மிகக் குறைந்த ஆற்றலில் இயங்கும் மூளை-ஈர்ப்பு AI மாடலை உருவாக்கிய ஐஐடி குவஹாத்தி.

நீண்ட தரவு வரிசைகளை திறம்படச் செயலாக்கும் அதேவேளையில், வழக்கமான AI அணுகுமுறைகளை விடக் கணிசமாகக் குறைந்த மின் ஆற்றலைப் பயன்படுத்தும் மூளை-ஈர்ப்பு AI மாடலை ஐஐடி குவஹாத்தி ஆய்வாளர்கள் உருவாக்கி வருகின்றனர். இந்தக் குழு, தரவு அறிவியல் மற்றும் AI துறைக்கான மேத்தா குடும்பப் பள்ளியைச் சேர்ந்தது. இயந்திரக் கற்றல் தொடர்பான முன்னணி சர்வதேச மாநாடான ICML 2026-ல், தென் கொரியாவின் சியோலில், இக்கண்டுபிடிப்பை இக்குழு சமர்ப்பித்தது.

மேத்தா குடும்பப் பள்ளியின் உதவிப் பேராசிரியர் அயோன் போர்தாகுர் இது குறித்துக் கருத்துத் தெரிவித்தார். அணியக்கூடிய கருவிகளின் உடல்நல சமிக்ஞைகள், சுற்றுச்சூழல் உணர்வித் தரவு, தொழிற்சாலை கண்காணிப்புத் தரவு போன்ற நீண்ட தரவு நீரோட்டங்களை நவீன AI அமைப்புகள் அதிகமாக ஆய்வு செய்கின்றன என்றார். வானிலை, போக்குவரத்து கணிப்புகளும் இதில் அடங்கும் என்றார். தரவின் நீளம் அதிகரிக்கும்போது பரவலாகப் பயன்படுத்தப்படும் AI கட்டமைப்புகள் அதிக கணக்கீட்டுச் செலவைக் கோருகின்றன. இதனால் பேட்டரியில் இயங்கும், வளங்கள் குறைந்த சாதனங்களுக்கு அவை ஏற்றதாக இல்லை என்று அவர் கூறினார்.

இதைச் சரிசெய்ய, உயிரியல் நரம்பணுக்களின் நிகழ்வு-அடிப்படையிலான தொடர்பைப் பின்பற்றும் SH2RFSSM என்ற மூளை-ஈர்ப்பு AI கட்டமைப்பை குழு உருவாக்கியது. குழுவின் ஆய்வுப் பட்டப்படிப்பு மாணவர் கார்த்திகேய் அகர்வால் இது குறித்துக் கூறினார். "வழக்கமான நரம்பியல் வலைப்பின்னல்கள் தொடர்ந்து செயல்படும்; ஆனால் ஸ்பைக்கிங் நரம்பியல் வலைப்பின்னல்கள் அர்த்தமுள்ள நிகழ்வுகளில் மட்டுமே செயல்படும்" என்றார். "இது குறைந்த ஆற்றலில் அரிதான கணக்கீட்டை சாத்தியமாக்குகிறது" என்றும் அவர் கூறினார். "மேம்பட்ட ஸ்டேட் ஸ்பேஸ் மாடலிங்குடன் இந்தக் கொள்கையை இணைத்தோம்" என அவர் மேலும் தெரிவித்தார். "பாரம்பரிய வரிசை மாடல்களுடன் தொடர்புடைய கனத்த கணக்கீட்டுச் செலவின்றி, நீண்ட-தூர அமைப்புகளைக் கற்க இது அமைப்பிற்கு உதவியது" என்றார்.

இந்த மாடலின் தனித்துவமான அம்சம் நரம்பணு பன்முகத்தன்மை ஆகும். இதில் தனிப்பட்ட செயற்கை நரம்பணுக்கள் ஒரே மாதிரி நடந்துகொள்ளாமல், வெவ்வேறு பண்புகளைப் பெற அனுமதிக்கப்படுகின்றன. இது நிஜ உலகத் தரவில் காணப்படும் சிக்கலான காலப் பாங்குகளைக் கண்டறியும் திறனை மேம்படுத்துவதாக குழு தெரிவிக்கிறது.

நீண்ட-தூர வரிசை வகைப்பாடு, பின்னடைவு, மனித செயல்பாடு கண்டறிதல், நீண்டகாலக் கணிப்பு ஆகியவற்றை உள்ளடக்கிய 17 அளவீட்டுத் தரவுத்தொகுப்புகளில் ஆய்வாளர்கள் இம்மாடலை மதிப்பிட்டனர். இது முன்னணி வரிசை மாடல்களுக்கு நிகரான செயல்திறனைக் காட்டியது; ஆனால் மதிப்பிடப்பட்ட ஆற்றல் நுகர்வு கணிசமாகக் குறைவாக இருந்தது. அணியக்கூடிய கருவிகள், IoT உணர்விகள், தானியங்கு அமைப்புகள் போன்றவற்றில் கிளவுட் கணிமையை அதிகம் சார்ந்திராமல் நேரடியாக இயங்கும் AI நுட்பத்திற்கு இது நம்பிக்கை அளிப்பதாக குழு தெரிவிக்கிறது.