स्पिन-वेव नेटवर्क: कुशल एआई कंप्यूटिंग में अगला छलांग

कृत्रिम बुद्धिमत्ता (AI) है हमारा तरीका बदल रहा है जी रहे हैं। उद्योगों में क्रांति लाने की इसकी क्षमता के साथ, तकनीक की उम्मीद है ट्रिलियन मूल्य उत्पन्न करने की।

स्वास्थ्य देखभाल से शिक्षा, परिवहन, मनोरंजन और वित्त तक, AI ने विभिन्न क्षेत्रों में दक्षता और सटीकता को काफी बढ़ाया है। AI ऊर्जा दक्षता में सुधार करने में भी मदद कर रहा है। उदाहरण के तौर पर, विश्व भर के वैज्ञानिकों ने AI का उपयोग करके एक नई सामग्री वर्ग बनाने के लिए सहयोग किया जो ऊर्जा लागत को कम करने में मदद करती है।बनाने के लिए¹ एक नई सामग्री वर्ग बनाने के लिए AI का उपयोग करके जो ऊर्जा लागत को कम करने में मदद करती है।

लेकिन AI की स्वयं की विशाल ऊर्जा मांग के बारे में क्या? ऊर्जा‑भारी AI एक बड़ी चुनौती प्रस्तुत करता है। AI अनुप्रयोगों के तेज़ी से बढ़ने के साथ, ऊर्जा की मांग भी नाटकीय रूप से बढ़ रही है, जिससे हमारी ऊर्जा बुनियादी ढाँचे पर दबाव पड़ रहा है।

हर दिन, मशीन लर्निंग (ML) मॉडल अधिक जटिल होते जा रहे हैं। और जितने बड़े और अधिक परिष्कृत वे होते हैं, इन मॉडलों को प्रशिक्षित और चलाने के लिए संसाधन आवश्यकताएँ उतनी ही अधिक हो जाती हैं। 

ML मॉडलों को प्रशिक्षित करने के लिए केवल कंप्यूटेशनल संसाधनों ही नहीं, बल्कि उन डेटा सेंटरों के लिए ऊर्जा और पानी भी आवश्यक है जो AI अनुप्रयोगों और सेवाओं को प्रशिक्षित, तैनात और प्रदान करने के लिए आवश्यक आईटी बुनियादी ढाँचा रखे होते हैं।

Vijay Gadepally, MIT Lincoln Laboratory Supercomputing Center (LLSC) के वरिष्ठ वैज्ञानिक, ने कुछ साल पहले जब स्थिति अभी विकसित हो रही थी, तब निम्नलिखित कहा:

“जैसे ही हम टेक्स्ट से वीडियो से इमेज की ओर बढ़ते हैं, ये AI मॉडल लगातार बड़े होते जा रहे हैं, और उनकी ऊर्जा प्रभाव भी बढ़ रहा है। यह ऊर्जा उपयोग में काफी बड़ी मात्रा में वृद्धि करेगा और विश्व भर में उत्सर्जन में एक बढ़ता योगदानकर्ता बन जाएगा।”

जैसे कि अंतर्राष्ट्रीय ऊर्जा एजेंसी (IEA) का अनुमान है, डेटा सेंटरों से वैश्विक बिजली की मांग 2022 में अनुमानित 460 टेरावाट‑घंटे (TWh) से 2026 में 1,000 TWh तक दोगुनी हो जाएगी, जो लगभग जापान की बिजली खपत के बराबर है।दोगुनी से।

पहले ही, डेटा सेंटरों की बिजली खपत वैश्विक बिजली खपत का लगभग 1.5% तक पहुंच गई है।

UNESCO और यूनिवर्सिटी कॉलेज लंदन (UCL) द्वारा जारी एक नई शोध भी चेतावनी देता है कि AI की ऊर्जा मांग, विशेषकर बड़े भाषा मॉडल (LLMs), अस्थिर स्तर तक पहुंच गई है, और इसे बदलने के लिए, “हमें इसका उपयोग करने के तरीके में एक पैरेडाइम शिफ्ट की आवश्यकता है।”

उनकी रिपोर्ट के अनुसार, जनरेटिव AI टूल्स को प्रतिदिन 1 बिलियन से अधिक लोग उपयोग कर रहे हैं, प्रत्येक इंटरैक्शन लगभग 0.34 वाट‑घंटे ऊर्जा प्रति प्रॉम्प्ट खपत करता है। यह कहा गया:

“यह वार्षिक 310 गीगावाट‑घंटे के बराबर है, जो एक निम्न‑आय वाले अफ्रीकी देश में 3 मिलियन से अधिक लोगों की वार्षिक बिजली उपयोग के बराबर है।” 

उनकी रिपोर्ट में, कंप्यूटर वैज्ञानिकों की टीम ने महत्वपूर्ण ऊर्जा बचत के लिए तीन प्रमुख नवाचारों का सुझाव दिया। इसमें छोटे मॉडल का उपयोग शामिल है, जो बड़े मॉडलों जितने ही स्मार्ट और सटीक होते हैं लेकिन ऊर्जा उपयोग को 90% तक कम कर सकते हैं। फिर छोटे, अधिक संक्षिप्त प्रॉम्प्ट और प्रतिक्रियाएँ हैं जो ऊर्जा उपयोग को 50% से अधिक घटा सकती हैं, जबकि मॉडल संपीड़न ऊर्जा में 44% तक बचा सकता है।

स्मार्ट सॉफ़्टवेयर, हरित हार्डवेयर के साथ AI को अधिक कुशल बनाना

ऊर्जा‑कुशल AI को दर्शाते हुए हरे पत्ते में एम्बेड किया गया चमकता AI चिप

केवल के बढ़ती संख्या में व्यक्तियों बढ़ते हुए AI को अपना रहे हैं, परंतु अधिक से अधिक संगठन भी इस तकनीक को एकीकृत कर रहे हैं में अपने व्यवसाय में।

IBM इंस्टीट्यूट फॉर बिजनेस वैल्यू (IBV) के एक अध्ययन ने बताया कि अधिकांश (77%) अपने ग्राहकों के साथ तालमेल बनाए रखने के लिए जनरेटिव AI को तेजी से उपयोग करने की आवश्यकता महसूस करते हैं।

सालों से, कई अन्य तकनीकी नवाचार, जैसे कंप्यूटिंग, ने समान चिंताएँ उठाई हैं, जिन्हें फिर दक्षता नवाचारों के माध्यम से संबोधित किया गया। अब वही AI के साथ किया जा सकता है। शोधकर्ताओं से लेकर कंपनियों तक, सभी वर्तमान में इसके प्रभाव को समझने और इसके नकारात्मक प्रभावों को कम करने के समाधान खोजने पर काम कर रहे हैं।

इन समाधानों में स्वच्छ और नवीकरणीय ऊर्जा का उपयोग, साथ ही छोटे मॉडल और अधिक स्मार्ट मॉडल प्रशिक्षण शामिल हैं। 

AI की ऊर्जा दक्षता चुनौतियों से निपटने के लिए, शोधकर्ता दो क्षेत्रों पर केंद्रित हैं:

• सॉफ़्टवेयर नवाचार
• हार्डवेयर सुधार

हार्डवेयर क्षेत्र में, पावर‑कैपिंग एक समाधान है जो संभावित रूप से ऊर्जा खपत को 15% तक कम कर सकता है। इसके अलावा कार्बन‑कुशल हार्डवेयर भी है, जो “एक मॉडल को सबसे कार्बन‑कुशल हार्डवेयर मिश्रण के साथ मिलाता है,” MIT के अनुसार।MIT। 

अक्टूबर में MIT सस्टेनेबिलिटी कॉन्फ्रेंस में, LLSC में ऊर्जा‑सचेत शोध प्रयासों के प्रमुख गडेपैली ने AI मॉडल प्रशिक्षण को पुनः विचार करने और अधिक कुशल हार्डवेयर में निवेश करने का सुझाव दिया। MIT लिंcoln लैबोरेटरी ने गडेपैली की सिफारिशों को अपनाकर अपने डेटा सेंटर के फुटप्रिंट को कम किया है।

अधिक कम्प्यूटेशनली कुशल हार्डवेयर और विशेषीकृत हार्डवेयर एक्सेलेरेटर का उपयोग भी ऊर्जा बचत में योगदान दे सकता है। पैरललाइज़ेशन, जो कई प्रोसेसिंग कोर में गणना वितरित करके एल्गोरिदम के प्रशिक्षण समय को घटाता है, और एज कंप्यूटिंग, जो डेटा एकत्रित या उपयोग किए जाने वाले स्थानों पर गणना करता है, अन्य आशाजनक हार्डवेयर समाधान हैं।

वैज्ञानिक मानव मस्तिष्क की ओर भी रुख कर रहे हैं, जिसमें 100 अरब न्यूरॉन और 100 ट्रिलियन सिनैप्टिक कनेक्शन होते हैं, मशीनों को बेहतर बनाने के लिए। 

यह न्यूरोमोर्फिक कंप्यूटिंग की ओर ले गया है, जो पारंपरिक वॉन न्यूमन आर्किटेक्चर पर निर्भर रहने के बजाय कृत्रिम न्यूरॉन और सिनैप्स का उपयोग करके जानकारी को मस्तिष्क के समान तरीके से प्रोसेस करता है, जिससे अधिक ऊर्जा दक्षता और कम्प्यूटेशनल शक्ति प्राप्त होती है।

उदाहरण के लिए, सियोल नेशनल यूनिवर्सिटी कॉलेज ऑफ इंजीनियरिंग के शोधकर्ताओं ने हाइब्रिड ऑर्गेनिक‑इनऑर्गेनिक सामग्री पर आधारित न्यूरोमोर्फिक डिवाइस विकसित किए²।

उनके शोध के मुख्य भाग के बारे में बात करते हुए, प्रोफेसर हो वॉन जांग ने कहा कि यह “सामग्री की सतह पर समान आयन गति को प्रदर्शित करना उच्च‑प्रदर्शन न्यूरोमोर्फिक हार्डवेयर विकसित करने के लिए स्थानीय फाइलेमेंट बनाने की तुलना में अधिक महत्वपूर्ण है, जो सेमीकंडक्टर सामग्री में होते हैं।”

प्रकाश AI हार्डवेयर को सुधारने का एक और तरीका है। विद्युत संकेतों के बजाय, फोटोनिक कंप्यूटिंग प्रकाश का उपयोग करती है और न्यूनतम हीट लॉस के साथ समानांतर संचालन की अनुमति देती है। 

कुछ ही महीने पहले, कोलंबिया इंजीनियरिंग के शोधकर्ताओं ने एक 3D फोटोनिक‑इलेक्ट्रॉनिक प्लेटफ़ॉर्म जारी किया³ जो बड़ी ऊर्जा दक्षता और बैंडविड्थ घनत्व प्राप्त करता है। इसके लिए उन्होंने फोटोनिक्स को उन्नत CMOS इलेक्ट्रॉनिक सर्किटों के साथ एकीकृत किया। 3D‑इंटीग्रेटेड फोटोनिक‑इलेक्ट्रॉनिक चिप उच्च बैंडविड्थ (800 Gb/s) प्रदान करती है जबकि प्रति बिट केवल 120 फेम्टोजूल उपभोग करती है। इसकी 5.3 Tb/s/mm² बैंडविड्थ घनत्व मौजूदा बेंचमार्क को भी पार करता है।

पिछली गर्मियों में, यूनिवर्सिटी ऑफ मिनेसोटा कॉलेज ऑफ साइंस एंड इंजीनियरिंग के शोधकर्ताओं ने एक नई तकनीक, कंप्यूटेशनल रैंडम‑एक्सेस मेमोरी (CRAM) दिखाई, जो संभावित रूप से AI ऊर्जा उपयोग को 1,000 गुना तक कम कर सकती है।नई तकनीक⁴।

सिलिकॉन फोटोनिक्स को ML के अगले पीढ़ी के एक्सेलेरेटरों के लिए एक विघटनकारी तकनीक के रूप में उभरते देखते हुए, Hewlett‑Packard लैब्स के शोधकर्ताओं ने AI एक्सेलेरेटर हार्डवेयर के आधारभूत नींव के रूप में एक ऊर्जा‑कुशल और स्केलेबल सिलिकॉन फोटोनिक प्लेटफ़ॉर्म प्रस्तुत किया।प्रस्तुत किया⁵ ।

फोटोनिक AI एक्सेलेरेटर्स, पारंपरिक वाले के विपरीत, जो इलेक्ट्रॉनिक वितरित न्यूरल नेटवर्क (DNNs) पर निर्भर होते हैं, ऑप्टिकल न्यूरल नेटवर्क⁶ (ONNs) का उपयोग करते हैं जो उच्च समानांतरता, अत्यंत कम लेटेंसी, और न्यूनतम हीट लॉस प्रदान करते हैं।

निर्माण में आसान होने के बावजूद, सिलिकॉन फोटोनिक्स को स्केल करना कठिन है; इसलिए, यह प्लेटफ़ॉर्म सिलिकॉन फोटोनिक्स के साथ III‑V यौगिक अर्धचालक (जैसे InP या GaAs) का उपयोग करके निर्मित किया जाता है।

अब, एक नई विधि है जो AI को अधिक कुशल बना सकती है, और वह बड़ी स्पिन वेवगाइड नेटवर्क को उन्नत जानकारी की प्रोसेसिंग संभालने में सक्षम बनाकर है। स्पिन‑वेव जानकारी प्रोसेस करने का एक आशाजनक समाधान है।

AI हार्डवेयर दक्षता में यह突破 जर्मन वैज्ञानिकों की टीम द्वारा म्यूनस्टर और हेइडलबर्ग विश्वविद्यालयों से हासिल किया गया है।

म्यूनस्टर में भौतिकी प्रोफेसर रूडोल्फ ब्रैटशिच द्वारा नेतृत्वित, टीम ने एक विशाल स्पिन वेवगाइड नेटवर्क बनाया है जो जानकारी को काफी कम ऊर्जा के साथ प्रोसेस करता है, जिससे यह ऊर्जा‑गहन इलेक्ट्रॉनिक्स का एक आशाजनक विकल्प बनता है।

स्केलेबल मैग्नोनिक सर्किट्स: ऊर्जा‑कुशल AI में नया फ्रंटियर

नैनो‑स्केल सर्किट में बहते स्पिन वेव्स, मैग्नोनिक नेटवर्क को दर्शाते हुए

जबकि चुंबकीय इन्सुलेटर पर आधारित मैग्नोनिक नेटवर्क अपनी ऊर्जा दक्षता के कारण सूचना प्रोसेसिंग में क्रांति ला सकते हैं, इन नेटवर्कों के निर्माण खंड, अर्थात् स्पिन‑वेव वेवगाइड, अक्षम डिस्पर्शन ट्यूनिंग क्षमताओं और सीमित स्पिन‑वेव प्रसार लंबाई से पीड़ित हैं।

इन सीमाओं को म्यूनस्टर और हेइडलबर्ग के वैज्ञानिकों की टीम ने संबोधित किया है। 

वैज्ञानिक जर्नल Nature Materials⁷ में प्रकाशित, अध्ययन ने एक नई विधि विकसित करने का विवरण दिया जिसमें वेवगाइड बनाए जा सकते हैं जहाँ स्पिन वेव बहुत दूर तक प्रसारित हो सकते हैं, इस प्रकार अब तक का सबसे बड़ा स्पिन वेवगाइड नेटवर्क बनाया गया।

लेकिन यह सब नहीं है। टीम ने वेवगाइड में प्रसारित स्पिन वेव की विशेषताओं को भी नियंत्रित किया। उदाहरण के लिए, वैज्ञानिक एक निश्चित इंटरफ़ेस पर स्पिन वेव की तरंगदैर्ध्य और प्रतिबिंब को सटीक रूप से बदलने में सक्षम थे। अध्ययन ने कहा:

“वेवगाइड की डिस्पर्शन को सटीक और स्थानीयकृत आयन इम्प्लांटेशन के कारण निरंतर ट्यून किया जा सकता है, जो उन्हें सामान्यतः एच्ड वेवगाइड से अलग बनाता है।” 

इलेक्ट्रॉन स्पिन या अंतर्निहित कोणीय संवेग इलेक्ट्रॉनों की एक मौलिक क्वांटम यांत्रिक विशेषता है, जहाँ कई स्पिन का संरेखण चुंबकीय गुणों को निर्धारित करता है। अब, यदि एक एंटीना के साथ चुंबकीय सामग्री पर वैकल्पिक धारा लागू की जाती है, तो एक बदलता हुआ चुंबकीय क्षेत्र उत्पन्न होता है, और सामग्री में स्पिन एक स्पिन वेव उत्पन्न कर सकते हैं।

स्पिन वेव्स एक चुंबकीय सामग्री की उत्तेजनाएँ हैं, और वे उन्नत सूचना प्रोसेसिंग के लिए रोमांचक संभावनाएँ प्रस्तुत करते हैं। 

जो वास्तव में उन्हें आकर्षक बनाता है वह उनकी विशिष्ट विशेषताएँ हैं, जैसे प्राकृतिक मजबूत गैर‑रेखीयता और गीगाहर्ट्ज़ (GHz) से टेराहर्ट्ज़ (THz) की आवृत्ति बैंड में उच्च गति संचालन।

हाल के समय में, शोधकर्ताओं ने सिग्नल प्रोसेसिंग और कंप्यूटिंग अनुप्रयोगों के लिए नैनोस्केल चुंबकीय संरचनाओं और नेटवर्क में स्पिन वेव्स का उपयोग शुरू किया है। यह उभरती तकनीक पारंपरिक अर्धचालक माइक्रोइलेक्ट्रॉनिक्स में मौजूद कम्प्यूटेशनल घनत्व और उच्च‑आयामी प्रोसेसिंग क्षमता की सीमाओं को दूर करने में मदद कर सकती है।

और भी महत्वपूर्ण बात यह है कि स्पिन‑वेव तकनीक का कम ऊर्जा फुटप्रिंट विशेष रूप से आकर्षक है। 

इस तकनीक की उपयोगिता इसकी क्षमता में निहित है कि वह स्पिन वेव्स के चरण, आवृत्ति और आयाम में जानकारी को एन्कोड कर सके। यह रणनीति, इलेक्ट्रोमैग्नेटिक वेव्स की तरह, इन पैरामीटरों पर प्रसार गुणों की निर्भरता का लाभ उठाकर डेटा प्रोसेसिंग की लचीली रेंज प्रदान करती है।

स्पिन वेव्स वर्तमान में विभिन्न व्यक्तिगत घटकों को बनाने के लिए उपयोग किए जाते हैं। तार्किक गेट्स जो बाइनरी इनपुट पर लॉजिकल ऑपरेशन करके एकल बाइनरी आउटपुट उत्पन्न करते हैं, एक उदाहरण हैं। मल्टीप्लेक्सर्स एक अन्य प्रकार का डिवाइस है जो कई इनपुट सिग्नलों में से एक को चुनता है। 

अन्य उदाहरणों में क्रॉसिंग्स, कपलर्स, मेमोरीज़, मेजॉरिटी गेट्स, (डि‑)मल्टीप्लेक्सर्स, इंटरफ़ेरोमीटर, स्प्लिटर्स, और स्पेक्ट्रम एनालाइज़र शामिल हैं। 

इन सभी डिवाइसों को या तो स्वतंत्र सूचना प्रोसेसिंग इकाइयों के रूप में काम किया जा सकता है या उन्नत कार्यात्मकताओं वाले बड़े, जटिल नेटवर्क में एकीकृत किया जा सकता है।

एक बड़े नेटवर्क में, तत्वों के बीच के लिंक स्पिन वेव्स के लिए अनुकूलित वेवगाइड होते हैं। ये वेवगाइड एक तत्व से दूसरे तक स्पिन वेव्स को सीमित और मार्गदर्शित करने में महत्वपूर्ण होते हैं और इसलिए न्यूनतम प्रसार हानि की आवश्यकता होती है। ऐसे वेवगाइड और उनके संयोजन कार्यात्मक स्पिन‑वेव डिवाइस के रूप में भी कार्य करते हैं।

हालाँकि, घटकों को अब तक एक बड़े सर्किट में जोड़ नहीं गया है।

“इलेक्ट्रॉनिक्स में उपयोग किए जाने वाले बड़े नेटवर्क अभी तक वास्तविक नहीं हुए हैं, इसका एक कारण यह है कि व्यक्तिगत स्विचिंग तत्वों को जोड़ने वाले वेवगाइड में स्पिन वेव्स का उच्च क्षीणन, विशेषकर यदि वे माइक्रोमीटर से भी संकीर्ण हों और नैनोस्केल पर हों।”

– भौतिक विज्ञानी प्रोफेसर ब्रैटशिच

तो, इस समस्या को दूर करने के लिए टीम ने वह सामग्री उपयोग की जिसका वर्तमान में सबसे कम क्षीणन है, अर्थात् यिट्रियम आयरन गार्नेट (YIG)। इसका डैम्पिंग सबसे कम और स्पिन वेव्स की प्रसार लंबाई सबसे अधिक है, जो मिलीमीटर तक पहुंचती है। यह यिट्रियम आयरन गार्नेट (YIG) है।

स्पिन वेव्स के लिए वेवगाइड बनाने के संदर्भ में, लिथोग्राफिक दृष्टिकोण आमतौर पर उपयोग किए जाते हैं। YIG में नैनोस्केल वेवगाइड बनाने के लिए उन्नत निर्माण विधि पतली YIG फ़िल्मों की रिएक्टिव आयन एचिंग पर आधारित है। लेकिन उच्च गुणवत्ता वाली YIG फ़िल्मों और अत्याधुनिक एचिंग प्रक्रियाओं के साथ भी, रिपोर्ट की गई अधिकतम प्रसार लंबाई 54 µm है।

हाइब्रिड संरचनाओं का विकास एक और उभरता दृष्टिकोण है जहाँ YIG फ़िल्मों को फेरोमैग्नेटिक धातु की नैनोस्ट्रिप्स के साथ मिलाकर डिपोलर कपलिंग के माध्यम से नैनोस्कोपिक स्पिन‑वेव परिवहन चैनल परिभाषित किए जाते हैं, जिससे स्पिन‑वेव प्रसार लंबाई लगभग 20 µm बनती है।

फिर आयन इम्प्लांटेशन है, जिसका हाल ही में YIG में स्पिन वेव्स को नियंत्रित करने के लिए उपयोग किया गया था। फोकस्ड आयन बीम लेखन ने YIG फ़िल्मों को सबमाइक्रोमीटर स्केल पर सटीक रूप से संशोधित करने में सक्षम बनाया है।

इसलिए, वैज्ञानिकों ने व्यावसायिक रूप से उपलब्ध 110 नैनोमीटर मोटी YIG की चुंबकीय सामग्री की फ़िल्म का उपयोग किया और फिर सिलिकॉन आयनों की बीम से उसमें व्यक्तिगत स्पिन‑वेव वेवगाइड लिखे।

मास्कलेस इम्प्लांटेशन प्रक्रिया ने एक ही सब्सट्रेट पर कई अनुकूलित स्पिन‑वेव संरचनाओं के निर्माण की अनुमति दी। लेकिन अधिक महत्वपूर्ण बात यह है कि इसे वेफ़र‑आकार के मैग्नोनिक इंटीग्रेटेड सर्किट बनाने के लिए स्केल अप किया जा सकता है। 

एक गोल्ड माइक्रोस्ट्रिप एंटीना भी इलेक्ट्रॉन‑बीम लिथोग्राफी फ़िल्म के साथ निर्मित किया गया ताकि निरंतर‑वेव माइक्रोवेव सिग्नल के साथ स्पिन वेव्स को उत्तेजित किया जा सके। सतह‑मोड स्पिन वेव्स को लॉन्च करने के लिए बाहरी स्थिर इन‑प्लेन मैग्नेटिक फ़ील्ड H0, μ0H0 = 50 mT लागू किया गया।

इस तरह, वे 198 नोड्स वाले एक बड़े नेटवर्क का निर्माण करने में सक्षम हुए, जिससे बड़े‑पैमाने के मैग्नोनिक इंटीग्रेटेड सर्किट के द्वार खुले। यह उच्च गुणवत्ता वाली जटिल संरचनाओं को दोहराने योग्य और लचीले ढंग से बनाने में भी सक्षम बनाता है।

इसके अलावा, टीम ने 100 µm से अधिक की स्पिन‑वेव प्रसार लंबाई हासिल की, और उनकी एच‑लेस विधि ने उन्हें 34 समानांतर इनपुट पोर्ट और 34 आउटपुट वाले एकीकृत स्पिन‑वेव नेटवर्क बनाने की अनुमति दी। अध्ययन ने कहा:

“ये परिणाम उन्नत मैग्नोनिक नेटवर्क को बेजोड़ नियंत्रण के साथ साकार करने और कम‑हानि वाले बड़े‑पैमाने के स्पिन‑वेव कंप्यूटिंग सिस्टम को साकार करने के रोमांचक मार्ग खोलते हैं।” 

कुशल AI में निवेश

कृत्रिम बुद्धिमत्ता की दुनिया में, NVIDIA Corporation (NVDA ) अपने AI एक्सेलेरेटर और चिप्स के साथ स्पष्ट नेता है। $4 ट्रिलियन से अधिक बाजार पूंजीकरण वाली विश्व की सबसे बड़ी कंपनी, NVIDIA, ने ऊर्जा‑कुशल आर्किटेक्चर में भी निवेश किया है।

NVIDIA Corporation (NVDA )

Nvidia के GPU प्रदर्शन‑प्रति‑वॉट सुधार प्रदान करते हैं। विशेष रूप से इसका ब्लैकवेल आर्किटेक्चर, ट्रिलियन‑पैरामीटर LLMs पर जनरेटिव AI को पिछले हॉपर आर्किटेक्चर की तुलना में 25 गुना कम लागत और ऊर्जा खपत के साथ प्रदान करने का वादा करता है।

ब्लैकवेल, जो सीईओ जेंसन हुआंग द्वारा स्थापित है, ने पिछले साल कहा कि इसे “बहुत प्रदर्शनशील और बहुत ऊर्जा‑कुशल” होने के लिए डिजाइन किया गया है।

Nvidia लिक्विड‑कूलिंग सिस्टम, NVIDIA GB200 NVL72 और NVIDIA GB300 NVL72 भी प्रदान करता है, जो उनके आर्किटेक्चर के साथ LLM इन्फ़रेंस की मांगपूर्ण कार्यों को संभालने के लिए विशेष रूप से परीक्षण‑समय स्केलिंग सटीकता और प्रदर्शन के लिए अनुकूलित हैं।

यह तकनीकी दिग्गज अपने NVIDIA EGX™ प्लेटफ़ॉर्म के साथ एज AI अनुसंधान और विकास में भी शामिल है, जो शक्तिशाली कंप्यूटिंग, रिमोट मैनेजमेंट, और सिस्टम व सॉफ़्टवेयर को मिलाकर AI को एज पर लाता है। NVIDIA IGX Orin™ को औद्योगिक और चिकित्सा वातावरण के लिए डिज़ाइन किया गया है, जबकि NVIDIA Jetson™ प्लेटफ़ॉर्म इसका रोबोटिक्स समाधान है।

Nvidia में अनुसंधान का एक और क्षेत्र फोटोनिक्स है। इस साल की शुरुआत में, कंपनी ने अपने नए को‑पैकेज्ड सिलिकॉन फोटोनिक नेटवर्किंग स्विचों की घोषणा की जो साइटों के बीच लाखों GPU को जोड़ते हुए ऊर्जा खपत और संचालन लागत को कम करते हैं।

“सिलिकॉन फोटोनिक्स को सीधे स्विचों में एकीकृत करके, NVIDIA हाइपरस्केल और एंटरप्राइज़ नेटवर्क की पुरानी सीमाओं को तोड़ रहा है और मिलियन‑GPU AI फैक्ट्री के द्वार खोल रहा है।”

– Huang

नई तकनीक लेज़र प्रकाश की बीमों का उपयोग करके चिप्स के बीच फाइबर ऑप्टिक केबल पर जानकारी भेजती है। यह इस वर्ष के अंत में और 2026 तक जारी होगी।

Nvidia के बाजार प्रदर्शन की बात करें तो यह असाधारण रहा है। अक्टूबर 2022 में, NVDA शेयर $11 से नीचे गिर गए थे और वर्तमान में $165 से ऊपर ट्रेड कर रहे हैं। इसके साथ, इसका EPS (TTM) 3.10 और P/E (TTM) 53.12 है। कंपनी एक डिविडेंड यील्ड भी प्रदान करती है, हालांकि केवल 0.02%।

वित्तीय मामलों की बात करें तो, वित्तीय वर्ष 2026 की पहली तिमाही में, Nvidia ने $44.1 बिलियन की राजस्व की रिपोर्ट की, जो Q4 से 12% बढ़ी, जबकि डेटा सेंटर राजस्व $39.1 बिलियन आया, जो पिछले तिमाही से 10% बढ़ा।

कंपनी के AI इन्फ्रास्ट्रक्चर की मांग, हुआंग ने कहा, “अत्यंत मजबूत” है।

नवीनतम NVIDIA Corporation (NVDA) स्टॉक समाचार और विकास

निष्कर्ष

जैसे ही दुनिया AI को अपनाती रहेगी, जो बढ़ी हुई दक्षता, उन्नत उत्पादकता, बेहतर निर्णय‑लेना, और व्यक्तिगत अनुभवों का वादा करता है, इस शक्तिशाली तकनीक का बाजार 2025 में बहु‑बिलियन डॉलर का होने की उम्मीद है।

लेकिन जैसे ही ऊर्जा‑भारी AI की मांग बढ़ती है, उसकी ऊर्जा आवश्यकताएँ भी बढ़ती हैं, जिसका मतलब है ऊर्जा ग्रिड पर दबाव और ग्रीनहाउस गैस उत्सर्जन में वृद्धि।

वास्तव में कुशल AI हासिल करने के लिए, सॉफ़्टवेयर और हार्डवेयर दोनों के विकास में समन्वित प्रयास आवश्यक हैं। इस पृष्ठभूमि में, स्मार्ट मॉडल प्रशिक्षण, छोटे मॉडल, संक्षिप्त प्रॉम्प्ट, मॉडल संपीड़न, न्यूरोमोर्फिक कंप्यूटिंग, एज AI, और फोटोनिक्स जैसी नवाचार एक ऐसा भविष्य बना सकते हैं जहाँ स्केल के साथ अस्थिर ऊर्जा मांगें नहीं जुड़ी हों।

यहाँ, स्पिन‑वेव कंप्यूटिंग में नवीनतम突破 भविष्य में कम‑शक्ति, उच्च‑प्रदर्शन कंप्यूटिंग को परिभाषित कर सकता है, संभावित रूप से अगली पीढ़ी के AI आर्किटेक्चर की नींव बन सकता है।

कृत्रिम बुद्धिमत्ता में निवेश के बारे में सब कुछ जानने के लिए यहाँ क्लिक करें।

संदर्भ:

1. Xiao, C.; Liu, M.; Yao, K.; आदि. मशीन लर्निंग द्वारा अल्ट्राब्रॉडबैंड और बैंड‑सेलेक्टिव थर्मल मेटा‑एमिटर। Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Kim, S.J.; Im, I.H.; Baek, J.H.; आदि. न्यूरोमोर्फिक कंप्यूटिंग के लिए रैखिक रूप से प्रोग्रामेबल दो‑आयामी हैलाइड पेरोव्स्काइट मेम्रिस्टर एरेज़। Nat. Nanotechnol. 2025, 20, 83–92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; आदि. अल्ट्रा‑लो‑एनर्जी, हाई‑बैंडविड्थ इंटरचिप डेटा लिंक के लिए त्रि‑आयामी फोटोनिक इंटीग्रेशन। Nat. Photon. 2025, 19, 502–509. https://doi.org/10.1038/s41566-025-01633-0
4. Lv, Y.; Zink, B.R.; Bloom, R.P.; आदि. मैग्नेटिक टनल जंक्शन‑आधारित कंप्यूटेशनल रैंडम‑एक्सेस मेमोरी का प्रयोगात्मक प्रदर्शन। npj Unconv. Comput. 2024, 1, 3. https://doi.org/10.1038/s44335-024-00003-3
5. Tossoun, B.; Xiao, X.; Cheung, S.; Yuan, Y.; Peng, Y.; Srinivasan, S.; आदि. ऊर्जा‑कुशल AI/ML एक्सेलेरेटरों के लिए बड़े‑पैमाने के इंटीग्रेटेड फोटोनिक डिवाइस प्लेटफ़ॉर्म। IEEE J. Sel. Top. Quantum Electron. 2025, 31(3), Article 8200326. https://doi.org/10.1109/JSTQE.2025.3527904
6. Fu, T.; Zhang, J.; Sun, R.; आदि. ऑप्टिकल न्यूरल नेटवर्क: प्रगति और चुनौतियाँ। Light Sci. Appl. 2024, 13, 263. https://doi.org/10.1038/s41377-024-01590-3
7. Bensmann, J.; Schmidt, R.; Nikolaev, K.O.; आदि. बड़े मैग्नोनिक नेटवर्क के लिए डिस्पर्शन‑ट्यूनेबल लो‑लॉस इम्प्लांटेड स्पिन‑वेव वेवगाइड। Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y