एक सेलुलर न्यूरल नेटवर्क (CNN) एक प्रकार का कृत्रिम तंत्रिका नेटवर्क है जिसे समानांतर, स्थानीय रूप से जुड़े संगणना के लिए डिज़ाइन किया गया है। वैश्विक कनेक्शन वाले पारंपरिक तंत्रिका नेटवर्क के विपरीत, एक CNN में कोशिकाओं (न्यूरॉन्स) का एक नियमित ग्रिड होता है, जहां प्रत्येक कोशिका केवल अपने तत्काल पड़ोसियों के साथ संपर्क करती है। यह वास्तुकला जैविक रेटिना और सेलुलर ऑटोमेटा की संरचना की नकल करती है, जिससे छवियों जैसे द्वि-आयामी संकेतों का कुशल वास्तविक समय प्रसंस्करण संभव होता है। यह अवधारणा 1988 में कैलिफोर्निया विश्वविद्यालय, बर्कले में लियोन ओ. चुआ और लिन यांग द्वारा प्रस्तुत की गई थी, और तब से इसे छवि प्रसंस्करण, पैटर्न पहचान और गतिशील प्रणाली सिमुलेशन में अनुप्रयोग मिले हैं।
एक CNN की परिभाषित विशेषता इसकी स्थानीय कनेक्टिविटी है: प्रत्येक कोशिका एक छोटे पड़ोस (आमतौर पर 3x3 या 5x5 क्षेत्र) से इनपुट प्राप्त करती है और विभेदक समीकरणों के एक सेट के आधार पर अपनी स्थिति को अद्यतन करती है। यह स्थानीयता पूरी तरह से जुड़े नेटवर्क की तुलना में कनेक्शन की संख्या को कम करती है, जिससे उच्च समानांतरता के साथ हार्डवेयर कार्यान्वयन संभव होता है। CNN निरंतर-समय (एनालॉग) और असतत-समय (डिजिटल) दोनों मोड में काम कर सकते हैं, और वे विभिन्न टेम्पलेट्स का समर्थन करते हैं जो नेटवर्क की गतिशीलता को परिभाषित करते हैं। इन टेम्पलेट्स को किनारे का पता लगाने, शोर फ़िल्टरिंग और फीचर निष्कर्षण जैसे संचालन करने के लिए प्रोग्राम किया जा सकता है।
इतिहास और विकास
सेलुलर तंत्रिका नेटवर्क को चुआ और यांग द्वारा 1988 के अपने पेपर "सेलुलर न्यूरल नेटवर्क्स: थ्योरी एंड एप्लीकेशन्स" में प्रस्तावित किया गया था, जो IEEE ट्रांजेक्शन्स ऑन सर्किट्स एंड सिस्टम्स में प्रकाशित हुआ था। प्रारंभिक प्रेरणा इलेक्ट्रॉनिक सर्किट की एनालॉग प्रकृति का लाभ उठाते हुए छवि प्रसंस्करण के लिए एक वास्तविक समय, कम-शक्ति प्रोसेसर बनाना था। प्रारंभिक कार्यान्वयन में परिचालन एम्पलीफायरों और प्रतिरोधकों का उपयोग किया गया था, लेकिन बाद के संस्करणों में डिजिटल लॉजिक और फील्ड-प्रोग्रामेबल गेट एरे (FPGA) शामिल किए गए।
1990 के दशक में, शोधकर्ताओं ने मूल CNN मॉडल को गैर-रेखीय टेम्पलेट्स, बहु-परत कॉन्फ़िगरेशन और सीखने के एल्गोरिदम शामिल करने के लिए विस्तारित किया। 1993 में तामास रोस्का और चुआ द्वारा CNN यूनिवर्सल मशीन (CNN-UM) की शुरुआत ने एक प्रोग्रामयोग्य ढांचा प्रदान किया, जिससे सॉफ्टवेयर अनुकरण और हार्डवेयर प्रोटोटाइपिंग संभव हुई। इससे हंगेरियन एकेडमी ऑफ साइंसेज द्वारा ACE16k चिप का विकास हुआ, जो प्रति सेकंड हजारों फ्रेम पर 128x128 छवियों को संसाधित कर सकती थी। इन प्रगतियों के बावजूद, 2010 के दशक में गहन शिक्षण के उदय ने अनुसंधान का ध्यान कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) की ओर स्थानांतरित कर दिया, जो नाम साझा करते हैं लेकिन वास्तुकला और प्रशिक्षण विधियों में मौलिक रूप से भिन्न हैं।
वास्तुकला और संचालन
एक सेलुलर तंत्रिका नेटवर्क को M x N कोशिकाओं के ग्रिड द्वारा परिभाषित किया जाता है, जहां प्रत्येक कोशिका में एक स्थिति चर, एक इनपुट और एक आउटपुट होता है। एक कोशिका की गतिशीलता एक प्रथम-क्रम विभेदक समीकरण द्वारा नियंत्रित होती है जो उसकी अपनी स्थिति, पड़ोसी कोशिकाओं के इनपुट और आउटपुट, और एक पूर्वाग्रह पद को शामिल करती है। अंतःक्रिया भार दो मैट्रिक्स द्वारा निर्दिष्ट होते हैं: A-टेम्पलेट (फीडबैक) और B-टेम्पलेट (फीडफॉरवर्ड)। ये टेम्पलेट आमतौर पर छोटे होते हैं, जैसे 3x3, और सभी कोशिकाओं में समान होते हैं, जिससे नेटवर्क को अनुवाद-अपरिवर्तनीय गुण मिलता है।
प्रत्येक कोशिका का आउटपुट उसकी स्थिति का एक गैर-रेखीय फलन है, जो अक्सर एक टुकड़े-टुकड़े रैखिक सिग्मॉइड होता है। यह नेटवर्क को टेम्पलेट मानों के आधार पर स्थिर निश्चित बिंदु, दोलन और अराजकता सहित जटिल व्यवहार प्रदर्शित करने की अनुमति देता है। व्यवहार में, CNN का उपयोग अक्सर एक स्थानिक फ़िल्टर के रूप में किया जाता है: उपयुक्त टेम्पलेट चुनकर, नेटवर्क सोबेल किनारे का पता लगाने, गाऊसी स्मूथिंग या रूपात्मक परिवर्तन जैसे संचालन कर सकता है। नेटवर्क की समानांतर प्रकृति का मतलब है कि सभी कोशिकाएं एक साथ अद्यतन होती हैं, जिससे यह हार्डवेयर त्वरण के लिए उपयुक्त होता है।
अनुप्रयोग
सेलुलर तंत्रिका नेटवर्क मुख्य रूप से छवि और वीडियो प्रसंस्करण में लागू किए गए हैं। इनका उपयोग निगरानी प्रणालियों में वास्तविक समय किनारे का पता लगाने, छवि विभाजन और गति का पता लगाने के लिए किया जाता है। चिकित्सा इमेजिंग में, CNN का उपयोग एक्स-रे और MRI छवियों को बढ़ाने के साथ-साथ रेटिनल स्कैन में विसंगतियों का पता लगाने के लिए किया गया है। CNN का एनालॉग कार्यान्वयन कम बिजली की खपत प्रदान करता है, जो पोर्टेबल उपकरणों और एम्बेडेड सिस्टम के लिए फायदेमंद है।
छवि प्रसंस्करण से परे, CNN का उपयोग आंशिक विभेदक समीकरणों को हल करने, प्रतिक्रिया-प्रसार प्रणालियों के मॉडलिंग और जैविक तंत्रिका नेटवर्क के सिमुलेशन में किया गया है। इन्हें साहचर्य स्मृति और पैटर्न वर्गीकरण कार्यों के लिए भी खोजा गया है। हालांकि, मशीन लर्निंग और जनरेटिव AI के आगमन के साथ, अधिकांश व्यावहारिक अनुप्रयोग अब GPU पर लागू कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) पर निर्भर हैं, जो अधिक लचीलापन और स्केलेबिलिटी प्रदान करते हैं। 2020 के दशक तक, सेलुलर तंत्रिका नेटवर्क एक विशिष्ट विषय बने हुए हैं, जिनका अध्ययन मुख्य रूप से शैक्षणिक सेटिंग्स और विशेष हार्डवेयर अनुसंधान में किया जाता है।
कन्वोल्यूशनल न्यूरल नेटवर्क के साथ तुलना
समान संक्षिप्त नाम के बावजूद, सेलुलर तंत्रिका नेटवर्क और कन्वोल्यूशनल न्यूरल नेटवर्क अलग हैं। एक कन्वोल्यूशनल न्यूरल नेटवर्क एक फीडफॉरवर्ड वास्तुकला है जिसमें सीखे गए फ़िल्टर होते हैं, जो बड़े डेटासेट पर बैकप्रोपेगेशन के माध्यम से प्रशिक्षित होते हैं। यह स्थानिक स्थानों पर साझा भार और पदानुक्रमित विशेषताओं को निकालने के लिए कई परतों का उपयोग करता है। इसके विपरीत, एक सेलुलर तंत्रिका नेटवर्क एक आवर्ती, स्थानीय रूप से जुड़ा सिस्टम है जिसमें निश्चित या मैन्युअल रूप से ट्यून किए गए टेम्पलेट होते हैं, जो अक्सर एनालॉग हार्डवेयर में लागू होते हैं। पूर्व छवि पहचान और प्राकृतिक भाषा प्रसंस्करण जैसे कार्यों में उत्कृष्ट है, जबकि बाद वाला वास्तविक समय, कम-शक्ति सिग्नल प्रसंस्करण के लिए उपयुक्त है।
दोनों नामों में "सेलुलर" शब्द प्रसंस्करण इकाइयों की ग्रिड-जैसी व्यवस्था को संदर्भित करता है, लेकिन परिचालन सिद्धांत भिन्न हैं। सेलुलर तंत्रिका नेटवर्क निरंतर-समय गतिशीलता और स्थानीय अंतःक्रियाओं पर जोर देते हैं, जबकि कन्वोल्यूशनल न्यूरल नेटवर्क असतत कन्वोल्यूशन और गैर-रेखीय सक्रियण पर निर्भर करते हैं। यह अंतर शोधकर्ताओं और इंजीनियरों के लिए किसी दिए गए अनुप्रयोग के लिए उपयुक्त मॉडल का चयन करने में महत्वपूर्ण है।
हार्डवेयर कार्यान्वयन
सेलुलर तंत्रिका नेटवर्क के प्रमुख लाभों में से एक हार्डवेयर प्राप्ति के लिए उनकी उपयुक्तता है। एनालॉग VLSI कार्यान्वयन अत्यधिक उच्च थ्रूपुट और कम ऊर्जा खपत प्राप्त कर सकते हैं, क्योंकि प्रत्येक कोशिका एक सरल सर्किट है। पहली समर्पित CNN चिप, CNN यूनिवर्सल मशीन, 1990 के दशक में विकसित की गई थी और वास्तविक समय वीडियो प्रसंस्करण का प्रदर्शन किया। बाद में, FPGA और एप्लिकेशन-विशिष्ट एकीकृत सर्किट (ASIC) का उपयोग करके डिजिटल कार्यान्वयन ने अधिक लचीलापन और सटीकता प्रदान की।
Nokia Bell Labs सहित कंपनियों और अनुसंधान संस्थानों, और विभिन्न विश्वविद्यालयों ने एज कंप्यूटिंग के लिए CNN हार्डवेयर का पता लगाया है। हालांकि, गहन शिक्षण के लिए डिज़ाइन किए गए Graphcore और Groq त्वरक की तुलना में CNN हार्डवेयर की व्यावसायिक सफलता सीमित रही है। सेलुलर तंत्रिका नेटवर्क की विशिष्ट प्रकृति का मतलब है कि अधिकांश आधुनिक हार्डवेयर विकास Transformer (architecture)-आधारित मॉडल और बड़े भाषा मॉडल पर केंद्रित है, जो वर्तमान AI परिदृश्य पर हावी हैं।
यह भी देखें
- कृत्रिम तंत्रिका नेटवर्क
- गहन शिक्षण
- मशीन लर्निंग
- छवि प्रसंस्करण
संदर्भ
- चुआ, एल. ओ., और यांग, एल. (1988). सेलुलर न्यूरल नेटवर्क्स: थ्योरी एंड एप्लीकेशन्स. IEEE ट्रांजेक्शन्स ऑन सर्किट्स एंड सिस्टम्स.
- रोस्का, टी., और चुआ, एल. ओ. (1993). द CNN यूनिवर्सल मशीन: एन एनालॉजिक एरे कंप्यूटर. IEEE ट्रांजेक्शन्स ऑन सर्किट्स एंड सिस्टम्स II.