गुवाहाटी: क्या हो अगर आर्टिफिशियल इंटेलिजेंस (AI) इंसानी दिमाग की तरह काम करे—यानी हर जानकारी को लगातार प्रोसेस करने के बजाय सिर्फ़ ज़रूरी चीज़ों पर ही ध्यान दे?
इंडियन इंस्टीट्यूट ऑफ़ टेक्नोलॉजी, गुवाहाटी (IIT-गुवाहाटी) के रिसर्चर इसी आइडिया पर आधारित एक नए AI मॉडल पर काम कर रहे हैं। इस मॉडल को डेटा की लंबी सीरीज़ को प्रोसेस करने के लिए डिज़ाइन किया गया है, जबकि यह कई पारंपरिक AI सिस्टम की तुलना में बहुत कम एनर्जी का इस्तेमाल करता है।
इस रिसर्च को सियोल में हुई 'इंटरनेशनल कॉन्फ्रेंस ऑन मशीन लर्निंग (ICML) 2026' में पेश किया गया था, जो आर्टिफिशियल इंटेलिजेंस पर होने वाली प्रमुख अंतरराष्ट्रीय कॉन्फ्रेंस में से एक है।
IIT गुवाहाटी के 'मेहता फैमिली स्कूल ऑफ़ डेटा साइंस एंड आर्टिफिशियल इंटेलिजेंस' की 'SustainAI लैब' के रिसर्चर द्वारा विकसित इस मॉडल का नाम 'Spiking Heterogeneous Harmonic Resonate-and-Fire State Space Model' (SH²RFSSM) है।
यह मॉडल मुख्य रूप से इस बात से प्रेरित है कि दिमाग में न्यूरॉन्स कैसे कम्युनिकेट करते हैं। पारंपरिक AI सिस्टम के विपरीत, जो लगातार जानकारी को प्रोसेस करते हैं, 'स्पाइकिंग न्यूरल नेटवर्क' तब एक्टिवेट होते हैं जब किसी ज़रूरी चीज़ पर प्रतिक्रिया देनी होती है। इससे गैर-ज़रूरी कंप्यूटेशन और एनर्जी की खपत कम हो सकती है।
IIT गुवाहाटी की टीम ने इस तरीके को 'स्टेट-स्पेस मॉडलिंग' के साथ मिलाया, जिससे AI कुछ पारंपरिक सीक्वेंस मॉडल की भारी कंप्यूटेशनल ज़रूरतों के बिना डेटा के लंबे हिस्सों में पैटर्न की पहचान कर सकता है।
रिसर्चर का कहना है कि यह उन डिवाइस के लिए खास तौर पर उपयोगी हो सकता है जिन्हें लगातार डेटा एनालाइज़ करने की ज़रूरत होती है, लेकिन जिनकी बैटरी पावर या कंप्यूटिंग क्षमता सीमित होती है।
इसके संभावित इस्तेमाल में स्मार्टवॉच और अन्य पहनने योग्य हेल्थ डिवाइस, IoT सेंसर, पर्यावरण की निगरानी, ​​स्मार्ट मैन्युफैक्चरिंग, ऑटोनॉमस सिस्टम और लंबे समय के मौसम या ट्रैफ़िक का पूर्वानुमान शामिल हैं।
इस मॉडल में 'न्यूरोनल हेटेरोजेनिटी' (न्यूरॉन्स में विविधता) भी शामिल है, जिसका मतलब है कि इसके सभी आर्टिफिशियल न्यूरॉन्स एक ही तरह से काम नहीं करते हैं। रिसर्चर के अनुसार, इससे सिस्टम को असल दुनिया के डेटा में समय के साथ बनने वाले जटिल पैटर्न को समझने में मदद मिलती है।
टीम ने SH²RFSSM का टेस्ट 17 बेंचमार्क डेटासेट पर किया, जिसमें लॉन्ग-रेंज सीक्वेंस क्लासिफिकेशन, रिग्रेशन, इंसानी गतिविधियों की पहचान और लंबे समय के पूर्वानुमान जैसे काम शामिल थे।
इस मॉडल ने प्रमुख सीक्वेंस-प्रोसेसिंग AI मॉडल के बराबर परफॉर्मेंस दी, जबकि इसकी अनुमानित एनर्जी खपत काफी कम रही। इससे 'एज AI' (edge ​​AI) के लिए इसकी क्षमता का पता चलता है—जहाँ AI प्रोसेसिंग सीधे डिवाइस पर होती है, न कि क्लाउड सर्वर पर ज़्यादा निर्भर रहना पड़ता है। मेहता फैमिली स्कूल ऑफ़ डेटा साइंस एंड AI में असिस्टेंट प्रोफेसर आयन बोरठाकुर ने कहा कि हेल्थ, पर्यावरण, इंडस्ट्री और फोरकास्टिंग से जुड़े डेटा के लंबे स्ट्रीम का एनालिसिस करने के लिए AI का इस्तेमाल बढ़ रहा है। इससे ऐसे मॉडल की ज़रूरत पैदा हो रही है जो कंप्यूटेशन के लिहाज़ से ज़्यादा कुशल हों।
बोरठाकुर ने कहा, "मॉडर्न AI सिस्टम तेज़ी से सीक्वेंशियल डेटा के लंबे स्ट्रीम के एनालिसिस पर निर्भर हो रहे हैं।" उन्होंने आगे कहा कि कंप्यूटेशन की लागत की वजह से बैटरी से चलने वाले और सीमित रिसोर्स वाले डिवाइस पर ऐसे सिस्टम का इस्तेमाल करना मुश्किल हो सकता है।
इस स्टडी के को-ऑथर और PhD रिसर्च स्कॉलर कार्तिकेय अग्रवाल ने कहा कि स्पाइकिंग न्यूरल नेटवर्क और स्टेट-स्पेस मॉडलिंग का कॉम्बिनेशन सिस्टम को लंबे समय के पैटर्न सीखने में मदद करता है और साथ ही गैर-ज़रूरी कंप्यूटेशन को भी कम करता है।
इस रिसर्च को कार्तिकेय अग्रवाल, वैष्णवी नागभूषण, अभिजीत विक्रम, वेदांत शर्मा और आयन बोरठाकुर ने मिलकर लिखा था।
अग्रवाल, नागभूषण और बोरठाकुर ने 7 जुलाई को सियोल में ICML 2026 पोस्टर सेशन में इस काम को पेश किया।
रिसर्चर अब असल दुनिया में इस्तेमाल के लिए इस मॉडल को और टेस्ट करने और बेहतर बनाने की योजना बना रहे हैं। उनका फोकस AI को सीमित रिसोर्स वाले डिवाइस के लिए ज़्यादा कुशल और अनुकूल बनाने पर है।
Tags: