తలు పరిశోధనలు చేస్తున్నారు. ఈ దిశగా అమెరికాలోని నార్త్‌ వెస్ట్రన్‌ విశ్వవిద్యాలయం, బోస్టన్‌ కాలేజీ, మస్సాచుసెట్స్‌ ఇన్‌స్టిట్యూట్‌ ఆఫ్‌ టెక్నాలజీ (ఎంఐటీ) పరిశోధకులు కీలక ముందడుగు వేశారు. అత్యున్నత స్థాయి ఆలోచన సామర్థ్యం కలిగిన ‘సినాప్టిక్‌ ట్రాన్సిస్టర్‌’ను అభివృద్ది చేశారు. ఇది మానవ మెదడు తరహాలో ఏకకాలంలో సమాచారాన్ని ప్రాసెస్‌ చేయడంతోపాటు నిల్వ కూడా చేయగలదు. ఇది సాధారణ మెషీన్‌ లెర్నింగ్‌ విధుల నుంచి సంక్లిష్ట లక్ష్యాల వరకూ అనేక పనులను నిర్వహించగలదు.

మెదడు తరహా కంప్యూటర్‌ సాధనాలను అభివృద్ధి చేయడానికి గతంలోనూ శాస్త్రవేత్తలు ప్రయత్నించారు. అయితే వారు రూపొందించిన ట్రాన్సిస్టర్లు అత్యంత శీతల ఉష్ణోగ్రతల్లో మాత్రమే పనిచేశాయి. తాజా సినాప్టిక్‌  ట్రాన్సిస్టర్‌ మాత్రం సాధారణ గది ఉష్ణోగ్రత వద్ద కూడా స్థిరంగా పనిచేసింది. అత్యంత వేగవంతమైన పనితీరును  ఇది కనబరచగలదు. చాలా పరిమిత స్థాయిలో శక్తిని వినియోగించుకుంటుంది. విద్యుత్‌ సరఫరాను నిలిపివేసినా..  అప్పటికే నిల్వ చేసిన సమాచారాన్ని భద్రంగా కాపాడుతుంది.

ఎందుకు?

కృత్రిమ మేధ (ఏఐ)లో ఇటీవల చాలా పురోగతి సాధ్యమైంది. మానవ మెదడును అనుకరించే కంప్యూటర్లను అభివృద్ధి చేసేలా శాస్త్రవేత్తల్లో ఇది స్ఫూర్తి నింపింది. అయితే, డిజిటల్‌ కంప్యూటర్‌తో పోల్చినప్పుడు మెదడు నిర్మాణం చాలా భిన్నం. సంప్రదాయ డిజిటల్‌ కంప్యూటింగ్‌ సాధనాల్లో ప్రాసెసింగ్‌, స్టోరేజీ యూనిట్లు వేర్వేరుగా ఉంటాయి. దీనివల్ల మైక్రోప్రాసెసర్‌కు మెమరీకి మధ్య డేటా రాకపోకలు సాగించాలి. ఇందుకు చాలా విద్యుత్‌ ఖర్చువుతుంది. ఏకకాలంలో బహుళ లక్ష్యాల నిర్వహణకు ఇది పెద్ద అవరోధం. దీనికి భిన్నంగా.. మెదడులో జ్ఞాపకశక్తి, సమాచార ప్రాసెసింగ్‌ వ్యవస్థలు ఒకదానితో ఒకటి అనుసంధానమై ఉంటాయి. ఫలితంగా ఆ అవయవంలో శక్తి వినియోగం చాలా తక్కువగా జరుగుతుంది.

అదే రీతిలో తక్కువ విద్యుత్‌తో డేటాను ప్రాసెస్‌ చేసే సరికొత్త విధానాల కోసం శాస్త్రవేత్తలు పరిశోధనలు చేస్తున్నారు. ప్రస్తుతం మెమరీ రెసిస్టర్‌ (మెమ్రిస్టర్‌) అనేది అందుబాటులో ఉన్న అధునాతన పరిజ్ఞానం. అది ఏకకాలంలో ప్రాసెసింగ్‌, మెమరీ విధులను నిర్వర్తించగలదు. అయినా కొన్ని అంశాల్లో అది విద్యుత్‌ను ఎక్కువగానే వినియోగించుకుంటోంది. ప్రస్తుత ‘బిగ్‌డేటా శకం’లో జరిగే డిజిటల్‌ కంప్యూటింగ్‌ తాకిడికి విద్యుత్‌ గ్రిడ్‌పై భారం పడే అవకాశం ఉన్న నేపథ్యంలో సరికొత్త హార్డ్‌వేర్‌ ఆవశ్యకత ఏర్పడింది. ముఖ్యంగా ఏఐ, మెషీన్‌ లెర్నింగ్‌ విధులకు ఇది చాలా అవసరం.

పలుచటి ఆకృతులతో మాయ..!

మెదడు తరహాలో ఏకకాలంలో డేటా నిల్వ, సమాచార ప్రాసెసింగ్‌ను చేపట్టగల ట్రాన్సిస్టర్‌ రూపకల్పనకు ‘మోర్‌ ప్యాటర్న్స్‌’లో కొత్తగా వచ్చిన పురోగతిపై శాస్త్రవేత్తలు పరిశోధన సాగించారు. ఈ విధానంలో రెండు రకాల ఆకృతులను.. ఒకదానిపై మరొకటి ఉంచుతారు. అప్పుడు.. విడివిడిగా ఆ పదార్థాలకు లేని కొన్ని లక్షణాలు ఈ ఉమ్మడి ఆకృతికి సమకూరుతాయి. ఆ పొరలను మెలితిప్పినప్పుడు ‘మోర్‌ ఆకృతి’ ఏర్పడుతుంది. ఫలితంగా అసాధారణ ఎలక్ట్రానిక్‌ లక్షణాలు దీని సొంతమవుతాయి. ఇదే పద్ధతిలో కొత్త పరికరాన్ని రూపొందించాలని శాస్త్రవేత్తలు నిర్ణయించారు.

వారు చాలా పలుచగా ఉండే బైలేయర్‌ గ్రాఫీన్‌, హెక్సాగోనల్‌ బోరాన్‌ నైట్రైడ్‌ను ఉపయోగించారు. వాటిని ఒకదానిపై ఒకటి ఉంచి, నిర్దేశిత కోణంలో మెలితిప్పారు. తద్వారా మోర్‌ ఆకృతిని ఏర్పరిచారు. దీనివల్ల ఆ ఉమ్మడి ఆకృతికి సాధారణ గది ఉష్ణోగ్రత వద్ద మానవ మెదడు తరహా ‘న్యూరోమార్ఫిక్‌ సామర్థ్యం’ సాధ్యమైంది. ఈ విధానం ద్వారా సరికొత్త సినాప్టిక్‌ ట్రాన్సిస్టర్‌ను రూపొందించారు.

పరీక్షల్లో భేష్‌..

ప్రస్తుత ఏఐ అల్గోరిథమ్స్‌ సామర్థ్యంతో పోలిస్తే వాస్తవ ప్రపంచ పరిస్థితులు చాలా సంక్లిష్టం. అందువల్ల తాజా  సినాప్టిక్‌ ట్రాన్సిస్టర్‌కున్న అధునాతన సామర్థ్యాలను మరింత సంక్లిష్టమైన పరిస్థితుల మధ్య పరీక్షించారు.

• తొలుత పరిశోధకులు.. మూడు సున్నాలను వరుసగా పేర్చి ‘000’ అనే ఒక సంఖ్యాక్రమాన్ని ఈ సాధనానికి చూపారు. ఆ తర్వాత 111 లేదా 101 వంటి సంఖ్యా పోకడలను ఇచ్చి.. వాటిలో తాను నేర్చుకున్న తరహా సంఖ్యా పోకడలను గుర్తించాలని సూచించారు.
• తాను నేర్చుకున్నది 000 అనే సంఖ్యాక్రమం మాత్రమే అయినప్పటికీ ఈ సినాప్టిక్‌ ట్రాన్సిస్టర్‌ 111, 101ను చక్కగా విశ్లేషించింది. 101తో పోల్చినప్పుడు 111 అనే సంఖ్యాక్రమం.. తాను నేర్చుకున్న 000కు చాలా దగ్గరగా ఉందని అది గుర్తించింది.
• నిజానికి ఈ యంత్రం నేర్చుకున్న 000తో పోల్చినప్పుడు 111లో అంకెలు భిన్నం. అయినా ఒకే సంఖ్యను వరుసగా మూడుసార్లు అమర్చడం ఇందులో ఇమిడి ఉన్న పోకడ అని తాజా సినాప్టిక్‌ ట్రాన్సిస్టర్‌ గుర్తించింది. ఈ తరహా అత్యున్నత స్థాయి విషయగ్రహణ సామర్థ్యాన్ని ‘అసోసియేటివ్‌ లెర్నింగ్‌’గా పేర్కొంటారు. ఇదే తరహాలో పలురకాల సారూప్యతలను ఈ సాధనం విజయవంతంగా గుర్తించగలిగింది. అసంపూర్ణ అంకెల పోకడను ఇచ్చినప్పటికీ ఈ సాధనం అసోసియేటివ్‌ లెర్నింగ్‌ సామర్థ్యాన్ని చాటగలిగింది.

ఈనాడు ప్రత్యేక విభాగం