न्यूरोमोर्फिक संशोधन आणि नव्या तंत्रज्ञानात भारताची झेप

न्यूरोमोर्फिक पद्धती वापरून बायोलॉजीकल न्यूरल कम्पुटेशनवर आधारित हार्डवेअर आणि सॉफ्टवेअर तयार होते. हे संबंधित डेटाची प्रक्रिया, समज आणि प्रतिसाद देण्याची क्षमता, तीव्र गतीने (मिलीसेकंदांत) तसेच तुलनेने अत्यल्प ऊर्जा वापरून करते. आर्टिफिशियल इंटेलिजन्स (AI) च्या ॲप्लिकेशन्समध्ये कार्यक्षमता वाढवण्यासाठी या नुरोमोर्फिक तंत्रज्ञानाच्या सैद्धांतिक क्षमतेने अनेक भागधारकांचे लक्ष वेधले आहे. यामध्ये इंटेल आणि आयबीएम सारख्या कंपन्या आणि जगभरातील सरकारे यांचा समावेश आहे.

2024 च्या शेवटच्या महिन्यांत, बंगळुरू येथील इंडियन इन्स्टिट्यूट ऑफ सायन्स (IISc) मधील संशोधकांनी मेंदूप्रेरित संगणकीय प्लॅटफॉर्म तयार केल्याचे अहवाल दिले. जे जगभराने लक्ष्य केंद्रीत केलेल्या हार्डवेअर आणि सॉफ्टवेअरकडे न्यूरोमोर्फिक दृष्टिकोनशी सुसंगत आहे. जरी न्यूरोमोर्फिक क्षेत्र तुलनेने नवीन असले तरी, भारताने याच्या विकासाकडे गांभीर्याने लक्ष दिले पाहिजे. न्यूरोमोर्फिक तंत्रज्ञानातील विकास व संशोधनामुळे उदयोन्मुख तंत्रज्ञानाच्या संशोधनामध्ये देशाला जागतिक स्तरावर मानाचे स्थान मिळवण्यास हातभार लागू शकतो.

या क्षेत्रातील दोन प्रमुख मार्गांवर विशेष भर दिला जात आहे. पहिला मार्ग स्पायकिंग न्यूरल नेटवर्क्स (SNNs) चा वापर आहे. SNNs मेंदूमधील न्यूरल सायनॅप्सवर आधारित आहेत आणि माहिती कूटबद्ध (encode) व प्रक्षेपित (transmit) करण्यासाठी स्पाइक्सचा वापर करतात. याचा दृष्टिकोन सध्याच्या AI एप्लिकेशन्सना योगदान देणाऱ्या आर्टिफिशियल न्यूरल नेटवर्क्स (ANNs) पेक्षा वेगळा आहे. तथापि, SNNs पारंपरिक हार्डवेअरसाठी अनुकूल नसू शकतात. परिणामी, संशोधनाचा दुसरा मुख्य क्षेत्र म्हणजे न्यूरोमोर्फिक चिप्सचा विकास, ज्यामध्ये SNNs ला सपोर्ट करण्याची क्षमता असू शकते.

पारंपरिक चिप्स डेटा वेगवेगळ्या ठिकाणी साठवतात आणि प्रक्रिया करतात. यामुळे 'व्हॉन न्युमन बॉटलनेक' नावाची समस्या निर्माण होते, जिथे मेमरी आणि कम्प्युटिंग वेगळे असल्यामुळे कामे क्रमवार पूर्ण करावी लागतात. याच्या उलट, न्यूरोमोर्फिक चिप्सचे काम मेमरी आणि प्रोसेसिंग यांमधील अंतर कमी करून ऊर्जा आणि कम्प्युटिंगची कार्यक्षमता वाढवणे असते. निर्धारीत ऊर्जा मागणीच्या संदर्भात ऊर्जा इफिसिन्सी अत्यंत महत्त्वाची आहे. उदाहरणार्थ, आंतरराष्ट्रीय एनर्जी एजन्सीचा अंदाज आहे की 2026 पर्यंत AI, क्रिप्टोकरन्सी आणि डेटा सेंटर्ससाठी एक हजार टेरावॉट तास (TWh) ऊर्जा लागेल. हार्डवेअर आणि सॉफ्टवेअरसाठी न्यूरोमोर्फिक चा उपयोग इन-मेमरी प्रक्रिया आणि रिअल-टाइम इन्साईट (real-time insights) आवश्यक असलेल्या एज एप्लिकेशन्ससाठीही फायदेशीर ठरू शकतो. यामध्ये स्वयंचलित वाहने, रोबोटिक्स (विशेषतः कृत्रिम अवयव), आणि बँकिंग आणि आर्थिक सेवा यांचा समावेश होतो.

तथापि, न्यूरोमोर्फिक चिप्स आणि SNNs अन्य तंत्रज्ञानांना (उदा. ANNs, क्वांटम तंत्रज्ञान किंवा पारंपरिक चिप्स) बदलण्याची शक्यता नाही, कारण कार्यक्षमतेत वाढ केवळ विशिष्ट उपयोगी प्रकरणांमध्येच लागू होऊ शकते. उदाहरणार्थ, संशोधन असे सूचित करते की पारंपरिक चिप्स अचूक गणना करण्यासाठी सर्वाधिक योग्य आहेत, तर क्वांटम तंत्रज्ञान हे एन्क्रिप्शन, कम्युनिकेशन, आणि क्वांटम सेन्सिंगमध्ये वापरले जाते, ज्यामध्ये न्यूरोमोर्फिक चिप्स स्पर्धा करू शकत नाहीत.

याशिवाय, न्यूरोमोर्फिक ॲप्रोचच्या शोधावर काही मर्यादा येतात. प्रथम, न्यूरोमोर्फिक हार्डवेअर आणि संबंधित अल्गोरिदम तयार करणे हे दुर्मिळ आणि अनेक क्षेत्रांतील (जसे की न्यूरोसायन्स, सर्किट डिझाइन, भौतिकशास्त्र, आणि संगणकशास्त्र) क्रॉस-फंक्शनल कौशल्यांची मागणी करते. दुसरे म्हणजे, मानवी मेंदूच्या कार्यप्रणालीबद्दलचे आपले विकसित होत असलेले ज्ञान न्यूरोमोर्फिक कम्प्युटिंगच्या प्रगतीला अधिक गुंतागुंतीचे बनवते. तिसरे, मानवी मेंदूच्या पातळीची गुंतागुंत पुन्हा तयार करणे हे एक मोठे आव्हान आहे, कारण मानवी मेंदूमध्ये 100 ट्रिलियनहून अधिक सायनॅप्टिक कनेक्शन आणि 100 अब्ज न्यूरॉन्स आहेत. त्यानुसार, न्यूरल नेटवर्क्स अधिक न्यूरॉन्स आणि सायनॅप्ससह चांगली कार्यक्षमता दर्शवतात, परंतु मेंदूसारख्या कार्यासाठी आवश्यक असलेली संख्या प्राप्त करणे कठीण आहे. याशिवाय, चिप्स एकत्र करून उपलब्ध न्यूरॉन्स आणि सायनॅप्सची संख्या वाढली तरी, इंटरकनेक्शनमुळे ऊर्जा कार्यक्षमता कमी होण्याची शक्यता असते. काही संशोधक असेही प्रश्न विचारतात की सुस्पष्ट बेंचमार्कच्या अभावामुळे आणि न्यूरोमोर्फिक हार्डवेअरच्या तुलनेने नवीनतेमुळे हे आव्हाने निर्माण होत आहेत का?

यामुळे आणखी एक समस्या निर्माण होते. पारंपरिक हार्डवेअर न्यूरोमोर्फिक संशोधनासाठी पुरेसे सक्षम नाही, ज्यासाठी न्यूरोमोर्फिकशी सुसंगत हार्डवेअर तयार करण्याची आवश्यकता आहे. यासाठी अपरिहार्यपणे भांडवल आणि वेळ लागेल. तसेच, SNNs (स्पाइकिंग न्यूरल नेटवर्क्स) प्रशिक्षित करणे कठीण असल्याचे सिद्ध झाले आहे, कारण त्यांचे वैशिष्ट्यपूर्ण स्पाइक्स गणितीयदृष्ट्या खंडित (discontinuous) असतात. तथापि, या क्षेत्रात काही संशोधन गट प्रगती करत आहेत. याशिवाय, SNNs मध्ये अचूकतेचा अभाव होण्याची शक्यता आहे, ज्यामुळे संशोधक ANNs आणि SNNs यांचे संयोजन करण्याचे प्रयोग करत आहेत. परिणामी, मानवी मेंदूचे अचूक अनुकरण करणाऱ्या आर्किटेक्चरच्या निर्मितीबाबत किंवा केवळ मेंदूप्रेरित आर्किटेक्चर तयार करण्यासाठी फिजिबिलिटी आणि व्यावहारिकतेसंदर्भात न्यूरोमोर्फिक संशोधकांमध्ये मतभेद आहेत.

या आव्हानांनंतरही, जगभरातील भागधारक न्यूरोमोर्फिक ॲप्रोचच्या व्यवहार्यतेचा अभ्यास करण्यासाठी अधिकाधिक गुंतवणूक करत आहेत. उदाहरणार्थ, आंतरशासकीय स्तरावर, मानवी मेंदूची कार्यप्रणाली अधिक चांगल्या प्रकारे समजून घेण्याच्या उद्देशाने युरोपियन युनियनने 2013 मध्ये ह्युमन ब्रेन प्रोजेक्ट सुरू केले. या प्रकल्पातून आतापर्यंत ब्रेनस्केल्स (BrainScaleS) आणि स्पिननेकर (SpiNNaker) नावाच्या दोन न्यूरोमोर्फिक प्रणाली विकसित करण्यात आल्या आहेत. 2024 मध्ये, युरोपियन युनियन (EU) आणि दक्षिण कोरियाने न्यूरोमोर्फिक तंत्रज्ञानाच्या प्रगतीस प्रोत्साहन देण्यासाठी एक भागीदारी जाहीर केली, ज्यामध्ये विशेषतः सेमीकंडक्टर संदर्भित करण्यात आले.

काही खाजगी कंपन्याही न्यूरोमोर्फिक दृष्टिकोनांवर संशोधन करत आहेत आणि विविध स्तरांवर त्यांना बाजारपेठेसाठी उपयोगात आणण्याची तयारी करत आहेत. इंटेलने अलीकडेच एक निवेदन प्रसिद्ध केले, ज्यात त्यांनी जाहीर केले की त्यांची हाला पॉइंट न्यूरोमोर्फिक प्रणाली (जिच्यात 1.15 अब्ज न्यूरॉन्स आहेत आणि जी जगातील सर्वात मोठी मानली जाते) सँडिया नॅशनल लॅबोरेटरीजमध्ये भविष्याच्या मेंदूप्रेरित एआय आणि संशोधनासाठी वापरण्यात येणार आहे. हाला पॉइंट पारंपरिक AI वर्कलोड्ससह कार्य करू शकते आणि इंटेलच्या Loihi 2 चिपद्वारे समर्थित आहे, जी इतर मेंदूप्रेरित अल्गोरिदमना सपोर्ट करू शकते. याशिवाय, इंटेलने इंटेल न्यूरोमोर्फिक रिसर्च कम्युनिटी सुरू केली आहे, जी सरकारी सुविधा, शैक्षणिक संस्था आणि इतर कंपन्यांसोबत न्यूरोमोर्फिक संशोधन पुढे नेण्यासाठी काम करते. त्याचप्रमाणे, IBM फेरोइलेक्ट्रिक्ससारख्या पदार्थांवर संशोधन करत आहे, ज्यांचा वापर न्यूरोमोर्फिक आर्किटेक्चर तयार करण्यासाठी केला जाऊ शकतो. कंपनीने नॉर्थपोल चिप देखील लाँच केली आहे, ज्यामध्ये स्मृती (memory) आणि संगणन (computing) एकाच डिव्हाईसवर आहेत. परिणामी, ही चिप AI इनफरन्स, सर्व उपलब्ध चिप्सपेक्षा जलद गतीने पार पाडण्यास सक्षम असल्याचे म्हटले जाते. तसेच, सॅमसंगचे न्यूरोमोर्फिक संशोधन पुढे जाण्यास तयार आहे आणि पुढील दशकात न्यूरल प्रोसेसिंग आर्किटेक्चरला न्यूरोमोर्फिक्समध्ये विस्तारण्याची योजना आखली आहे. इतर काही कंपन्या विशिष्ट उपयोगांकरिता न्यूरोमोर्फिक ॲप्रोचच्या व्यवहार्यतेचा अभ्यास करत आहेत. उदाहरणार्थ, मर्सिडीज-बेंझ ग्रुप अनेक प्रकल्पांचा भाग आहे, ज्यात NAOMI4Radar आणि युनिव्हर्सिटी ऑफ वॉटरलू सोबतचे एक संशोधन सहयोग यांचा समावेश आहे, जे स्वयंचलित ड्रायव्हिंग सुधारण्यासाठी न्यूरोमोर्फिक कम्प्युटिंगवर संशोधन करतात.

यावर्षीच्या सुरुवातीस आयआयएससी (IISc) मध्ये झालेल्या घडामोडींनी दाखवून दिले आहे की भारतामध्ये न्यूरोमोर्फिक संशोधनासाठी मोठा वाव आहे. तसेच, या क्षेत्रात असलेली जागतिक आवड लक्षात घेता, भारताने स्वदेशी संशोधनाला प्रोत्साहन देणे अत्यंत महत्त्वाचे आहे. पहिले म्हणजे, न्यूरोमोर्फिक तंत्रज्ञानावर काम करणाऱ्या अमेरिका आणि युरोपीय महासंघासह इतर देशांसोबत भारताला संशोधन भागीदार म्हणून स्वतःची ओळख निर्माण करण्याची संधी आहे. यामुळे द्विपक्षीय आणि बहुपक्षीय भागीदारीच्या संधी निर्माण होतील, ज्यामुळे भारत उद्योजक व नवोदित तंत्रज्ञानातील जागतिक संशोधन आणि विकासामध्ये आघाडीवर जाऊ शकेल. याशिवाय, न्यूरोमोर्फिक चिप्सवरील संशोधन जे ठोस परिणाम देतील, त्यातून भारताला बौद्धिक मालमत्ता हक्कांमध्ये प्रगती साधण्यास मदत होईल. हे भारताला तंत्रज्ञानाच्या नवकल्पनांमध्ये आणि उत्पादनामध्ये एक प्रमुख जागतिक देश म्हणून स्थान मिळवून देईल.

तसेच, संशोधन वाढवल्यास भारताला भविष्यातील न्यूरोमोर्फिक तंत्रज्ञानातील भरभराटीसाठी तयारी करता येईल. उदाहरणार्थ, भारतीय कंपन्या मुख्य प्रवाहात येण्यापूर्वी न्यूरोमोर्फिक चिप्सवर संशोधन करून, त्यांच्या विशिष्ट उपयोगांवर प्रकाश टाकू शकतात. त्याचप्रमाणे, न्यूरोमोर्फिक ॲप्रोच उद्योगांमध्ये तंत्रज्ञानाच्या एकात्मतेवर कसा परिणाम करू शकतो याचा अधिक सखोल अभ्यास करण्यासही मदत होईल.

---

प्रांजली गोरडिया ऑब्झर्वर रिसर्च फाउंडेशनमध्ये रिसर्च इंटर्न आहेत.