आईआईटी गुवाहाटी ने बहुत कम ऊर्जा में चलने वाला मस्तिष्क-प्रेरित एआई मॉडल बनाया.

भारतीय प्रौद्योगिकी संस्थान, यानी आईआईटी गुवाहाटी, के शोधकर्ता एक मस्तिष्क-प्रेरित कृत्रिम बुद्धिमत्ता मॉडल विकसित कर रहे हैं। यह मॉडल लंबे डेटा क्रमों को कुशलता से संसाधित करते हुए कई पारंपरिक एआई तरीकों की तुलना में काफी कम ऊर्जा खर्च करता है। यह टीम डेटा साइंस और आर्टिफिशियल इंटेलिजेंस के लिए मेहता फैमिली स्कूल से है। टीम ने अपने निष्कर्ष दक्षिण कोरिया के सियोल में हुए ICML 2026 सम्मेलन में पेश किए, जो मशीन लर्निंग का एक शीर्ष अंतरराष्ट्रीय सम्मेलन है।

मेहता फैमिली स्कूल के सहायक प्रोफेसर अयोन बोरठाकुर ने इस बारे में बताया। पहनने लायक उपकरणों से मिलने वाले स्वास्थ्य संकेत, पर्यावरण सेंसर का डेटा और औद्योगिक निगरानी डेटा जैसे लंबे डेटा प्रवाह का विश्लेषण आधुनिक एआई सिस्टम लगातार बढ़ते हुए कर रहे हैं, उन्होंने कहा। मौसम और यातायात पूर्वानुमान भी इसमें शामिल हैं। डेटा की लंबाई बढ़ने के साथ आमतौर पर इस्तेमाल होने वाले एआई ढांचे कम्प्यूटेशनल रूप से महंगे हो जाते हैं। इससे वे बैटरी से चलने वाले और सीमित संसाधन वाले उपकरणों के लिए कम उपयुक्त रह जाते हैं, उन्होंने कहा।

इसे हल करने के लिए टीम ने जैविक न्यूरॉन के घटना-आधारित संवाद की नकल करने वाला SH2RFSSM नामक मस्तिष्क-प्रेरित एआई ढांचा बनाया। टीम के पीएचडी शोध छात्र कार्तिकेय अग्रवाल ने इस पर टिप्पणी की। "पारंपरिक न्यूरल नेटवर्क लगातार जानकारी संसाधित करते हैं, लेकिन स्पाइकिंग न्यूरल नेटवर्क तभी सक्रिय होते हैं जब कोई सार्थक घटना घटती है", उन्होंने कहा। इससे कम और ऊर्जा-कुशल गणना संभव होती है। "हमने इस सिद्धांत को उन्नत स्टेट स्पेस मॉडलिंग के साथ मिलाया", उन्होंने आगे कहा। इससे भारी गणना लागत के बिना लंबी दूरी के पैटर्न सीखने में सिस्टम सक्षम हुआ।

इस मॉडल की एक खास बात न्यूरॉन विविधता है, जिसमें अलग-अलग कृत्रिम न्यूरॉन को एक जैसा व्यवहार करने के बजाय अलग-अलग विशेषताएं रखने दी जाती हैं। टीम का कहना है कि इससे असली दुनिया के डेटा में मौजूद जटिल समय-आधारित पैटर्न पहचानने की क्षमता बेहतर होती है।

शोधकर्ताओं ने इस मॉडल को 17 बेंचमार्क डेटासेट पर परखा, जिनमें लंबी दूरी की क्रम पहचान, रिग्रेशन, मानव गतिविधि पहचान और दीर्घकालिक पूर्वानुमान शामिल थे। इसने शीर्ष क्रम मॉडलों जितना प्रदर्शन दिखाया, जबकि इसकी अनुमानित ऊर्जा खपत काफी कम रही। टीम का कहना है कि यह पहनने लायक उपकरणों, IoT सेंसर और स्वचालित प्रणालियों जैसे उपकरणों पर सीधे चलने वाले एआई के लिए आशाजनक है, जो क्लाउड कंप्यूटिंग पर ज़्यादा निर्भर नहीं रहते।