ডিজিটাল মানগুলি যদি কেবল অনুমান হয় তবে এআই এর জন্য অ্যানালগটিতে ফিরে আসবেন না কেন?

18

বিংশ শতাব্দীর অ্যানালগ থেকে ডিজিটাল সার্কিটরিতে রূপান্তরের পিছনে প্রেরণা অধিকতর নির্ভুলতা এবং কম শব্দের আকাঙ্ক্ষায় চালিত হয়েছিল। এখন আমরা এমন সফ্টওয়্যার তৈরি করছি যেখানে ফলাফলগুলি আনুমানিক এবং গোলমালের ইতিবাচক মান থাকে।

কৃত্রিম নেটওয়ার্কগুলিতে, আমরা একটি অভিজাত অ্যালগরিদমের পরবর্তী পদক্ষেপগুলি অনুমান করার জন্য গ্রেডিয়েন্টস (জ্যাকবিয়ান) বা দ্বিতীয় ডিগ্রি মডেল (হেসিয়ান) ব্যবহার করি এবং অযোগ্যতা এবং সন্দেহের গ্রহণযোগ্য স্তর নির্ধারণ করি। ¹
অভিব্যক্তির কৌশলগুলিতে, আমরা ইচ্ছাকৃতভাবে কনভার্জেশনের সময় অপ্টিমাইজেশনের পৃষ্ঠে স্থানীয় মিনিমাটি ঝাঁপিয়ে দিয়ে নির্ভরযোগ্যতা উন্নত করতে র্যান্ডম বা সিউডো এলোমেলো পার্টব্রেকশনগুলি ইনজেকশনের মাধ্যমে শব্দ যোগ করি । ²

আমরা বর্তমান এআই সিস্টেমে যা গ্রহণ করি এবং ইচ্ছাকৃতভাবে প্রবর্তন করি তা হ'ল ইলেক্ট্রনিক্সকে ডিজিটাল সার্কিট্রিতে চালিত করে।

স্নায়ুর জালের জন্য অ্যানালগ সার্কিট্রিতে ফিরে আসেন না এবং ডিজিটাল সিগন্যাল প্রসেসিং উপাদানগুলির ম্যাট্রিকের পরিবর্তে অপারেশনাল এমপ্লিফায়ার ম্যাট্রিক্স দিয়ে তাদের প্রয়োগ করবেন না কেন?

কৃত্রিম নেটওয়ার্ক লার্নিং প্যারামিটারের মানগুলি ডি-টু-এ রূপান্তরকারীগুলির মাধ্যমে চার্জযুক্ত সংহত ক্যাপাসিটারগুলি ব্যবহার করে বজায় রাখতে পারে যাতে শিখানো রাজ্যগুলি ডিজিটাল নির্ভুলতা এবং সুবিধা থেকে উপকৃত হতে পারে, এবং অ্যানালগ সুবিধাগুলি থেকে এগিয়ে প্রচারের সুবিধা benefits

বৃহত্তর গতি ³
নেটওয়ার্ক কক্ষগুলি উপস্থাপন করতে প্রস্থের কম ট্রানজিস্টরের অর্ডার
প্রাকৃতিক তাপ শব্দ ⁴

অ্যানালগ কৃত্রিম নেটওয়ার্কগুলির জন্য একটি একাডেমিক নিবন্ধ বা পেটেন্ট অনুসন্ধান বিগত চল্লিশ বছর ধরে অনেক কাজ প্রকাশ করে, এবং গবেষণা প্রবণতা বজায় রাখা হয়েছে। গণনামূলক এনালগ সার্কিটগুলি ভাল বিকাশযুক্ত এবং নিউরাল অ্যারেগুলির জন্য একটি ভিত্তি সরবরাহ করে।

ডিজিটাল গণনার সাথে বর্তমান আবেশ কি এআই আর্কিটেকচারাল বিকল্পগুলির সাধারণ ভিউকে মেঘলাতে পারে?

হাইব্রিড অ্যানালগ কি কৃত্রিম নেটওয়ার্কগুলির জন্য উচ্চতর আর্কিটেকচার?

পাদটিকা

[1] দ্য পিএসি (সম্ভবত প্রায় সঠিক) শিক্ষণ ফ্রেমওয়ার্ক গ্রহণযোগ্য ত্রুটি সম্পর্কিত $\epsilon$ ও গ্রহণযোগ্য সন্দেহ $\delta$ নমুনা আকার নির্দিষ্ট মডেল ধরনের জন্য শেখার জন্য প্রয়োজনীয় করতে। (নোট যে $1 - \epsilon$ সঠিকতা এবং প্রতিনিধিত্ব করে $1 - \delta$ এই কাঠামোর মধ্যে আস্থা প্রতিনিধিত্ব করে।)

[২] স্টোকাস্টিক গ্রেডিয়েন্ট বংশোদ্ভূত দেখানো হয়, যখন উপযুক্ত কৌশল এবং হাইপার-প্যারামিটার ব্যবহার করা হয়, শেখার সময় আরও দ্রুত রূপান্তরিত করতে এবং কৃত্রিম নেটওয়ার্কগুলির আদর্শ বাস্তব বিশ্বের অ্যাপ্লিকেশনগুলির সেরা অনুশীলনে পরিণত হয়।

[3] ইন্টেল কোর আই 9-7960 এক্স প্রসেসর 4.2 গিগাহার্জ টার্বো গতিতে চালিত হয় যখন মানক স্থির-স্যাটেলাইট সম্প্রচার 41 গিগাহার্জ।

[৪] সিলিকনে তাপচলাচলটি বিস্তৃত পক্ষপাতদু জেনার ডায়োডগুলিকে তার তুষারপাতের পয়েন্টে প্রসারিত করে এবং ফিল্টার করে ইলেকট্রন ফুটো করে পাওয়া যায়। কোয়ান্টাম ঘটনার উত্স হলেন জনসন y নাইকুইস্ট থার্মাল গোলমাল। সাঙ্গুইনেটি এট। অল। তাদের মোবাইল ফোনে কোয়ান্টাম র‌্যান্ডম নম্বর জেনারেশন (২০১৪) তে উল্লেখ করুন, "একটি ডিটেক্টরকে ট্রান্সমিশন সম্ভাবনা সহ ক্ষতিকারক চ্যানেল হিসাবে মডেল করা যায় η এর পরে ইউনিট দক্ষতার সাথে ফোটন-থেকে-ইলেকট্রন রূপান্তরকারী ... পরিমাপ বিতরণ হবে কোয়ান্টাম অনিশ্চয়তা এবং প্রযুক্তিগত গোলমালের সংমিশ্রণ হোন, "এবং ক্যালটেকের জেটিডব্লিউপিএ কাজ রয়েছে। এগুলি উভয়ই সংহত সার্কিটগুলিতে সত্যিকারের ননডেটেরিমেন্টিক কোয়ান্টাম শোর উত্পন্ন করার মানদণ্ডে পরিণত হতে পারে।

তথ্যসূত্র

— FauChristian
সূত্র

1

আমি তর্ক করব যে আপনি কোনও কিছুর উপরে এসেছেন। অ্যানালগ চিপগুলিতে এআই রাখার জন্য কিছু প্রচেষ্টা রয়েছে (আমি মনে করি অ্যাপল আইফোন দিয়ে কিছু করছে)। আমি কতটা গবেষণা হয়েছে তা নিশ্চিত নই তবে আমি নিশ্চিত আপনি কোথাও কোনও সাদা কাগজ খুঁজে পেতে পারেন। এটি অবশ্যই গবেষণার জন্য মূল্যবান। আমার ভবিষ্যদ্বাণীটি শীঘ্রই সেখানে প্রোগ্রামেবল এআই চিপস থাকতে পারে যা সংখ্যার ইনপুট এবং আউটপুট (বাস রেজিস্টারের মতো কিন্ডা) রাখে।

— জাক্ক ডিয়াজ

এটি সম্পূর্ণ উত্তর নয়, তবে আমি সন্দেহ করি যে মূল সমস্যাটি ব্যয়। মুদ্রণের সার্কিটগুলি স্কেল থেকে খুব সস্তা এবং ছোট ব্যাচে এখনও ব্যয়বহুল। বিচ্ছিন্ন জিপিইউগুলি ইতিমধ্যে ভর উত্পাদিত হয় এবং "যথেষ্ট পরিমাণে" কাজ করে। একটি অ্যানালগ চিপ সাধারণত কেবলমাত্র একটি কাজ ভাল করতে পারে এবং পছন্দসই মডেলগুলি দ্রুত পরিবর্তিত হয়। একটি বিযুক্ত চিপ অনেকগুলি বিভিন্ন কাজ করার জন্য প্রোগ্রাম করা যেতে পারে। যদি আমরা এএনএনগুলির জন্য একটি "সেরা" টপোলজি খুঁজে পাই তবে সম্ভবত এটি অ্যানালগ চিপগুলি আবার বানাতে হবে।

— জন ডুয়েস্ট

1

কি দারুন. এই সাইটে আমার প্রথম দিন এবং আমি এমন একজনকে পেয়েছি যিনি আমার সাথে একটি চিন্তা ভাগ করে নেন। :-D

6

আমি মনে করি, এর বিভিন্ন কারণ রয়েছে। প্রথমত: নমনীয়তা। আধুনিক সিপিইউ এবং জিপিইউগুলির সাহায্যে আপনি চান প্রতিটি এআই মডেল এবং প্রতিটি আকার এবং জটিলতায় আপনি চান বেশ কিছুটা তৈরি করতে পারেন। আপনি কীভাবে নিশ্চিত হতে পারেন যে আপনি বর্তমানে যে মডেলটি ব্যবহার করছেন তা এখনও কয়েক বছরের মধ্যে উপযুক্ত? আগামী কয়েক বছরে এনএনএসে বড় ধরনের অগ্রগতি হবে? কিছু বিজ্ঞানী দেখতে পেয়েছেন যে এনএন, জেনেটিক অ্যালগরিদম ইত্যাদির চেয়ে এআই বিকাশের আরও ভাল উপায় আছে। সাধারণ চিপস এগুলি সমস্ত পরিচালনা করতে পারে এবং তারা এটি যথেষ্ট পরিমাণে পরিচালনা করতে পারে। তবে আপনি যদি এটির সর্বোত্তম করতে চান তবে অর্থ সম্পর্কে কোনও উদ্বেগ নেই, আপনি একটি বিশেষায়িত আর্কিটেকচার বিকাশ করতে পারেন (এটি ইতিমধ্যে বিভিন্ন সংস্থা দ্বারা সম্পন্ন হয়েছে, যা নির্দিষ্ট কাজগুলিতে একটি বড় গতি বাড়িয়ে তোলে)।

দ্বিতীয় কারণ: ব্যাপক উত্পাদন। মানে, সংস্থাগুলি অবশেষে উচ্চতর সংহত এনালগ এআই উপাদান তৈরি করতে পারে (যাক, উদাহরণস্বরূপ এনএন চিপস)। তবে সেটি আরও বড় বিনিয়োগ হবে। এটি বরং স্পষ্ট নয় যদি গুরুতর এআই হার্ডওয়্যার বিকল্প হিসাবে যথেষ্ট নমনীয় ইউনিটগুলি সহজেই একটি ভর-এনএম-উত্পাদনে তৈরি করা যায় যা সিপিইউ এবং জিপিইউগুলির বিরুদ্ধে প্রতিযোগিতা করতে পারে। বিশেষত পরেরগুলি বৃহত্তর সমান্তরাল গণনা করার জন্য অত্যন্ত অনুকূলিত। এবং, আপনি যদি জিপিইউ-অনুরূপ আর্কিটেকচারের বিকাশ দেখেন (কিছু কিছু করতে পারেন তবে তারা খুব ভাল করে) যা মাশچাইন শেখার জন্য অ্যাডিশনালি অপ্টিমাইজ করা হয়, আপনি দেখতে পারেন যে এটি এনালগ ইউনিটের জন্য একটি কঠিন প্রতিযোগিতা হবে।

উপরের সমস্তটির অর্থ এই নয় যে এই ক্ষেত্রে কোনও গবেষণা নেই। এটি বেশ কয়েকটি পরীক্ষা-নিরীক্ষা করে যা সংরক্ষণাগার দেওয়ার চেষ্টা করে তবে সাধারণ স্থাপত্যগুলির জন্য সেগুলি 'বিপজ্জনক' নয়। অবশেষে, তারা ভবিষ্যতে আসবে, যখন আমরা সাধারণভাবে এআই এবং বুদ্ধি আরও ভালভাবে বুঝতে পারি এবং কেবল টুইট করার চেষ্টা করছি, তবে আমি সে সম্পর্কে বরং সন্দেহবাদী।

সম্পাদনা: এছাড়াও, এমন কিছু যা নমনীয়তার সাথে সম্পর্কিত: আপনি 'এআই' অ্যালগরিদমগুলি 'সাধারণ' ডিজিটাল হার্ডওয়্যারে চলার সাথে আরও ভালভাবে পরীক্ষা করতে পারেন। উদাহরণস্বরূপ, আপনি সহজেই নির্দিষ্ট কোনও স্থানে একটি এনএন পরীক্ষা করতে পারেন, আপনি দ্রুত ইনপুট ডেটা পরিবর্তন করতে পারেন বা বিকল্পগুলি সরবরাহ করতে পারেন, আপনি সত্যিই কোনও কিছুর সাথে আবদ্ধ নন। এবং যেহেতু আমরা এখনও প্রতিটি মডেল পুরোপুরি জানি না বা বুঝতে পারি না, কখন কোনটি ব্যবহার করতে হবে, যদি কোনও নির্দিষ্ট কাজের জন্য আরও ভাল আর্কিটেকচার ইত্যাদি থাকে, তবে নির্দিষ্ট যুগে কোনও 'যুবক' এবং 'পরীক্ষামূলক' রাখার কোনও অর্থ হয় না স্থাপত্য।

— বেন
সূত্র

যদিও স্কেলের অর্থনীতি (নিখুঁত উত্পাদন পরিমাণ) আজ ডিজিটালের পক্ষে, তবে এটি 1980 এর দশকে হয়নি এবং 2040-এর দশকেও তা নয়। অ্যানালগ ট্রানজিস্টর দ্বারা সস্তা। প্রতিটি থ্রেডে সিইউডিএ কোরে 128,000 ট্রানজিস্টর রয়েছে এবং একাধিক সংঘবদ্ধ ওপ এম্পে কেবল 40 ট্রানজিস্টর রয়েছে। আরও গুরুত্বপূর্ণ বিষয় হল, প্রশ্নটি তাত্ত্বিক - সবচেয়ে প্রযুক্তিগত বোধটি কী করে - ভিএলএসআইয়ের অর্থনীতির বর্তমান অবস্থায় অর্থনৈতিক কী নয়। আমরা যদি গত ১০০ বছরে প্রযুক্তিতে কোনও প্যাটার্ন দেখতে পাই তবে তা হ'ল আজকের স্বাভাবিকটি কালকের যাদুঘরের অংশ। - অনুগ্রহ প্রয়োজনীয়তা পড়তে সাহায্য করতে পারে।

— ফৌখ্রিস্টিয়ান

কিন্তু এই দৃশ্যে কি ধরণের মিল নেই? এখনই প্রচুর পরিমাণে হার্ডওয়্যারটি বিকাশ করা অর্থনৈতিকভাবে অর্থোন্নয় হবে না, তবে প্রযুক্তিগতও নয়। আমরা শুধু যথেষ্ট জানি না।

— বেন

যদি, "আমরা," এআই স্ট্যাক এক্সচেঞ্জের সদস্যপদ হয় তবে জনপ্রিয় পাইথন গ্রন্থাগারগুলিতে ইতিমধ্যে যা কিছু প্রয়োগ করা হয়েছে তার প্রতি দৃ strong় প্রবণতা রয়েছে। তবে সরকার এবং বড় কর্পোরেশনগুলি স্পাইকিং নেটওয়ার্কগুলিতে এবং এনালগ ভিএলএসআই, ইউএসএএফ এবং ইন্টেল উদাহরণস্বরূপ আগ্রহী বলে মনে হচ্ছে। এনালগের দিকে রোবোটিক্স ল্যাবগুলি থেকে একটি ধাক্কা রয়েছে এবং নিউরো-কৌজিটিভ গবেষকরা এএনএনগুলিকে মধ্য এন এর উপযুক্ত বলে মনে করছেন না। রিয়েল নিউরন একটি রিলু ফাংশনের চেয়ে হাজার গুণ বেশি জটিল। অ্যাপ্লিকেশনটি কী অস্পষ্ট তা কীসের জন্য প্রভাবশালী হিসাবে আবির্ভূত হবে, তবে বিকল্পগুলির বিষয়ে আলোচনা করার জন্য পর্যাপ্ত পরিমাণে না জানার মতো নয়।

— ফৌরিস্টিয়ান

আপনি "খাঁটি" শব্দটি প্রশ্নের মধ্যে পড়ে থাকতে পারেন। চলমান গবেষণাটির কোনওটিই এলসিডির পরিবর্তে কীবোর্ড এবং সিআরটি পরিবর্তে ডায়াল দিয়ে বিশুদ্ধ অ্যানালগের পরামর্শ দেয় না। সাহিত্যে এবং সক্রিয় ভিএলএসআই বিকাশের সাম্প্রতিক সমস্ত প্রস্তাবনাগুলি একটি ভাল বোঝা দৃষ্টান্ত অনুসরণ করে: প্রোগ্রামযোগ্যতা বা শেখার ক্ষমতা অপসারণ না করে ডিজিটাল কৃত্রিম নেটওয়ার্ক হিসাবে প্রোগ্রাম শিখতে পারে এমন প্রোগ্রামাল (নির্দিষ্ট নয়) এনালগ সিমুলেট করুন then রিয়েল টাইম সিগন্যালগুলি এনালগ, ডিজিটাল বা উভয়ই হতে পারে তবে জিপিইউ বা ডিএসপির মতো চিপের সামগ্রিক নিয়ন্ত্রণ ডিজিটাল।

— ফৌচ্রিস্টিয়ান

অনুগ্রহকাল অবধি শীঘ্রই শেষ হয়ে যাবে এবং অ্যানালগ শেখার তাৎক্ষণিকভাবে অর্থবোধ হয়েছে কিনা তা সহজেই উপলভ্য কোয়ান্টাম কোলাহলকে এই উত্তরে সম্বোধন করা যায় না। ভবিষ্যদ্বাণী প্রশ্ন দ্বারা ইঙ্গিত করা হয়নি। তদ্ব্যতীত, বৃহত্তর বাজেট যা অনুধাবনকারীদের, কনভোলিউশন এবং স্পাইকিং নেটওয়ার্কগুলির অ্যানালগ গণনায় লক্ষ্যযুক্ত বলে মনে হচ্ছে খুব ভালভাবে বিজয়ী হতে পারে, তবে কেবল যদি দীর্ঘমেয়াদী বাস্তবতা যুক্তিযুক্ত হয়। এইভাবে প্রশ্ন।

— ফৌচ্রিস্টিয়ান

6

দ্রুত উত্তর

যখন ইন্টেল নির্বান অর্জন করেছিল, তারা তাদের বিশ্বাসকে ইঙ্গিত করেছিল যে অ্যানালগ ভিএলএসআইয়ের নিকট ভবিষ্যতের ^{1, 2, 3} এর নিউরোমর্ফিক চিপসে এর স্থান রয়েছে ।

এটি এনালগ সার্কিটগুলিতে প্রাকৃতিক কোয়ান্টাম শব্দকে আরও সহজে শোষণ করার ক্ষমতার কারণেই ছিল কিনা তা সর্বজনীন। সমান্তরাল অ্যাক্টিভেশন ফাংশনগুলির সংখ্যা এবং জটিলতার কারণে এটি সম্ভবত একটি ভিএলএসআই চিপে প্যাক করা যায় more অ্যানালগের সেই ক্ষেত্রে ডিজিটালের চেয়ে আরও বেশি সুবিধার অর্ডার রয়েছে।

এআই স্ট্যাক এক্সচেঞ্জের সদস্যরা প্রযুক্তির এই দৃ indicated়ভাবে নির্দেশিত বিবর্তনে দ্রুত গতিতে আসা সম্ভবত উপকারী।

এআই-তে গুরুত্বপূর্ণ ট্রেন্ডস এবং অ-ট্রেন্ডস

এই প্রশ্নটি বৈজ্ঞানিকভাবে দেখার জন্য, প্রবণতার পক্ষপাত ছাড়াই অ্যানালগ এবং ডিজিটাল সিগন্যাল তত্ত্বের মধ্যে পার্থক্য করা ভাল।

কৃত্রিম বুদ্ধিমত্তার উত্সাহীরা গভীর শিখন, বৈশিষ্ট্য নিষ্কাশন, চিত্রের স্বীকৃতি এবং সফ্টওয়্যার লাইব্রেরি ডাউনলোড করতে এবং তত্ক্ষণাত পরীক্ষা শুরু করার বিষয়ে ওয়েবে অনেক কিছু আবিষ্কার করতে পারে। প্রযুক্তিটি দিয়ে বেশিরভাগই তাদের পা ভিজে যাওয়ার উপায় এটি, তবে এআইয়ের দ্রুত ট্র্যাকের ভূমিকাটিও এর নীচে রয়েছে।

যখন গ্রাহক-মুখোমুখি এআইয়ের প্রাথমিক সাফল্য মোতায়েনের তাত্ত্বিক ভিত্তিগুলি বোঝা যায় না, অনুমানগুলি সেই ভিত্তির সাথে দ্বন্দ্ব তৈরি করে। অ্যানালগ কৃত্রিম নিউরন, স্পাইকযুক্ত নেটওয়ার্ক এবং রিয়েল টাইম প্রতিক্রিয়া হিসাবে গুরুত্বপূর্ণ বিকল্পগুলি উপেক্ষা করা হয়। ফর্ম, ক্ষমতা এবং নির্ভরযোগ্যতার উন্নতি আপোষযুক্ত।

প্রযুক্তি বিকাশে উত্সাহ সর্বদা সর্বনিম্ন যুক্তিযুক্ত চিন্তার সাথে সমান হওয়া উচিত।

রূপান্তর এবং স্থিতিশীলতা

যে সিস্টেমে প্রতিক্রিয়ার মাধ্যমে নির্ভুলতা এবং স্থায়িত্ব অর্জন করা হয় সেখানে এনালগ এবং ডিজিটাল সংকেত উভয়ই সর্বদা নিছক অনুমান।

রূপান্তরকারী অ্যালগরিদমে ডিজিটাল মান বা আরও স্পষ্টভাবে রূপান্তর করার জন্য ডিজাইন করা একটি কৌশল
একটি স্থিতিশীল ক্রিয়াকলাপ পরিবর্ধক সার্কিট এ এনালগ সংকেত মান

ডিজিটাল অ্যালগরিদমে ত্রুটি সংশোধনের মাধ্যমে কনভার্সারের সমান্তরাল বোঝা এবং অ্যানালগ ইন্সট্রুমেন্টে প্রতিক্রিয়া দিয়ে প্রাপ্ত স্থায়িত্ব এই প্রশ্নটি সম্পর্কে চিন্তাভাবনা করা গুরুত্বপূর্ণ is বামদিকে ডিজিটাল এবং ডানদিকে অ্যানালগ সহ এগুলি সমকালীন জার্গন ব্যবহার করে।

┌───────────────────────────────┬───────────────── ─────────────┐
Digital * ডিজিটাল কৃত্রিম জাল * │ * অ্যানালগ কৃত্রিম জাল * │ │
├───────────────────────────────┼───────────────── ─────────────┤
│ অগ্রগতি │ প্রাথমিক সিগন্যাল পাথ │
├───────────────────────────────┼───────────────── ─────────────┤
│ ত্রুটি ফাংশন │ ত্রুটি ফাংশন │
├───────────────────────────────┼───────────────── ─────────────┤
Ver রূপান্তরকারী able স্থিতিশীল │
├───────────────────────────────┼───────────────── ─────────────┤
Grad গ্রেডিয়েন্টের স্যাচুরেশন │ ইনপুটস এ স্যাচুরেশন │
├───────────────────────────────┼───────────────── ─────────────┤
│ অ্যাক্টিভেশন ফাংশন transfer ফরোয়ার্ড ট্রান্সফার ফাংশন │
└───────────────────────────────┴───────────────── ─────────────┘

ডিজিটাল সার্কিটের জনপ্রিয়তা

ডিজিটাল সার্কিটের জনপ্রিয়তার উত্থানের প্রাথমিক কারণটি হ'ল এর শব্দের সংশ্লেষ। আজকের ভিএলএসআই ডিজিটাল সার্কিটগুলির ব্যর্থতার দীর্ঘ সময় সময় রয়েছে (উদাহরণস্বরূপ যখন কোনও ভুল বিট মান আসে তখন উদাহরণস্বরূপ)।

শব্দটির ভার্চুয়াল নির্মূলকরণ পরিমাপ, পিআইডি নিয়ন্ত্রণ, গণনা এবং অন্যান্য অ্যাপ্লিকেশনগুলির জন্য এনালগ সার্কিট্রির চেয়ে ডিজিটাল সার্কিটিকে একটি উল্লেখযোগ্য সুবিধা দিয়েছে। ডিজিটাল সার্কিটরির সাহায্যে, কেউ পাঁচ দশমিক অঙ্কের নির্ভুলতা পরিমাপ করতে পারে, উল্লেখযোগ্য নির্ভুলতার সাথে নিয়ন্ত্রণ করতে পারে এবং এক হাজার দশমিক অঙ্কের জন্য নির্ভুলতার সাথে পুনরাবৃত্তিযোগ্য এবং নির্ভরযোগ্যভাবে গণনা করতে পারে।

এটি মূলত অ্যারোনটিকস, প্রতিরক্ষা, ব্যালিস্টিক্স এবং কাউন্টারমিয়ারস বাজেটগুলি ছিল যা ডিজিটাল সার্কিট উত্পাদনতে স্কেল অর্থনীতি অর্জনের জন্য উত্পাদন চাহিদা বাড়িয়ে তোলে। ডিসপ্লে রেজোলিউশন এবং রেন্ডারিং গতির চাহিদা এখন জিপিইউ ব্যবহারকে ডিজিটাল সিগন্যাল প্রসেসর হিসাবে চালিত করছে।

এই মূলত অর্থনৈতিক বাহিনী কি সেরা নকশার পছন্দগুলি সৃষ্টি করে? ডিজিটাল ভিত্তিক কৃত্রিম নেটওয়ার্কগুলি কি মূল্যবান ভিএলএসআই রিয়েল এস্টেটের সেরা ব্যবহার? এটাই এই প্রশ্নের চ্যালেঞ্জ, এবং এটি একটি ভাল প্রশ্ন।

আইসি জটিলতার বাস্তবতা

একটি মন্তব্যে উল্লিখিত হিসাবে, সিলিকনে একটি স্বাধীন, পুনরায় ব্যবহারযোগ্য কৃত্রিম নেটওয়ার্ক নিউরন প্রয়োগ করতে কয়েক হাজার ট্রানজিস্টর লাগে। এটি মূলত প্রতিটি সক্রিয়করণ স্তরের দিকে ভেক্টর-ম্যাট্রিক্স গুণনের কারণ lic ভেক্টর-ম্যাট্রিক্স গুণ এবং অপারেশনাল পরিবর্ধক স্তরটির অ্যারে প্রয়োগ করতে কৃত্রিম নিউরনে প্রতি কয়েক ডজন ট্রানজিস্টর লাগে। অপারেশনাল এম্প্লিফায়ারগুলি বাইনারি স্টেপ, সিগময়েড, সফট প্লাস, ইএলইউ এবং আইএসআরএলইউ এর মতো কার্য সম্পাদন করতে ডিজাইন করা যেতে পারে।

রাউন্ডিং থেকে ডিজিটাল সিগন্যাল শোরগোল

ডিজিটাল সিগন্যালিং শব্দহীন নয় কারণ বেশিরভাগ ডিজিটাল সিগন্যালগুলি বৃত্তাকার এবং তাই প্রায় অনুমান। ব্যাক-প্রসারণে সংকেতটির পূর্ণতা প্রথমে এই সান্নিধ্য থেকে উত্পন্ন ডিজিটাল শব্দ হিসাবে প্রদর্শিত হয়। সিগন্যাল সর্বদা একই বাইনারি উপস্থাপনার জন্য বৃত্তাকার হয় যখন আরও সংশ্লেষ ঘটে।

$v$ $e$ $k$ $n$ $N$

$v = \sum_{n = 0}^{N} 1_n \, 2^{\, k + e + N - n}$

প্রোগ্রামাররা মাঝে মাঝে ডাবল বা একক নির্ভুলতা আইইইই ভাসমান পয়েন্ট সংখ্যায় গোল করার প্রভাবগুলি মুখোমুখি হয় যখন 0.2 এর প্রত্যাশিত উত্তরগুলি 0.20000000000001 হিসাবে প্রদর্শিত হয়। পঞ্চমটি বাইনারি সংখ্যা হিসাবে নিখুঁত নির্ভুলতার সাথে প্রতিনিধিত্ব করা যায় না কারণ 5 2 এর গুণক নয়।

বিজ্ঞান ওভার মিডিয়া হাইপ এবং জনপ্রিয় ট্রেন্ডস

$E = mc^2$

প্রযুক্তির অনেকগুলি পণ্য হিসাবে মেশিন লার্নিংয়ে, চারটি মূল মানের মেট্রিক রয়েছে।

দক্ষতা (যা গতি এবং ব্যবহারের অর্থনীতি পরিচালনা করে)
বিশ্বাসযোগ্যতা
সঠিকতা
বোধগম্যতা (যা রক্ষণাবেক্ষণের চালনা করে)

কখনও কখনও, তবে সর্বদা নয়, একজনের অর্জন অন্যটির সাথে আপস করে, এমন ক্ষেত্রে ভারসাম্য বজায় রাখতে হবে। গ্রেডিয়েন্ট বংশোদ্ভূত একটি রূপান্তর কৌশল যা একটি ডিজিটাল অ্যালগরিদমে উপলব্ধি করা যেতে পারে যা এই চারটি সুন্দরভাবে ভারসাম্যহীন করে, এই কারণেই এটি বহু-স্তরীয় পেরসেপট্রন প্রশিক্ষণ এবং বহু গভীর নেটওয়ার্কে প্রভাবশালী কৌশল।

এই চারটি জিনিস বেল ল্যাবস-এ প্রথম ডিজিটাল সার্কিটের আগে বা ভ্যাকুয়াম টিউবগুলির সাথে অনুধাবন করা প্রথম ফ্লিপ ফ্লপের আগে নর্বার্ট ভিনিয়ারের প্রথম দিকের সাইবারনেটিক্স কাজের কেন্দ্রিয় ছিল। সাইবারনেটিকস শব্দটি গ্রীক κυβερνήτης (উচ্চারণ কায়ার্নটিস ) অর্থ স্টিয়ারম্যান, যেখানে অবিচলিত এবং পালকে নিয়মিত বায়ু এবং স্রোতের পরিবর্তনের জন্য ক্ষতিপূরণ দিতে হত এবং জাহাজটি নিয়ন্ত্রিত বন্দর বা বন্দরে রূপান্তরিত করতে হত।

এই প্রশ্নের ট্রেন্ড চালিত দৃশ্যটি এনালগ নেটওয়ার্কগুলির জন্য স্কেল অর্থনীতি অর্জনের জন্য ভিএলএসআই সম্পাদন করা যায় কিনা এই ধারণাটি ঘিরে থাকতে পারে তবে লেখকের দেওয়া মানদণ্ড ট্রেন্ড চালিত দৃষ্টিভঙ্গি এড়ানো to এমনকি যদি এটি নাও হয়, যেমন উপরে উল্লিখিত রয়েছে, ডিজিটাল না হয়ে এনালগ সার্কিটরি সহ কৃত্রিম নেটওয়ার্ক স্তর তৈরি করতে যথেষ্ট কম ট্রানজিস্টর প্রয়োজন। সেই কারণে, ভিএলএসআই অ্যানালগটি যদি এটি সম্পাদনের দিকে মনোনিবেশ করা হয় তবে যুক্তিসঙ্গত ব্যয়ে খুব বেশি সম্ভাব্য বলে ধরে নেওয়া এই প্রশ্নের উত্তর দেওয়া বৈধ?

অ্যানালগ কৃত্রিম নেটওয়ার্ক ডিজাইন

আইএনএম / এমআইটি যৌথ উদ্যোগ, ইন্টেলের নির্বান, গুগল, মার্কিন বিমান বাহিনী সহ ১৯৯২ সালের ^{৫ এর} প্রথমদিকে এনালগ কৃত্রিম জালগুলি সারা বিশ্বে তদন্ত করা হচ্ছে , টেসলা এবং আরও অনেককে, কেউ কেউ মন্তব্যগুলিতে এবং এর সংযোজনকে নির্দেশ করেছেন প্রশ্ন।

কৃত্রিম নেটওয়ার্কগুলির জন্য অ্যানালগের আগ্রহটি শিখার সাথে জড়িত সমান্তরাল অ্যাক্টিভেশন ফাংশনের সংখ্যার সাথে সম্পর্কিত যা ভিএলএসআই চিপ রিয়েল এস্টেটের স্কোয়ার মিলিমিটারে ফিট করতে পারে। এটি নির্ভর করে কত ট্রানজিস্টর প্রয়োজন। অ্যাটেন্যুয়েশন ম্যাট্রিক্স (লার্নিং প্যারামিটার ম্যাট্রিক্স) ^{4 এর} জন্য ভেক্টর-ম্যাট্রিক্স গুণন প্রয়োজন, যার জন্য বিপুল সংখ্যক ট্রানজিস্টর এবং ভিএলএসআই রিয়েল এস্টেটের একটি উল্লেখযোগ্য অংশ প্রয়োজন ch

যদি সম্পূর্ণ সমান্তরাল প্রশিক্ষণের জন্য উপলব্ধ হতে হয় তবে একটি বেসিক মাল্টিলেয়ার পার্সেপট্রোন নেটওয়ার্কে অবশ্যই পাঁচটি স্বতন্ত্র ফাংশনাল উপাদান থাকতে হবে।

ভেক্টর-ম্যাট্রিক্সের গুণটি প্রতিটি স্তরের অ্যাক্টিভেশন ফাংশনগুলির মধ্যে অগ্রবর্তী বংশ বিস্তারকে প্রশমিত করে
পরামিতিগুলি ধরে রাখা
অ্যাক্টিভেশন প্রতিটি স্তর জন্য কাজ করে
ব্যাক-প্রসারণে প্রয়োগ করতে অ্যাক্টিভেশন লেয়ার আউটপুটগুলি ধরে রাখা
প্রতিটি স্তরের জন্য অ্যাক্টিভেশন ফাংশনগুলির ডেরাইভেটিভ

এনালগ সার্কিটরিতে, সংকেত সংক্রমণ পদ্ধতির অন্তর্নিহিত বৃহত্তর সমান্তরালতার সাথে, 2 এবং 4 প্রয়োজন হতে পারে না। মতামত তত্ত্ব এবং সুরেলা বিশ্লেষণটি স্পাইসের মতো সিমুলেটর ব্যবহার করে সার্কিট ডিজাইনে প্রয়োগ করা হবে।

$c_p$ $c(\int r)$ $r(t, c)$ $t$ $i$ $I$ $w_i$ $\tau_p$ $\tau_a$ $\tau_d$ যথাক্রমে।

$c = c_p \; c(\int r(t, c) \, dt) \; \Big( \sum_{i = 0}^{I - 2} \, (\tau_p w_i w_{i-1} + \tau_a w_i + \tau_d w_i) + \tau_a w_{I-1} + \tau_d w_{I-1} \Big)$

বর্তমান অ্যানালগ ইন্টিগ্রেটেড সার্কিটগুলির এই সার্কিটগুলির সাধারণ মানের জন্য, আমাদের এনালগ ভিএলএসআই চিপগুলির জন্য একটি ব্যয় রয়েছে যা সময়ের সাথে সাথে সমমানের প্রশিক্ষণের সমান্তরালতা সহ ডিজিটাল চিপের নীচে কমপক্ষে তিনটি মাত্রার মানকে রূপান্তর করে।

সরাসরি গোলমাল ইনজেকশন সম্বোধন

প্রশ্নটিতে বলা হয়েছে, "আমরা একটি অভিজাত অ্যালগরিদমের পরবর্তী পদক্ষেপগুলি অনুমান করার জন্য গ্রেডিয়েন্টস (জ্যাকবিয়ান) বা দ্বিতীয় ডিগ্রি মডেল (হেসিয়ান) ব্যবহার করছি এবং ইচ্ছাকৃতভাবে শব্দ যোগ করছি [বা] ইনজেকশন সিউডো এলোমেলো পার্টব্র্যাবশনগুলি স্থানীয় কূপগুলি ত্রুটি করে লাফিয়ে অভিব্যক্তির বিশ্বাসযোগ্যতা উন্নত করতে অভিযোজন সময় পৃষ্ঠ।

সিউডো এলোমেলো শব্দের কারণ প্রশিক্ষণের সময় এবং রিয়েল টাইম পুনরায় প্রবেশকারী নেটওয়ার্কগুলিতে (যেমন রিইনফোর্সমেন্ট নেটওয়ার্ক) কনভার্সন অ্যালগরিদমে ইনজেকশনের কারণ হ'ল বৈষম্য (ত্রুটি) পৃষ্ঠে স্থানীয় মিনিমার অস্তিত্ব যা এটির বিশ্বব্যাপী মিনিমা নয় that পৃষ্ঠতল. গ্লোবাল মিনিমা কৃত্রিম নেটওয়ার্কের সর্বোত্তম প্রশিক্ষিত রাষ্ট্র। স্থানীয় মিনিমা সর্বোত্তম হতে পারে be

এই পৃষ্ঠ প্যারামিটার ত্রুটি ফাংশন (এই অত্যন্ত সরলীকৃত ক্ষেত্রে দুই প্রকাশ ⁶ ) এবং একটি স্থানীয় বিশ্বব্যাপী মিনিমা অস্তিত্ব গোপন মিনিমা ইস্যু। পৃষ্ঠের নিম্ন পয়েন্টগুলি সর্বোত্তম প্রশিক্ষণের একীকরণের স্থানীয় অঞ্চলের সমালোচনামূলক পয়েন্টগুলিতে মিনিমা উপস্থাপন করে। ^7,8

ত্রুটি ফাংশন হ'ল প্রশিক্ষণের সময় এবং বর্তমান কাঙ্ক্ষিত নেটওয়ার্কের স্থিতির মধ্যে বর্তমান নেটওয়ার্কের মধ্যে বৈষম্যের একটি পরিমাপ। কৃত্রিম নেটওয়ার্কগুলির প্রশিক্ষণের সময়, লক্ষ্যটি হ'ল এই বৈষম্যের বৈশ্বিক সর্বনিম্ন সন্ধান করা। নমুনা ডেটা লেবেলযুক্ত বা আন-লেবেলযুক্ত এবং প্রশিক্ষণ সমাপ্তির মানদণ্ডটি কৃত্রিম নেটওয়ার্কের অভ্যন্তরীণ বা বহিরাগত কিনা তা যেমন একটি পৃষ্ঠতল বিদ্যমান।

যদি শিক্ষার হারটি ছোট হয় এবং প্রাথমিক অবস্থা প্যারামিটার স্পেসের উত্সে থাকে তবে গ্রেডিয়েন্ট বংশদ্ভুত ব্যবহার করে রূপান্তরটি বামদিকের ভালে রূপান্তরিত হবে, যা স্থানীয় ন্যূনতম, ডানদিকে বৈশ্বিক সর্বনিম্ন নয়।

এমনকি যদি কৃত্রিম নেটওয়ার্কটি শেখার জন্য সূচনা করা বিশেষজ্ঞরা দুটি মিনিমার মধ্যবর্তী পয়েন্টটি বেছে নেওয়ার জন্য যথেষ্ট চৌকস, তবুও সেই বিন্দুটির গ্রেডিয়েন্টটি বাম হাতের ন্যূনতম দিকে slালু, এবং রূপান্তরটি কোনও অপ-অনুকূল প্রশিক্ষণ অবস্থায় পৌঁছাবে। প্রশিক্ষণের অনুকূলতা যদি সমালোচনামূলক হয় তবে এটি প্রায়শই হয় তবে প্রশিক্ষণ উত্পাদন মানের ফলাফল অর্জনে ব্যর্থ হবে।

ব্যবহারের একটি সমাধান হ'ল কনভার্জেনশন প্রক্রিয়াতে এন্ট্রপি যুক্ত করা, যা প্রায়শই কেবল ছদ্ম র্যান্ডম সংখ্যা জেনারেটরের ক্ষতিকারক আউটপুটটির ইনজেকশন। প্রায়শই ব্যবহার করা হয় এমন আরেকটি সমাধান হ'ল প্রশিক্ষণ প্রক্রিয়াটি শাখা করা এবং দ্বিতীয় কনভারজেন্ট প্রক্রিয়ায় প্রচুর পরিমাণে এনট্রপির ইনজেকশন চেষ্টা করা যাতে একটি রক্ষণশীল অনুসন্ধান এবং সমান্তরালে কিছুটা বন্য অনুসন্ধান চালানো হয়।

এটি সত্য যে অত্যন্ত ক্ষুদ্র এনালগ সার্কিটের কোয়ান্টাম শব্দের ডিজিটাল সিউডো-এলোমেলো জেনারেটরের তুলনায় এর এনট্রপি থেকে সিগন্যাল বর্ণালীতে বৃহত্তর একতা রয়েছে এবং উচ্চ মানের মানের শব্দটি অর্জনের জন্য খুব কম ট্রানজিস্টর প্রয়োজন। ভিএলএসআই বাস্তবায়নে এমনটি করার চ্যালেঞ্জগুলি কাটিয়ে উঠেছে কিনা তা সরকার এবং কর্পোরেশনগুলিতে এম্বেড করা গবেষণাগার দ্বারা এখনও প্রকাশ করা যায়নি।

প্রশিক্ষণের সময় এবং নির্ভরযোগ্যতা বৃদ্ধির জন্য এ জাতীয় স্ট্যাকাস্টিক উপাদানগুলি এলোমেলোতার পরিমাপ পরিমাণকে ইনজেকশনের জন্য ব্যবহার করত যে প্রশিক্ষণের সময় বাহ্যিক আওয়াজ থেকে পর্যাপ্ত পরিমাণে অনাক্রম্য হবে?
তারা কি অভ্যন্তরীণ ক্রস-টক থেকে যথেষ্টভাবে রক্ষা পাবে?
উচ্চতর তহবিল গবেষণা সংস্থাগুলির বাইরে আরও বেশি ব্যবহারের পর্যায়ে পৌঁছানোর জন্য ভিএলএসআই উত্পাদন ব্যয় যথেষ্ট পরিমাণে কমিয়ে দেবে এমন কোনও দাবি কি উঠবে?

তিনটি চ্যালেঞ্জই প্রশংসনীয়। যা নির্দিষ্ট এবং খুব আকর্ষণীয় তা হ'ল ডিজাইনার এবং নির্মাতারা কীভাবে উচ্চ গতির প্রশিক্ষণ অর্জনের জন্য অ্যানালগ সিগন্যাল পথগুলি এবং অ্যাক্টিভেশন ফাংশনগুলির ডিজিটাল নিয়ন্ত্রণকে সহায়তা করে।

পাদটিকা

[1] https://ieeexplore.ieee.org/abstract/docament/8401400/

[২] https://spectrum.ieee.org/automaton/robotic/ar કૃત્રিক- অন্তর্নিবেশ / অ্যানালগ- এবং- neuromorphic-chips-will-rule-robotic-age

[3] https://www.roboticst আগামী.com/article/2018/04/whats-tif--fifferences-between-anolog-and-neuromorphic-chips-in-robots/11820

[]] মনোযোগ পরবর্তী স্তরটির সক্রিয়করণের জন্য ইনপুটটির জন্য অন্যের সাথে সংক্ষিপ্ত পরিমাণ যোগ করতে একটি ট্রেনেবল প্যারামিটার দ্বারা একটি অ্যাকটিচুয়েন থেকে সংকেত আউটপুটকে গুণাকে বোঝায়। যদিও এটি পদার্থবিজ্ঞানের শব্দ, এটি প্রায়শই বৈদ্যুতিক ইঞ্জিনিয়ারিংয়ে ব্যবহৃত হয় এবং ভেক্টর-ম্যাট্রিক্স গুণনের কার্যকারিতা বর্ণনা করার উপযুক্ত শব্দটি যা কম শিক্ষিত চেনাশোনাগুলিতে স্তরের ইনপুটগুলিকে ওজন বলে।

[৫] http://www.dtic.mil/dtic/tr/fulltext/u2/a256621.pdf

[]] কৃত্রিম নেটওয়ার্কগুলিতে আরও অনেকগুলি পরামিতি রয়েছে তবে কেবল দুটিই এই দৃষ্টান্তটিতে চিত্রিত হয়েছে কারণ প্লটটি কেবল 3-ডি-তে অনুধাবনযোগ্য হতে পারে এবং ত্রুটি ফাংশন মানের জন্য আমাদের তিনটি মাত্রার একটি প্রয়োজন need

[]] সারফেস সংজ্ঞা: $z = (x-2)^2 + (y-2)^2 + 60 - \frac {40} {\sqrt{1 + (y - 1.1)^2 + (x - 0.9)^2}} - \frac {40} {(1 + {((y - 2.2)^2 + (x - 3.1)^2)}^4)}$

[8] সহযোগী gnuplot কমান্ড:

set title "Error Surface Showing How Global Optimum Can be Missed"
set xlabel "x"
set ylabel "y"
set pm3d at b
set ticslevel 0.8
set isosample 40,40
set xrange [0:4]
set yrange [0:4]
set nokey
splot (x-2)**2 + (y-2)**2 + 60 \
    - 40 / sqrt(1+(y-1.1)**2+(x-0.9)**2) \
    - 40 / (1+(y-2.2)**2+(x-3.1)**2)**4

— ডগলাস দাসেকো
সূত্র

4

অ্যানালগ কক্ষগুলির ডিজিটাল ইনস্ট্রুমেন্টেশন

অ্যানালগ কৃত্রিম নেটওয়ার্কগুলির অন্যতম চ্যালেঞ্জ হ'ল ডিজিটাল হলে নেটওয়ার্ক ইনস্ট্রুমেন্টেশন সবচেয়ে ব্যবহারিক হবে। এনালগ পার্সেপ্টেরন, কনভলিউশনস বা স্পাইকিং নেটওয়ার্কগুলির যে কোনও ভিএলএসআই বাস্তবায়নের জন্য বিভিন্ন ফাংশনের জন্য হাইব্রিড বিন্যাসে সম্ভবত ডিজিটাল উপাদান থাকতে হবে।

স্বাস্থ্য সূচক
ফল্ট সূচক
Archive and retrieval of learned parameters¹
Overall system control
Setting hyper-parameters
Operational statistics
Introspection for development and debugging
Break points
মূল্যায়নে

এর অর্থ একটি সাধারণ উদ্দেশ্য অ্যানালগ কৃত্রিম শেখার নেটওয়ার্কের উপলব্ধির জন্য A-to-D এবং D-to-A রূপান্তর প্রয়োজন। ² ভিএলএসআই ডিজাইন চ্যালেঞ্জ তখন বিপুল সংখ্যক রূপান্তর ব্লক প্রবর্তন থেকে ট্রানজিস্টরগুলির বিল্ড আপকে এড়িয়ে চলে। এই ধরণের অগ্রগামী এবং পশ্চাদপদ প্রচারের অ্যানালগ উপলব্ধির ঘনত্বের সুবিধাটিকে পরাস্ত করবে।

সম্ভাব্য সমাধান হ'ল ডি-টু-এ রূপান্তরকারী থেকে ক্যাপাসিটারগুলিতে সংকেত বিতরণ করার জন্য ল্যাচিং ম্যাট্রিক্স ব্যবহার করা এবং এ-টু-ডি রূপান্তরকারীদের দ্বারা কোন মান পড়তে হবে তা বেছে নিতে নিম্ন ফাঁস সুইচিং ম্যাট্রিক্স ব্যবহার করা। অ্যানালগ পাথগুলিতে ডিজিটাল শব্দের প্রবর্তন না করে এবং সঞ্চিত চার্জকে হ্রাস না করে বা চার্জ করার ক্ষেত্রে নির্ভুলতার ক্ষতি ছাড়াই এটি অবশ্যই করা উচিত।

প্রাথমিক নেটওয়ার্ক সার্কিটের বাইরে অতিরিক্ত ট্রানজিস্টর এবং রুটের সংখ্যা কতটা তাত্পর্যপূর্ণ হবে তা কেবল ভিএলএসআই ডিজাইন প্রক্রিয়াটি প্রয়োগ করেই পাওয়া যাবে।

গুরুত্বপূর্ণ ওপেন সোর্স অবদান

ম্যাসাচুসেটস ইউনিভার্সিটি ফেব্রুয়ারী 2018 এ ওপেন সোর্স বিন্ডসনেট সংগ্রহস্থল ^3,4 চালু করেছে digital এটি ডিজিটাল সফ্টওয়্যার এবং হার্ডওয়্যার সহ এনালগ স্পাইকিং নেটওয়ার্কগুলিকে সিমুলেট করে এবং পাইটর্চের মাধ্যমে জিপিইউ ত্বরণকে উপস্থাপন করে।

এটি স্পাইকিং নেটওয়ার্ক ডিজাইন এবং কৌশলগুলিতে আজকের পরীক্ষাকে সহায়তা করে। সিমুলেশন ব্যবহার করে সাফল্য, যথেষ্ট তাৎপর্যপূর্ণ হলে সম্ভবত উচ্চতর ভিএলএসআই ডিজাইনের দিকে পরিচালিত করবে।

পাদটিকা

[১] যে কোনও ব্যবহারিক শিক্ষণ পদ্ধতিতে, শিখে যাওয়া প্যারামিটারগুলি ভিএলএসআই বাস্তবায়ন থেকে বের করে আনতে হবে, একটি ডাটাবেসে সংরক্ষণ করা হবে এবং স্থাপনার জন্য ত্রুটি, মূল কারণ বিশ্লেষণ, স্কেলিং এবং যে কোনও সংখ্যক বিকাশ, পরীক্ষা, ইউএটি, বা উত্পাদন সিস্টেমের জন্য উপলব্ধ করা উচিত and দুর্যোগ পুনরুদ্ধার. সংরক্ষণ এবং লোডিং অবশ্যই ভিএলএসআই হাইব্রিড অ্যানালগ কৃত্রিম নেটওয়ার্কগুলির মূল বৈশিষ্ট্য হওয়া উচিত, এমনকি প্রশিক্ষণের সময় এবং আসল ক্ষেত্র ব্যবহারের সময়ও পর্বগুলির মধ্যে ছিল।

[2] ক্যাপাসিটারগুলিতে কেউ কৃত্রিম নেটওয়ার্কের শিখার স্থিতিকে অনির্দিষ্টকালের জন্য ধরে রাখতে পারে না। যদিও ক্যাপাসিটারগুলি স্ট্যান্ডার্ড সিএমওএস প্রক্রিয়াগুলিতে নকশাকৃত এনালগ সার্কিটগুলির জন্য প্রভাবশালী প্যাসিভ উপাদান হয়ে উঠেছে, তাদের খুব বেশি ক্ষমতা থাকতে পারে না এবং ফাঁস শূন্য নয়। ক্যাপাসিটিভ স্টোরেজ সার্কিটের অর্ধ-জীবন এবং প্যারামিটার মানগুলির প্রয়োজনীয় নির্ভুলতা একটি পঠিত এবং শর্তাধীন পুনরায় আপডেট চক্রের হার নির্ধারণ করবে।

[3] BindsNet open source repository

[4] BindsNET [paper]: A machine learning-oriented spiking neural networks library in Python for the Harvard U publication of the abstract from the BindsNet paper.

— FauChristian
সূত্র

4

I am surprised no one mentioned some of the specific research directions in the analog AI field. And also to clarify Artificial Intelligence is not exactly the same as Machine Learning as this answer suggests. Recent advances in analog computation has only been in the field of Machine Learning.

Analog CMOS:

First off let us talk about the earliest analog implementations of neurons. Dr.Giacomo Indiveri, et al has been few of the pioneers in the field. Although with CMOS logic you can design spiking Neural Nets with STDP (Spike Time Dependent Plasticity), it is difficult to make use of in Machine Learning algorithms. Human brain is yet to be fully understood, especially how it communicates complex information with spikes. The spike based networks are good in performing relatively small image recognition and low complexity tasks (Most papers seem to be more concerned about improving the performance rather than apply to highly complex tasks). Due to the sheer number of transistors available we might be able to make use of it in complex tasks.

এর সর্বোত্তম উদাহরণ হ'ল গুগল টিপিইউ-তে কম নির্ভুলতার এই ধারণাটি ব্যবহার করছে এবং বিপুল সংখ্যক প্রসেসিং ইউনিট ব্যবহার করে যা সময়, নির্ভুলতা এবং ক্ষেত্রের মধ্যে একধরণের বাণিজ্য বন্ধ করে দিচ্ছে। এটি প্রসেসরের কম সংক্ষিপ্ততার সাথে বিপুল সংখ্যক ট্রানজিস্টরের উপমা হতে পারে। ( গুগলের প্রথম টেনসর প্রসেসিং ইউনিট (টিপিইউ ) -এ গভীর ধারণা

দ্রষ্টব্য: কিছু সিএমওএস প্রযুক্তি ডিজিটাল ডোমেনের আওতায় পড়ার পক্ষে যুক্তিযুক্ত হতে পারে তবে আমরা যেহেতু এখানে কোনও ডিজিটাল ক্রিয়াকলাপ করার জন্য বিশেষত সিএমওএস ব্যবহার করছি না আমি এটিকে এনালগ হিসাবে ভাবতে চাই।

স্পাইক ভিত্তিক কাজগুলি উইনার টেক অল নেটওয়ার্কগুলির জন্য স্পষ্টতই বেশ ভাল (যেমন স্ব-সংগঠিত মানচিত্রের মতো ), তাই এটি ভিএলএসআই চিপসে মেশিন লার্নিং অ্যালগরিদমগুলি প্রয়োগ করার সাধারণ উপায়।

স্পাইক ভিত্তিক নেটওয়ার্কগুলির আদর্শ মেমরি নেই, আপনার উচ্চ নির্ভুলতা ওজন থাকতে পারে না। তারা ক্যাপাসিটারগুলি ব্যবহার করে জৈবিক ওজন বা সিন্যাপেস বা স্মৃতি প্রয়োগ করার প্রস্তাব দিয়েছেন, তবে স্পষ্টতই এটি সাধারণ সিলিকন চিপগুলির মতো সমস্যার মুখোমুখি হয়, যেমন চার্জ ফাঁস এবং সিলিকন ভিত্তিক অন্যান্য আদর্শহীনতা থেকে এবং যা আমি বুঝতে পেরেছি তারা সীমিত ওজনকেও মডেল করতে পারে ( যেমন -1, 0, 1)।

ডিজিটাল গণনা:

এখানে, ডিজিটাল গণনা আসে। যে কাজগুলির জন্য উচ্চ পরিমাণে ফ্লোটিং পয়েন্ট উপস্থাপনের প্রয়োজন তা কেবল স্পাইক দ্বারা বাস্তবায়িত করা যায় না, কারণ আমরা এখনও সেই বিষয়ে জৈব-ফিজিক্যাল বা সত্যিকারের নিউরনের কোনও দিকগুলি সম্পূর্ণরূপে নকল করতে পারি বা সক্ষম করতে পারি না। ডিজিটাল গণনা কেবল আমাদের পছন্দসই নির্ভুলতার সাথে আরও তথ্য সরবরাহ করতে সহায়তা করে (যদি আমরা এই জাতীয় সিপিইউ ডিজাইন করি)। যদিও ডিজিটাল গণনার জন্য বাধাগুলি ভন নিউম্যান আর্কিটেকচারের একটি জ্ঞাত অপূর্ণতা, এটি স্পাইকগুলির মাধ্যমে তথ্য উপস্থাপনের মতো কোনও সমস্যা নয়। স্পাইকগুলির সর্বদা একটি নির্দিষ্ট মাত্রা থাকে, সম্ভবত এটি তথ্য জানানোর একমাত্র উপায় হ'ল তার ফ্রিকোয়েন্সি এবং সাইন (উত্তেজনাপূর্ণ বা বাধা)। আধুনিক কম্পিউটারে ঘড়ির গতিও বেশ উচ্চ।

স্মৃতিবিদ: একটি নতুন দিক

এর মধ্যে আসে সর্বশেষতম আবিষ্কার, মেমরিস্টর । এটি এখন পর্যন্ত মেশিন লার্নিংয়ের সবচেয়ে প্রতিশ্রুতিবদ্ধ এনালগ ডিভাইস হয়ে উঠেছে। স্মৃতিবিদগণ হ'ল 70 এর দশকে পূর্বাভাস দেওয়া হয়েছিল এবং এটি কেবল 2008 সালে উত্পাদিত হয়েছিল as মূলত এগুলি আরআরএএম এর বা রেজিস্টিভ র‌্যামের। এতে মেমরি রোধ বা মেমরিস্টরের প্রতিরোধের সরাসরি অতীতের বর্তমান ইতিহাসের সাথে সম্পর্কিত যা নিউরনের বায়োফিজিকাল মডেলের সাথে খুব মিল। এগুলি স্মৃতিচারণকারীদের ক্রসবার অ্যারে (মূলত বৈদ্যুতিক যোগাযোগের ম্যাট্রিক্স) ব্যবহার করে সহজেই প্রশিক্ষণ দেওয়া যেতে পারে (ক্রসবার অ্যারেগুলি ওজন ম্যাট্রিক্সকে উপস্থাপন করবে, সারি বা কলাম বরাবর প্রয়োগ করা ভোল্টেজ এগিয়ে প্রসারণ বা পশ্চাৎ প্রচার নির্ধারণ করে)।

এইভাবে মেমরিস্টর মেশিন লার্নিং অ্যালগরিদমে একটি আসল এনালগ স্পিন দেয়। দুর্ভাগ্যক্রমে, এর সাম্প্রতিক আগমনের কারণে অনেকগুলি সমস্যা রয়েছে যা এখনও সমাধান হয়নি।

স্মৃতিবিদরা খুব দ্রুত হ্রাস করতে পারে, এটাই তাদের প্রশিক্ষণ চক্রের সীমিত।
স্মৃতিবিদগণ প্রচুর আওয়াজ উপস্থাপন করেন যা এমএল প্রকৌশলী ভাবেন বলে নিয়মিতকরণের কারণগুলিতে স্পষ্টতই সহায়তা করে না।
এটি তৈরি করার জন্য বিদেশী উপাদানগুলি প্রয়োজনীয় ( $TiO_2$ এবং $HfO_2$ ) একাডেমিক চেনাশোনাগুলিতে মেমরিস্টের ব্যবহারকারীরা খুব সীমাবদ্ধ। তবে এই অঞ্চলে কয়েকটি ল্যাব কাজ করছে:

ন্যানো-ইলেকট্রনিক্স গবেষণা ল্যাবরেটরি, পারডিউ বিশ্ববিদ্যালয়

বৈদ্যুতিন রাসায়নিক পদার্থ, ETH জুরিখ

মানব মস্তিষ্ক প্রকল্প

ব্রেইন, আচরণ ও বিকাশের জন্য এমএআরসিএস ইনস্টিটিউট

নিউরোমর্ফিক ফোটোনিক্স:

Recently, there has been an interest in the field of Neuromorphic photonics. Here is a short article on the same. I am not familiar with the internal workings of the same, but AFAIK it involves the transmission of information in optical form within the processing chip itself. This leads to some of advantages over normal analog or digital circuits:

Faster information processing.
Higher information density.
Better data fidelity due to very less losses.

— DuttaA
সূত্র

পার্শ্ব দ্রষ্টব্য: আমার কিছু পর্যবেক্ষণগুলি সত্য ভিত্তিক রয়েছে যখন কিছুগুলি নিখুঁতভাবে স্মৃতি থেকে থাকে, তাই আমি ভুল হতে পারি (যেহেতু আমি এই ক্ষেত্রে একজন শিক্ষানবিস)। ভুল নির্দ্বিধায় নির্দ্বিধায়।

— দত্তআ

2

আমি বিশ্বাস করি যে বেশিরভাগ লোকেরা সত্যই তথ্যবহুল উপায়ে প্রশ্নের জবাব দিয়েছিলেন much আমি কেবল এটিই বলতে চাই যে আমরা ডিজিটাল সার্কিটগুলি সাধারণত ব্যবহার করি কারণ এটি বিদ্যমান প্রযুক্তি এবং এটি অবশ্যই এনালগ সার্কিটগুলি সত্যিই আশাব্যঞ্জক বলে মনে হয়।

যাইহোক, এই মুহুর্তে, বিগত বছরগুলিতে গবেষণার পরিমাণ সত্ত্বেও এই ধারণাটি খুব বেশি উন্নত হয় না। এখনও অবধি কোনও সংস্থা এই ধারণাটি একটি বাণিজ্যিক পর্যায়ে কার্যকর করার চেষ্টা করেনি যেখানে তারা তাদের ল্যাবগুলির বাইরে ব্যবহারের জন্য এই জাতীয় চিপ তৈরি করে।

তদতিরিক্ত, এই ধারণাটি একটি নতুন পদ্ধতির মতো অনুভব করে এবং এর একটি দুর্দান্ত সম্ভাবনা রয়েছে।

তবে, কিছু মডেল কীভাবে কাজ করে সে সম্পর্কে আমাদের বোঝার অভাবের সাথে কিছু কিছু কেবল সমস্যার জন্য নয়; কিভাবে স্নায়ুর নেটওয়ার্ক সত্যিই এমন জটিল সমস্যার এবং অনেক অন্যান্য things.Therefore সমাধান, এটা এখনও তার পূর্ণ সম্ভাবনা পৌঁছানোর বেশ দুরের একটি প্রযুক্তি।

পিএস আমি এখনও এই ক্ষেত্রে একজন শিক্ষানবিশ এবং মনে করি যে আমার মতামত এটি গণনা করা হয় না, যদি আমি কোথাও অপ্রয়োজনীয় বা আপনাকে প্রত্যাশিত উত্তর দিতে ব্যর্থ হয় তবে আমি আন্তরিকভাবে আফসোস করছি।

— user79161
সূত্র

এই উত্তর চিন্তাধারা দেখায়। এটাও সত্য যে বিদ্যমান প্রযুক্তি ডিজিটাল হিসাবে প্রোগ্রামযোগ্য অ্যানালগ ভিএলএসআইয়ের সাথে ততটা অগ্রগতি দেখায় না। ... যা অজানা তা ইউএস নেভি এবং ডিআরপিএ এনালগ নিয়ন্ত্রণ আরএন্ডডি এর ফলাফল যা বহু দশক ধরে যথেষ্ট অর্থায়িত হয়েছে। কেবলমাত্র প্রাথমিক নথিগুলি ডেস্ক্রিফিক করা হয়েছে। আইসিবিএম এবং কাউন্টারমেজার প্রযুক্তি সমস্তই 100 গিগাহার্জ রেঞ্জের এনালগ বুদ্ধি সার্কিট হতে পারে। অথবা না. ... আপনার লেখাটি নিরর্থক বা নিষ্পাপ ছিল না। অবশ্যই, মুক্ত উত্সে, এই প্রযুক্তিগুলি সবেমাত্র দেখা শুরু হয়। ভাল উত্তর. এটিকে যেমন আছে তেমন ছেড়ে বা আরও বিকাশ করতে নির্দ্বিধায়।

— ফৌসিস্টিয়ান

2

তথ্য তত্ত্বের দিক থেকেও কেউ প্রশ্নটির কাছে যেতে পারে:

দুটি বাণিজ্য / অফস বেছে নিতে বেছে নেওয়া হয়েছে:

অ্যানালগ তথ্য যা আরও সুনির্দিষ্ট / নির্দিষ্ট উপায়ে তথ্য উপস্থাপন করতে পারে তবে পরিমাণে সীমিত।

ডিজিটাল তথ্য যা বাস্তব জগতকে পুরোপুরি প্রতিনিধিত্ব করে না, তবে এতে কয়েকটি বিটের মধ্যে সীমাহীন পরিমাণের তথ্য থাকতে পারে। একটি ভাল উদাহরণ লুপের জন্য বাড়ানোর মতো কিছু হতে পারে:

i = 0
while True:
   print(i)
   i += 1

কোনটি তখন আরও শক্তিশালী?

— আলেক্সেই মাইদে
সূত্র

এটি সাধারণত সত্য। এআই এর প্রসঙ্গে শিখার অর্থ কী তা নিয়ে ভাবুন। আমরা মেটা বিধি, কৃত্রিম নেটওয়ার্ক, মার্কভ চেইনের এক্সটেনশন, ফাজি যুক্তি এবং বিভিন্ন কৌশল এবং আর্কিটেকচারের বিস্তৃত বিধিবিধানের মাধ্যমে মেশিনগুলিতে বিভিন্ন ধরণের শিক্ষার সিমুলেটেড করেছি। যখন শেখার ঘটনা ঘটে, তখন এক ধরণের অনুকূল আচরণ হয় যা শেখার চেষ্টা করার চেষ্টা করা হয়। অ্যানালগ বা ডিজিটাল সিস্টেমগুলি কীভাবে সেই সর্বোত্তম আচরণে রূপান্তর করতে পারে (বাস্তব সময়ে) এবং যার দীর্ঘমেয়াদী সুবিধা রয়েছে?

— ফৌরিস্টিয়ান

1

হাভা সিগেলম্যান

প্রথম বর্ণনায় অ্যানালগ কম্পিউটিং ডিজিটাল একের চেয়ে সেরা। ভন-নিউম্যান কম্পিউটারের চেয়ে কোয়ান্টাম কম্পিউটারগুলি দ্রুত এবং ইন্টেল সিপিইউগুলির তুলনায় নিউরোমর্ফিক চিপগুলির কম শক্তি প্রয়োজন। তাত্ত্বিক দিক থেকেও অনেকে এনালগ কম্পিউটারের পক্ষে কথা বলে। হাভা সিগেলম্যান নিউরাল নেটওয়ার্কের সুপার-টিউরিং সক্ষমতা নিয়ে গবেষণা করেছেন, যার অর্থ এনালগ কম্পিউটার ডিজিটালটিকে অনুকরণ করতে পারে তবে অন্যভাবে নয়। তাহলে আমরা কেন এনালগ কম্পিউটিং ব্যবহার করব না?

স্টিফেন ওল্ফ্রাম

কারণটি শিক্ষাব্যবস্থার সাথে সম্পর্কিত। বিদ্যালয়গুলিতে যে ধ্রুপদী গণিত পড়ানো হয় তা হ'ল এনালগ গণিত। এটি স্লাইড বিধি, লগারিদম টেবিল এবং সার্কিটের চিন্তার উপর ভিত্তি করে। বিপরীতে, একটি অ্যালগরিদমের স্বতন্ত্র মূল্যবোধগুলির মধ্যে চিন্তাভাবনা করা এবং বিশ্বকে শূন্যে বর্ণিত করা মৌলিক ভিন্ন এবং আমাদেরকে নতুন ধরণের গণিতের দিকে নিয়ে যায়। স্টিফেন ওল্ফ্রাম ব্যাখ্যা করেছেন, সেলুলার অটোমেটনের বোঝা মহাবিশ্বকে বর্ণনা করার জন্য একটি গুরুত্বপূর্ণ পদক্ষেপ এবং তিনি ঠিক বলেছেন is অ্যানালগ গণিতকে উপেক্ষা করা এবং দক্ষ কম্পিউটারের ভাষা শেখানো পছন্দ করা শিক্ষার একটি শক্তিশালী পদ্ধতি। এটি কেবল কম্পিউটারের সাথেই নয়, চিকিত্সা, সাহিত্য এবং অর্থনীতি সম্পর্কিত অন্যান্য সমস্ত জিনিসগুলির সাথে পরিচিত হতে সহায়তা করে। এমনকি যদি অ্যানালগ মেশিনগুলি প্রযুক্তিগতভাবে উন্নত হয় তবে আমাদের ধীর অথচ পৃথক টুরিং-মেশিনগুলি পছন্দ করা উচিত,

পড়াশুনা গণিত

ডিজিটাল এবং অ্যানালগ গণনার মধ্যে পার্থক্য বুঝতে আমাদের স্কুলগুলিতে ব্যবহৃত গণিতে নিজেই মনোনিবেশ করতে হবে। যদি ধারণাটি অ্যানালগ গণনার দিকে এগিয়ে যেতে হয় তবে উপযুক্ত ধরণের গণিত বৈদ্যুতিক ক্ষেত্র, সংহতকরণ এবং পার্থক্যকে কেন্দ্র করে শ্রেণিবদ্ধ করা হয়। স্কুলগুলিতে এটিকে "গাণিতিক বিশ্লেষণ" ছাতার শব্দটির অধীনে শেখানো হয়। এই বিষয়টি অতীতে গুরুত্বপূর্ণ ছিল, কারণ বিশ্লেষণ সেতু, মেশিন এবং গাড়ি তৈরি করতে সহায়তা করে। এই সমস্ত ডোমেনে জ্যামিতিক স্থান বর্ণনা করার জন্য ভেক্টর বীজগণিত ব্যবহৃত হয়।

যদি অ্যানালগ গণনা এত শক্তিশালী হয় তবে কেন কারও ডিজিটাল গণিতের প্রয়োজন নেই? এটি আলগোরিদিম সঙ্গে করতে হবে। প্ল্যানিমিটার এবং ডিফারেনশিয়াল অ্যানালাইজার কী দিতে পারে না তা হ'ল প্রোগ্রামিং ক্ষমতা। অ্যালগরিদম এবং কৃত্রিম ভাষার সংজ্ঞা দেওয়া সম্ভব নয়। গণিতের ইতিহাসের এক নজরে দেখা যায়, আগে অ্যালগরিদম-তত্ত্ব খুব একটা সাধারণ ছিল না। আধুনিক গণিতে এটি ল্যাম্বদা ক্যালকুলাস এবং হ্যালটিং সমস্যা হিসাবে ব্যবহৃত হয় ।

মজার বিষয়টি হ'ল, প্রথম দেখায় লামদা ক্যালকুলাসের ব্যবহারিক প্রয়োগ নেই। কেউ যদি ব্রিজের অঞ্চল গণনা করতে চান তবে এটির দরকার নেই। অ্যালগরিদম তত্ত্ব সমালোচনামূলক চিন্তাভাবনা উন্নত করার জন্য একটি চিন্তার স্কুল। এটি মেশিন দ্বারা নয়, মানুষের প্রয়োজন একটি দর্শন।

— ম্যানুয়েল রদ্রিগেজ
সূত্র

আপনি Seigelmann উল্লেখ করেছেন যে ভাল। দ্বিতীয় অনুচ্ছেদটি যৌক্তিকভাবে অনুসরণ করা কঠিন। অবশ্যই এই প্রশ্নের কেন্দ্রীভূত শিক্ষা, এবং ডিএনএ সিকোয়েন্সিং এবং ডিজিটাল ইমেজিং অবশ্যই ওষুধ উন্নত করেছে। সাহিত্যের কীভাবে উন্নতি হয়েছে তা কী আপনি ব্যাখ্যা করতে পারেন? কেউ কেউ যুক্তি দিয়েছিলেন যে ডিজিটাল কম্পিউটিং অর্থনীতির চঞ্চলতাকে আরও খারাপ করেছে, কিন্তু অনুগ্রহ প্রয়োজনীয়তার আরও বেশি কেন কেন্দ্র, যে কেউ কেন দ্রুত ধারাবাহিকের চেয়ে ধীরে ধীরে পৃথকিকে পছন্দ করবে কেন ওল্ফ্রামের বক্তব্য অনুসরণ করে না। বিবৃতিতেও কোনও রেফারেন্স নেই। আপনি একটি রেফারেন্স প্রদান এবং অনুপস্থিত যুক্তি সরবরাহ করতে পারেন?

— ফৌখ্রিস্টিয়ান