સામગ્રીનું કોષ્ટક[છુપાવો][બતાવો]
જ્યારે સેલફોન, સ્માર્ટ ઘડિયાળો અને અન્ય પહેરી શકાય તેવી ટેક્નોલોજી જેવા ઇલેક્ટ્રોનિક ઉપકરણોને નવા મોડલ સાથે અપગ્રેડ કરવામાં આવે છે, ત્યારે દર વર્ષે મોટા પ્રમાણમાં કચરો ઉત્પન્ન થાય છે.
જો જૂના વર્ઝનને નવા સેન્સર્સ અને પ્રોસેસર્સ સાથે અપડેટ કરી શકાયું હોત જે ઉપકરણની આંતરિક ચિપમાં પ્રવેશ કરે છે, પૈસા અને સામગ્રી બંનેના સંદર્ભમાં કચરો ઘટાડે છે, તો તે ક્રાંતિકારી બની શક્યું હોત. વધુ ટકાઉ ભવિષ્યનો વિચાર કરો જ્યાં સ્માર્ટફોન, સ્માર્ટ ઘડિયાળો અને અન્ય પહેરી શકાય તેવી ટેક્નોલોજી સતત નવા મૉડલ સાથે બદલવામાં આવતી નથી અથવા શેલ્ફ પર મૂકવામાં આવતી નથી.
તેના બદલે, તેઓ નવા સેન્સર અને પ્રોસેસર્સ સાથે અપડેટ કરી શકાય છે જે ઉપકરણની આંતરિક ચિપમાં સરળતાથી સ્નેપ કરે છે, જેમ કે LEGO ઇંટો અસ્તિત્વમાંના માળખામાં ઉમેરવામાં આવે છે. આવી રિપ્રોગ્રામેબલ ચિપ્સ આપણા ડિજિટલ કચરાને ઘટાડતી વખતે ઉપકરણોને ચાલુ રાખી શકે છે.
સ્ટેકેબલ, કસ્ટમાઇઝ કરવા યોગ્ય માટે તેમની LEGO જેવી ડિઝાઇન સાથે કૃત્રિમ બુદ્ધિ ચિપ, MIT એન્જિનિયરોએ હવે તે મોડ્યુલર વિઝન તરફ એક પગલું ભર્યું છે.
આ પોસ્ટ આ ચિપ, તેના રૂપરેખાંકનો અને તેના ભાવિ અસરો પર સંપૂર્ણ તપાસ કરશે.
તો, LEGO જેવી આર્ટિફિશિયલ ઇન્ટેલિજન્સ ચિપ શું છે?
આગામી મુખ્ય વિકાસ જે ગ્રહને પરિવર્તિત કરશે તે છે કૃત્રિમ બુદ્ધિ. મોડ્યુલર અને ટકાઉ ઇલેક્ટ્રોનિક્સનું ઉત્પાદન કરવા માટે, MIT એન્જિનિયરોએ હવે LEGO જેવી AI ચિપ બનાવી છે.
વધારાના સેન્સર્સ ઉમેરવાની અથવા જૂના પ્રોસેસરોને અપગ્રેડ કરવાની પ્રક્રિયાને સરળ બનાવવા માટે, તે અસંખ્ય સ્તરો સાથેની પુનઃરૂપરેખાંકિત ચિપ છે જે એક બીજાની ટોચ પર સ્તરવાળી અથવા સ્વિચ કરી શકાય છે.
સ્તરોના સંયોજનના આધારે, "પુનઃરૂપરેખાંકિત" AI ચિપ્સને અનિશ્ચિત સમય માટે વિસ્તૃત કરી શકાય છે. તેથી, આ ચિપ્સ અમારા ઉપકરણોને ચાલુ રાખીને ઈલેક્ટ્રોનિક કચરાને ઘટાડી શકે છે.
હવે, ચાલો આ ચિપની ડિઝાઇનનું અન્વેષણ કરીએ.
ચિપ ડિઝાઇન
AI ચિપ આર્કિટેક્ચર ખરેખર અપવાદરૂપ છે કારણ કે તે LEDs (લાઇટ-એમિટિંગ ડાયોડ્સ) સાથે પ્રોસેસિંગ અને સેન્સર ઘટકોના વૈકલ્પિક સ્તરોને જોડે છે, જે ચિપ સ્તરોને દૃષ્ટિની ક્રિયાપ્રતિક્રિયા કરવાની મંજૂરી આપે છે.
આર્કિટેક્ચરમાં લાઇટ-એમિટિંગ ડાયોડ્સ (LED)નો સમાવેશ થાય છે જે ચિપના સ્તરો તેમજ સેન્સર અને પ્રોસેસિંગ ઘટકોના વૈકલ્પિક સ્તરોમાં ઓપ્ટિકલ સંચારને સક્ષમ કરે છે. અન્ય મોડ્યુલર ચિપ આર્કિટેક્ચરમાં સામાન્ય વાયરનો ઉપયોગ કરીને સિગ્નલ સ્તરો પર રિલે કરવામાં આવે છે.
આવા વ્યાપક જોડાણો આવી સ્ટેકીંગ સિસ્ટમોને બિન-રૂપરેખાંકિત બનાવે છે કારણ કે તે મુશ્કેલ છે, જો અશક્ય ન હોય તો, કાપવા અને ફરીથી વાયર કરવા. વાસ્તવિક વાયરને બદલે, MIT કોન્સેપ્ટ પ્રકાશનો ઉપયોગ કરીને ચિપ દ્વારા ડેટા ટ્રાન્સમિટ કરે છે.
પરિણામે, ચિપને ફરીથી ગોઠવી શકાય છે, જેમાં સ્તરો ઉમેરી શકાય છે અથવા બાદબાકી કરી શકાય છે, ઉદાહરણ તરીકે, નવા સેન્સર અથવા આધુનિક સીપીયુનો સમાવેશ કરવા માટે. ઇજનેરોની નવલકથા નવી ખ્યાલ કૃત્રિમ સિનેપ્સ એરે સાથે ઇમેજ સેન્સરને જોડે છે, અને તેમાંથી દરેકને ચોક્કસ અક્ષર ઓળખવાનું શીખવવામાં આવે છે, આ કિસ્સામાં, M, I અને T.
ટીમ ભૌતિક કેબલ દ્વારા પ્રક્રિયામાં સેન્સર ડેટા ટ્રાન્સમિટ કરવાની પરંપરાગત પદ્ધતિનો ઉપયોગ કરવાને બદલે ઓપ્ટિકલ સિસ્ટમ બનાવે છે. આ અભિગમમાં, દરેક સેન્સર અને કૃત્રિમ સિનેપ્સ એક એરે બનાવવા માટે ભેગા થાય છે જે ભૌતિક જોડાણોની જરૂરિયાત વિના અક્ષરો વચ્ચે સંચારને સક્ષમ કરે છે.
સ્તરો વચ્ચેના સંકેતો સામાન્ય મોડ્યુલર ચિપ ગોઠવણીમાં પ્રમાણભૂત વાયર દ્વારા મોકલવામાં આવે છે. આ પરંપરાગત ચિપ્સ પુનઃરૂપરેખાંકિત કરી શકાતી નથી કારણ કે વાયરિંગની આવી જટિલ વ્યવસ્થાઓને અલગ કરવી અને ફરીથી વાયર કરવી અશક્ય છે.
સંશોધકો ઉત્સુકતાપૂર્વક કમ્પ્યુટિંગ ઉપકરણોને આગળ વધારવા માટે તેની ગ્રાઉન્ડ-બ્રેકિંગ ડિઝાઇનના અમલીકરણની રાહ જોઈ રહ્યા છે, જેમ કે સ્વ-પર્યાપ્ત સેન્સર અને અન્ય વિવિધ ઇલેક્ટ્રોનિક્સ, જે ક્લાઉડ-આધારિત કમ્પ્યુટિંગ અથવા સુપરકોમ્પ્યુટર્સ જેવા કેન્દ્રીય અથવા વિતરિત સંસાધન સાથે કાર્ય કરતા નથી.
ચિપ રૂપરેખાંકનો
સંશોધકો દ્વારા સિંગલ-ચિપ બનાવવામાં આવી હતી, અને તેનો કોમ્પ્યુટેશનલ કોર આશરે 4 ચોરસ મિલીમીટરમાં કોન્ફેટીના ટુકડા જેટલો હતો.
ચિપમાં ત્રણ ઇમેજ રેકગ્નિશન "બ્લોક" એક બીજાની ટોચ પર મૂકવામાં આવ્યા છે, જેમાંના દરેકમાં ઇમેજ સેન્સર, એક ઓપ્ટિકલ કમ્યુનિકેશન લેયર અને M, I, અથવા T ત્રણ અક્ષરોમાંથી એકને ઓળખવા માટે કૃત્રિમ સિનેપ્સ એરે છે. ઉપકરણ પર પિક્સેલ્સનું રેન્ડમલી જનરેટ થયેલ ચિત્ર રજૂ કર્યું અને વિદ્યુત પ્રવાહ માપ્યો કે દરેક મજ્જાતંતુકીય નેટવર્ક પ્રતિભાવમાં જનરેટ થયેલ એરે.
જેમ જેમ વર્તમાન વધે છે તેમ તેમ, ચિત્ર એ અક્ષર છે કે જે ચોક્કસ એરેને શોધવા માટે તાલીમ આપવામાં આવી છે તેની સંભાવના વધે છે.
સંશોધકોએ શોધ્યું કે જ્યારે ચિપ I અને T અક્ષરો વચ્ચેના અલગ-અલગ ધૂંધળા ચિત્રો વચ્ચે પારખી શકતી હતી, ત્યારે તેને દરેક અક્ષરની સ્પષ્ટ છબીઓનું વર્ગીકરણ કરવામાં ઓછી સફળતા મળી હતી. જ્યારે ચિપના પ્રોસેસિંગ લેયરને તરત જ શ્રેષ્ઠ "ડિનોઈઝિંગ" પ્રોસેસર સાથે બદલવામાં આવ્યું, ત્યારે સંશોધકોએ શોધ્યું કે ઉપકરણ ચિત્રોને યોગ્ય રીતે ઓળખે છે.
જો કે, તેઓએ ઝડપથી ચિપના પ્રોસેસિંગ લેયરને કુશળ ડિનોઈઝિંગ પ્રોસેસરથી બદલ્યું, અને પછી તેઓએ ચિત્રો યોગ્ય રીતે શોધી કાઢતી ક્લિપ બનાવી.
જેમ તેઓ માને છે કે આ ઉપકરણો માટે અસંખ્ય એપ્લિકેશનો છે, સંશોધકો ચિપ્સની પ્રોસેસિંગ પાવર અને સેન્સરની ક્ષમતા વધારવાની પણ યોજના ધરાવે છે.
સંશોધકો માને છે કે એપ્લિકેશન્સ અમર્યાદિત છે અને તેઓ ચિપની સેન્સિંગ અને પ્રોસેસિંગ ક્ષમતાઓને વિસ્તૃત કરવાનો ઇરાદો ધરાવે છે.
તેનું ભવિષ્ય
ભવિષ્યના કામના સંદર્ભમાં, સંશોધકો ખાસ કરીને આ આર્કિટેક્ચરના સંભવિત દત્તક વિશે ઉત્સાહિત છે ધાર કમ્પ્યુટિંગ સુપરકોમ્પ્યુટર અથવા ક્લાઉડ-આધારિત કમ્પ્યુટિંગ જેવા ઉપકરણો, જે શક્યતાઓની સંપૂર્ણ નવી દુનિયા ખોલશે.
જેમ જેમ વસ્તુઓનું ઇન્ટરનેટ વધે છે તેમ, મલ્ટિફંક્શનલ એજ કમ્પ્યુટિંગ ઉપકરણોની માંગ વધશે. ટીમ માને છે કે કારણ કે તે ઘણું આપે છે ધાર કમ્પ્યુટિંગ લવચીકતા, તેની સૂચવેલ ડિઝાઇન આમાં મદદ કરી શકે છે.
In વધુ જટિલ ચિત્રો શોધવા અથવા પહેરવા યોગ્ય ઇલેક્ટ્રોનિક ત્વચા અને આરોગ્યસંભાળ મોનિટરિંગમાં ઉપયોગમાં લેવા માટે, સંશોધકો ચિપની સેન્સિંગ અને પ્રોસેસિંગ ક્ષમતાઓને વધારવાની પણ યોજના ધરાવે છે.
સંશોધકોને તે રસપ્રદ લાગે છે કે જો વપરાશકર્તાઓ અલગ-અલગ સેન્સર અને પ્રોસેસિંગ લેયરનો ઉપયોગ કરીને ચિપને એકસાથે મૂકી શકે કે જે અલગથી વેચી શકાય.
છબી અથવા વિડિયો ઓળખ માટે તેમની જરૂરિયાતોને આધારે, વપરાશકર્તા વિવિધમાંથી પસંદ કરી શકે છે ન્યુરલ નેટવર્ક્સ.
ઉપસંહાર
ટીમ એજ કમ્પ્યુટિંગને અનેક સંભવિત ઉપયોગોમાંથી એક તરીકે સિંગલ આઉટ કરે છે. MIT ખાતે મિકેનિકલ એન્જિનિયરિંગના સહયોગી પ્રોફેસર, Jeehwan Kim, આગાહી કરે છે કે મલ્ટીફંક્શનલ એજ કમ્પ્યુટિંગ ઉપકરણોની માંગ નોંધપાત્ર રીતે વધશે કારણ કે આપણે સેન્સર નેટવર્ક પર આધારિત વસ્તુઓના ઇન્ટરનેટના યુગમાં જઈશું.
ભવિષ્યમાં, "અમારી સૂચિત હાર્ડવેર ડિઝાઇન એજ કમ્પ્યુટિંગની જબરદસ્ત અનુકૂલનક્ષમતાને મંજૂરી આપશે."
નિષ્કર્ષમાં, આ ચિપ ભવિષ્યને બદલી નાખે છે અને AI એપ્લિકેશનની વ્યાપક શ્રેણીને આવકારે છે.
એક જવાબ છોડો