CEO Interview: Patrick T. Bowen Of Neurophos

افلاطون کے ذریعہ دوبارہ شائع کیا گیا۔

فالونگ: 0

پیٹرک ٹی بوون نیوروفوس

پیٹرک ایک کاروباری شخص ہے جس کا پس منظر طبیعیات اور میٹا میٹریل ہے۔ پیٹرک نیوروفوس فن تعمیر کے مستقبل کے لیے وژن مرتب کرتا ہے اور اپنی ٹیم کو تحقیق اور ترقی میں ہدایت دیتا ہے، خاص طور پر میٹا میٹریل ڈیزائن میں۔ اس نے ETH زیورخ سے مائیکرو نینو سسٹمز میں ماسٹرز کی ڈگری حاصل کی ہے اور پروفیسر ڈیوڈ اسمتھ کے تحت ڈیوک یونیورسٹی سے الیکٹریکل انجینئرنگ میں پی ایچ ڈی کی ہے۔ گریجویشن کے بعد، پیٹرک نے پروفیسر سمتھ کے ساتھ میٹا سیپٹ کی بنیاد رکھی۔ میٹا سیپٹ دنیا کا سب سے اولین میٹا میٹریل کمرشلائزیشن سینٹر اور کنسلٹنگ فرم ہے۔

ہمیں نیوروفوس کے بارے میں بتائیں۔ آپ کن مسائل کو حل کر رہے ہیں؟
ہم کہتے ہیں کہ ہم انسانی دماغ کی کمپیوٹیشنل طاقت کو مصنوعی ذہانت تک لانے کے لیے موجود ہیں۔ 2009 میں یہ پتہ چلا کہ GPUs انٹرنیٹ پر بلیوں کو پہچاننے میں CPUs کے مقابلے میں بہت بہتر ہیں، لیکن GPUs AI کام کے بوجھ کے مستقبل کا جواب نہیں ہیں۔ جس طرح GPUs عصبی نیٹ ورکس کے لیے CPUs سے بہتر تھے، اسی طرح ایسے فن تعمیرات بھی ہو سکتے ہیں جو GPUs سے بہتر ہوتے ہیں۔ نیوروفوس وہی ہے جو GPUs کے بعد AI کے لیے آتا ہے۔

عام طور پر اے آئی کے بڑے لینگویج ماڈلز کو محدود کر دیا گیا ہے کیونکہ ہمارے پاس اتنی کمپیوٹ طاقت نہیں ہے کہ ان کی صلاحیت کو مکمل طور پر محسوس کر سکیں۔ لوگوں نے بنیادی طور پر اس کے تربیتی پہلو پر توجہ مرکوز کی ہے، صرف اس لیے کہ آپ کو کسی مفید چیز کی تربیت کرنی تھی اس سے پہلے کہ آپ اسے تعینات کرنے کے بارے میں سوچ سکیں۔ ان کوششوں نے بڑے AI ماڈلز کی ناقابل یقین طاقت کو اجاگر کیا ہے، اور اس ثبوت کے ساتھ لوگ اس بات پر توجہ مرکوز کرنے لگے ہیں کہ AI کو پیمانے پر کیسے تعینات کیا جائے۔ ان AI ماڈلز کی طاقت کا مطلب ہے کہ ہمارے پاس لاکھوں صارفین ہیں جو انہیں روزانہ استعمال کریں گے۔ فی صارف کتنی توانائی خرچ کرتا ہے؟ حساب کتاب کی قیمت فی تخمینہ کتنی ہے؟ اگر یہ فی تخمینہ کافی سستا نہیں ہے، تو یہ ان کاروباروں کے لیے بہت محدود چیز ہوسکتی ہے جو AI کو تعینات کرنا چاہتے ہیں۔

توانائی کی کارکردگی بھی حل کرنے کا ایک بڑا مسئلہ ہے۔ اگر آپ کے پاس 6 کلو واٹ کا سرور ہے جو جلتا ہے، اور آپ 100 گنا تیزی سے جانا چاہتے ہیں لیکن بنیادی توانائی کی کارکردگی کے بارے میں کچھ نہیں کرتے ہیں، تو وہ 6 کلو واٹ سرور اچانک 600 کلو واٹ سرور بن جاتا ہے۔ کسی وقت آپ دیوار سے ٹکراتے ہیں۔ آپ صرف بہت زیادہ طاقت جلا رہے ہیں اور آپ چپس کی گرمی کو اتنی تیزی سے نہیں نکال سکتے۔ اور یقیناً اس کے اوپر موسمیاتی تبدیلی کے مسائل ہیں۔ AI کی طرف سے کتنی توانائی استعمال کی جا رہی ہے؟ ڈیٹا سینٹرز کو ٹھنڈا رکھنے کی کوشش میں ہم کتنی اضافی توانائی ضائع کر رہے ہیں؟ لہذا، کسی کو پہلے توانائی کی بچت کے مسئلے کو حل کرنے کی ضرورت ہے، اور پھر آپ ایپلی کیشنز کے مطالبات کے لیے کافی تیزی سے آگے بڑھ سکتے ہیں۔

لوگوں نے AI کے لیے آپٹیکل کمپیوٹ استعمال کرنے کی تجویز دی ہے جب تک کہ AI موجود ہے۔ بہت سارے نظریات ہیں جن پر ہم آج کام کر رہے ہیں جو 80 کی دہائی کے پرانے خیالات بھی ہیں۔ مثال کے طور پر، مشہور "میٹیمیٹریلز پوشیدہ پوشیدہ" کے لیے اصل مساوات، اور دیگر چیزیں جیسے ریفریکشن کا منفی اشاریہ، 60 اور 80 کی دہائی میں روسی طبیعیات دانوں کے پاس جا سکتا ہے۔ اگرچہ اس کے بارے میں سوچا گیا تھا، یہ واقعی ڈیوڈ اسمتھ اور سر جان پینڈری نے دوبارہ ایجاد کیا تھا۔

اسی طرح، systolic arrays، جن کا عام طور پر کیا مطلب ہوتا ہے جب لوگ "ٹینسر پروسیسر" کہتے ہیں، 70 کی دہائی کے آخر سے ایک پرانا خیال ہے۔ کوانٹم کمپیوٹنگ 80 کی دہائی کا ایک پرانا خیال ہے جسے ہم نے آج زندہ کیا ہے۔ آپٹیکل پروسیسنگ بھی 80 کی دہائی کا ایک پرانا خیال ہے، لیکن اس وقت ہمارے پاس اسے نافذ کرنے کی ٹیکنالوجی نہیں تھی۔ اس لیے نیوروفوس کے ساتھ، ہم آپٹیکل ٹرانزسٹر کو دوبارہ ایجاد کرنے کے لیے واپس چلے گئے، جس سے بنیادی ہارڈ ویئر تیار کیا گیا جو بہت پہلے کے فینسی آپٹیکل کمپیوٹنگ آئیڈیاز کو نافذ کرنے کے لیے ضروری ہے۔

صارفین کو Nvidia سے GPU استعمال کرنے سے آپ کی ٹیکنالوجی کا استعمال کرنے پر کیا چیز بنائے گی؟
لہذا، نمبر ایک چیز جس کے بارے میں میرے خیال میں زیادہ تر گاہک واقعی میں پرواہ کرتے ہیں وہ ہے ڈالر فی انفرنس میٹرک، کیونکہ یہی وہ چیز ہے جو واقعی ان کے کاروباری ماڈل کو بناتی یا توڑتی ہے۔ ہم اس میٹرک کو ایک ایسے حل کے ساتھ ایڈریس کر رہے ہیں جو واقعی ایک ہی پاور لفافے میں، جدید GPU کے مقابلے میں کمپیوٹ کی رفتار کو 100x تک بڑھا سکتا ہے۔

ماحولیاتی تشویش بھی ایک ایسی چیز ہے جس کا لوگوں کو خیال ہے، اور ہم اس کے سب سے اہم ذرائع میں سے ایک پر براہ راست توانائی کی کھپت کو نمایاں طور پر کم کرنے کا ایک حقیقی حل فراہم کر رہے ہیں: ڈیٹا سینٹرز۔

اگر آپ بیٹھ کر سوچتے ہیں کہ یہ ترازو کیسے ہے… کسی کو یہاں حل پیش کرنا ہے، چاہے وہ ہم ہوں یا کوئی اور۔ چپ پیکیجنگ میں بینڈوڈتھ تقریباً رقبہ کے مربع جڑ کے متناسب ہے اور چپ پیکیجنگ میں بجلی کی کھپت عام طور پر علاقے کے متناسب ہوتی ہے۔ اس کی وجہ سے ہر طرح کے متضاد طریقے پیدا ہوئے ہیں جن میں ہم سسٹم بنانے اور پیکیج کرنے کی کوشش کر رہے ہیں۔

پیکیجنگ ان چیزوں میں سے ایک ہے جو عام طور پر AI کے لیے واقعی انقلابی رہی ہے۔ ابتدائی طور پر یہ لاگت اور مختلف ٹیکنالوجی نوڈس سے چپلٹس کو ملانے کے قابل ہونے کے بارے میں تھا، اور سب سے زیادہ، میموری تک رسائی کی رفتار اور بینڈوتھ کے بارے میں کیونکہ آپ DRAM چپس کے ساتھ ضم کر سکتے ہیں۔ لیکن اب آپ وہاں زیادہ سے زیادہ چپس ڈال رہے ہیں!

اینالاگ کمپیوٹ اپروچ کا استعمال رقبہ کے متناسب کے بجائے رقبہ کے مربع جڑ تک حساب کے لیے بجلی کی کھپت کو بحال کرتا ہے۔ تو اب جس طریقے سے آپ کی کمپیوٹ اور بجلی کی کھپت کا پیمانہ اسی طرح جاتا ہے۔ آپ انہیں توازن میں لا رہے ہیں۔

ہمیں یقین ہے کہ ہم نے ینالاگ ان-میموری کمپیوٹ کے لیے آج تک واحد نقطہ نظر تیار کیا ہے جو دراصل ان اسکیلنگ قوانین کو عملی جامہ پہنانے کے لیے کافی زیادہ کمپیوٹ کثافت تک پیمانہ کر سکتا ہے۔

گاہک آج نیوروفوس کے ساتھ کیسے مشغول ہو سکتے ہیں؟
ہم ایک ترقیاتی پارٹنر پروگرام بنا رہے ہیں اور اپنے ہارڈ ویئر کا ایک سافٹ ویئر ماڈل فراہم کر رہے ہیں جو لوگوں کو براہ راست PyTorch کوڈ لوڈ کرنے اور اسے مرتب کرنے کی اجازت دیتا ہے۔ یہ تھرو پٹ اور لیٹنسی میٹرکس فراہم کرتا ہے اور گاہک کو فی سیکنڈ کتنے واقعات وغیرہ۔ یہ سسٹم میں کسی بھی رکاوٹ کے بارے میں ہمیں ڈیٹا واپس بھی فراہم کرتا ہے، لہذا ہم اس بات کو یقینی بنا سکتے ہیں کہ ہم مجموعی نظام کو اس طرح سے آرکیٹیکٹ کر رہے ہیں جو واقعی صارفین کے کام کے بوجھ کے لیے اہمیت رکھتا ہے۔

آپ کن نئی خصوصیات/ٹیکنالوجی پر کام کر رہے ہیں؟
ماہرین تعلیم نے ایک طویل عرصے سے اس بارے میں خواب دیکھا ہے کہ اگر ان کے پاس ایک میٹا سرفیس ہو جیسا کہ ہم نیوروفوس میں بنا رہے ہیں، اور وہاں بہت سارے نظریاتی کاغذات موجود ہیں… لیکن حقیقت میں کسی نے بھی ایسا نہیں کیا۔ ہم یہ کرنے والے پہلے لوگ ہیں۔ میرے ذہن میں زیادہ تر دلچسپ ایپلی کیشنز واقعی متحرک سطحوں کے لیے ہیں، جامد کے لیے نہیں، اور Metacept، Duke، اور Lumotive جیسی بہن کمپنیوں میں اور بھی کام ہو رہا ہے جس کے بارے میں میں، اور میرے خیال میں دنیا کافی پرجوش ہوگی۔ .

آپ نے SC انکیوبیٹر میں کیوں شمولیت اختیار کی ہے اور اگلے 24 مہینوں میں ان کی تنظیم کے ساتھ کام کرنے کے Neurophos کے کیا مقاصد ہیں؟

Silicon Catalyst سیمی کنڈکٹر اسٹارٹ اپس کے لیے ایک باوقار ایکسلریٹر بن گیا ہے، جس میں داخلے کے لیے ایک اعلی بار ہے۔ ہم ان کو ایک پارٹنر کے طور پر حاصل کرنے کے لیے پرجوش ہیں۔ ہارڈ ویئر سٹارٹ اپس کا سافٹ ویئر سٹارٹ اپس کے مقابلے میں ان کے ڈیمو/پروٹو ٹائپ لاگت اور انجینئرنگ سائیکل کے زیادہ وقت کی وجہ سے ایک بڑا نقصان ہوتا ہے، اور یہ سیمی کنڈکٹر سٹارٹ اپس میں اور بھی زیادہ درست ہے جہاں EDA ٹولز اور ماسک کے اخراجات اور انجینئرنگ ٹیموں کے سراسر پیمانے پر ممنوعہ ہو سکتا ہے۔ ایک بیج سٹیج کمپنی کے لئے مہنگا. Silicon Catalyst نے شراکت داروں کا ایک خوبصورت ناقابل یقین ماحولیاتی نظام تشکیل دیا ہے جو ان کی ترقیاتی لاگت کو کم کرنے اور مارکیٹ میں ان کے وقت کو تیز کرنے میں اہم مدد فراہم کرتا ہے۔