மூர் விதிக்கு அப்பால்: எட்ஜ் ரோபோக்களுக்கான இன்-மெமரி சிப்லெட்டுகள்

அரை நூற்றாண்டுக்கும் மேலாக, கணினி முன்னேற்றம் மூர் விதிக்குக் கட்டுப்பட்டு நடந்தது: ஒவ்வொரு பதினெட்டு முதல் இருபத்து நான்கு மாதங்களுக்கும் சிலிக்கானில் இருமடங்கு டிரான்சிஸ்டர்களை அடைப்பது. ஆனால் இயற்பியல் AI மற்றும் தன்னாட்சி ரோபோட்டிக்ஸ் என்ற வளர்ந்துவரும் துறையில், மூர் விதி வெப்ப இயக்கவியல் விதிகளுடன் மோதியிருக்கிறது. தன்னாட்சி ட்ரோன்கள், நான்கு கால் ரோபோக்கள், அறுவை சிகிச்சைக் கையாளிகள், தானியங்கி வாகனங்கள் ஆகியவற்றால் 700 வாட் சர்வர் வகை GPU-களையோ குளிரூட்டும் கோபுரங்களையோ சுமக்க முடியாது. 2026 அக்டோபர் 13 அன்று லண்டனில் நடந்த Economist Enterprise Physical AI and Robotics Summit-இல், Mythic AI-இன் தலைவரும் தலைமைச் செயல் அதிகாரியுமான Taner Ozcelik, Kenneth Cukier உடன் ஒரு நெருப்பருகு உரையாடலில் இந்த முட்டுக்கட்டையை உடைக்கத் தேவையான கட்டமைப்புப் புரட்சியை ஆராய்ந்தார்: அனலாக் கம்ப்யூட்-இன்-மெமரி (CIM) மற்றும் மாடுலர் சிப்லெட்டுகள் மூலம் மூர் விதியைக் கடந்து செல்வது.

வெப்ப இயக்கவியல் சுவர்: இயற்பியல் AI ஏன் மேகக்கணினியில் வாழ முடியாது #

Moving past Moore’s law: the power behind high-performance robotics என்ற தலைப்பிலான நெருப்பருகு அமர்வில், நிறுவனத் தன்னாட்சி எதிர்கொள்ளும் அடிப்படைப் பொறியியல் இக்கட்டை Kenneth Cukier முன்வைத்தார்: செயற்கை நுண்ணறிவு மாதிரிகள் அளவுரு அளவிலும் புலனுணர்வுத் திறனிலும் வளர்ந்து வருகின்றன, ஆனால் இயற்பியல் இயந்திரங்கள் கடுமையான SWaP-C கட்டுப்பாடுகளின் (அளவு, எடை, மின்சாரம், செலவு) கீழ் இயங்குகின்றன.

இன்றைய AI முன்னணி, பரந்த சர்வர் கொத்துகளில் 150 மெகாவாட் அல்லது அதற்கு மேல் மின்சாரம் இழுக்கும் ஹைப்பர்ஸ்கேல் தரவு மையங்களில் நங்கூரமிட்டுள்ளது. Ozcelik சுட்டிக்காட்டியபடி, இந்தக் கட்டமைப்பு உயிரியல் குறிப்புப் புள்ளிகளிலிருந்து மில்லியன் மடங்கு விலகிய ஆற்றல் அளவுகளில் இயங்குகிறது. மனித மூளை சுமார் 20 வாட் வளர்சிதை மின் வரம்புக்குள் நிகழ்நேரத் தொடர் புலன்-இயக்க ஒருங்கிணைப்பு, பொருள்சார் பகுத்தறிவு, காட்சி-இடஞ்சார்ந்த வழிசெலுத்தல் ஆகியவற்றைச் செய்கிறது.

வரலாற்றுரீதியாக, ரோபோட்டிக்ஸ் பொறியாளர்கள் அனுமானத்தை மேகக்கணினிக்கு அனுப்பி உள்-கணிப்பு வரம்புகளைத் தவிர்க்க முயன்றனர். ஆனால் பணி-முக்கியமான தொழில்துறை, வான்வெளி, பாதுகாப்புச் சூழல்களில், மேகக்கணினியைச் சார்ந்த தன்னாட்சி கட்டமைப்புரீதியாகச் சாத்தியமற்றது:

1. தாமத மாறுபாடும் நடுக்கமும்: அதிவேக மூடிய-வளைய ரோபோ கட்டுப்பாட்டுக்கு 50Hz முதல் 1,000Hz வரையிலான தீர்மானமான மோட்டார் புதுப்பிப்புகள் தேவை (20 மில்லிவினாடிக்குக் குறைவான சுற்றுப் பயணம்). செல்லுலார் மற்றும் Wi-Fi வலையமைப்புகள் பொதி நடுக்கம், விடுபட்ட சட்டகங்கள், தாமதத் திடீர் உயர்வுகள் ஆகியவற்றைக் கொண்டுவருகின்றன; இதனால் ரோபோ கைகள் வேலைப்பொருட்களைக் கீழே போடுகின்றன அல்லது தன்னாட்சி வாகனங்கள் நிறுத்த வரம்புகளைத் தவறவிடுகின்றன.
2. அலைவரிசைச் செறிவு: ஒரு தொழிற்சாலை முழுவதும் டஜன் கணக்கான நகரும் ரோபோக்களிலிருந்து பல சுருக்கப்படாத 4K காணொளி ஊட்டங்களையும் LiDAR புள்ளி மேகங்களையும் ஒளிபரப்புவது உள்ளூர் RF அலைவரிசையை விரைவில் தீர்த்துவிடுகிறது; அதிகப்படியான மேகக்கணினி வெளியேற்றக் கட்டணங்களையும் ஏற்படுத்துகிறது.
3. செயல்பாட்டு இறையாண்மையும் போட்டியிடப்படும் இணைப்பும்: நிலத்தடிச் சுரங்கங்கள், GPS மறுக்கப்பட்ட சுரங்கப்பாதைகள், தொலைதூரக் கட்டுமானத் தளங்கள் அல்லது தந்திரோபாய ராணுவச் சூழல்களில், வெளிப்புற வலையமைப்பு இணைப்புகள் இல்லவே இல்லை அல்லது செயலூக்கத்துடன் இடையூறு செய்யப்படுகின்றன. தன்னாட்சி அமைப்புகள் முழுமையான செயல்பாட்டு நுண்ணறிவை நேரடியாக எட்ஜ் சட்டகத்திலேயே சுமக்க வேண்டும்.

ரோபோக்களில் நிலையான உயர்-செயல்திறன் GPU-களைப் பொருத்துவதும் அதற்கே உரிய இயற்பியல் தண்டனைகளைக் கொண்டுவருகிறது: வெப்பத் தணிப்பு, ஒட்டுண்ணிச் சுமை எடையைக் கூட்டும் பெரிய வெப்ப மூழ்கிகள், மின்கலப் பறப்பு நேரத்தை மணிநேரங்களிலிருந்து நிமிடங்களுக்குக் குறைக்கும் அதிக மின் உறிஞ்சல்.

கட்டமைப்புக் கோட்பாடு: கம்ப்யூட்-இன்-மெமரி (CIM) #

வெப்ப இயக்கவியல் இடையூறைத் தீர்க்க, Mythic AI ஒரு கட்டமைப்புத் தத்துவத்தை முன்னெடுத்துள்ளது: தனித்தனி செயலாக்க அலகுகளுக்கும் நினைவகத் தொகுப்புகளுக்கும் இடையே தரவை முன்னும் பின்னும் அனுப்புவதற்குப் பதிலாக, நினைவகமே கணினியாக மாற வேண்டும்.

.class="img-fluid clearfix"

ஒற்றை-டிரான்சிஸ்டர் அணிப் பெருக்கலின் இயற்பியல் #

பாரம்பரிய டிஜிட்டல் கணிப்பில், ஒரு அணிப் புள்ளிப் பெருக்கத்தைக் கணக்கிட, வெளிப்புற DRAM-இலிருந்து உயர்-மின்தேக்குத்திறன் பஸ் கோடுகள் வழியாக ஆயிரக்கணக்கான 8-பிட் அல்லது 16-பிட் எடை மதிப்புகளைப் பெற்று, அவற்றைத் தற்காலிக நினைவகப் பதிவேடுகளில் ஏற்றி, டிஜிட்டல் ALU-களுக்குள் பெருக்கி, முடிவுகளை மீண்டும் நினைவகத்தில் எழுத வேண்டும். 90%-க்கும் மேற்பட்ட ஆற்றல் சிப்புகளுக்கு இடையேயான செப்பு இணைப்புக் கோடுகளை மின்னேற்றுவதிலும் மின்னிறக்குவதிலும் செலவாகிறது.

இன்-மெமரி கணிப்புக் கட்டமைப்புகள் இந்த டிஜிட்டல் தரவுப் பரிமாற்றத்தை அனலாக் சுற்று இயற்பியலால் மாற்றுகின்றன:

எடை நிரலாக்கம். நியூரல் நெட்வொர்க் எடைகள் நேரடியாக ஆவியாகா நினைவகக் கலங்களில் (மாற்றியமைக்கப்பட்ட ஃபிளாஷ் அல்லது மின்தடை RAM போன்றவை) அனலாக் கடத்துத்திறன்களாக ($G$) நிரலாக்கப்படுகின்றன. நிரலாக்கப்பட்ட பின், எடைகள் நினைவக அணிக்குள் நிலையாக இருக்கின்றன; அனுமானத்தின்போது அவை ஒருபோதும் பெறப்படுவதோ பரிமாற்றப்படுவதோ இல்லை.

உள்ளீட்டு மின்னழுத்தப் பண்பேற்றம். உள்ளீட்டுச் செயல்படுத்தல்கள் (கேமராக்களிலிருந்து வரும் காட்சி டோக்கன்கள் போன்றவை) அனலாக் மின்னழுத்த நிலைகளாக ($V$) மாற்றப்பட்டு, அணியின் சொல் கோடுகள் வழியாகச் செலுத்தப்படுகின்றன.

ஓமின் விதியால் பெருக்கல். உள்ளீட்டு மின்னழுத்தம் ஒவ்வொரு நினைவகக் கலத்தின் வழியாகவும் செல்லும்போது, ஓமின் விதி ($I = V \times G$) உடனடி அனலாக் பெருக்கலைச் செய்து, உள்ளீட்டுக்கும் சேமிக்கப்பட்ட எடைக்கும் உள்ள பெருக்கற்பலனுக்கு விகிதசமமான மின்னோட்டத்தை உருவாக்குகிறது.

கிர்க்காஃபின் மின்னோட்ட விதியால் திரட்டல். செங்குத்து பிட் கோடுகள் வழியாக, ஆயிரக்கணக்கான இணை நினைவகக் கலங்களிலிருந்து வரும் மின்னோட்டங்கள் கிர்க்காஃபின் மின்னோட்ட விதிப்படி ($\sum I = 0$) இயல்பாகவே ஒன்றுகூடுகின்றன.

இவ்வாறு ஒரே ஒரு ஃபிளாஷ் நினைவக அணி முழு அணி-திசையன் பெருக்கலையும் ஒரே கடிகாரச் சுழற்சியில் நிறைவேற்றுகிறது; ஒரு நினைவகப் பெறுதலும் இன்றி இயற்பியல் மட்டத்திலேயே இயங்குகிறது. திரட்டப்பட்ட அனலாக் மின்னோட்டம் பின்னர் அணியின் விளிம்பில் உள்ள அதிவேக அனலாக்-டு-டிஜிட்டல் மாற்றிகள் (ADC) வழியாக மீண்டும் டிஜிட்டல் மதிப்புகளாக மாற்றப்படுகிறது.

மாடுலர் சிப்லெட் உத்தி #

அனலாக் கம்ப்யூட்-இன்-மெமரி ஆற்றல் மற்றும் தாமதச் சமன்பாடுகளைத் தீர்த்தாலும், பல்வேறு வணிகத் துறைகளில் சிலிக்கானை விரிவாக்கப் பொதியிடலில் நெகிழ்வுத்தன்மை தேவை. அடுக்குக்குறி குறைபாட்டு விகிதங்கள், மோசமான வேஃபர் விளைச்சல், நெகிழ்வற்ற தயாரிப்பு உள்ளமைவுகள் ஆகியவற்றால் பாதிக்கப்படும் பெரிய, ஒற்றைக்கல் சிஸ்டம்-ஆன்-சிப்புகளை (SoC) உற்பத்தி செய்வதற்குப் பதிலாக, Ozcelik ஒரு மாடுலர் சிப்லெட் உத்தியை விவரித்தார்.

இந்த முன்னுதாரணத்தில், சிறிய, தரப்படுத்தப்பட்ட இன்-மெமரி கணிப்பு ஓடுகள் தனித்தனியாகத் தயாரிக்கப்பட்டு, மேம்பட்ட பொதியிடல் மூலம் இடைப்பொருத்திகளில் இணைக்கப்படுகின்றன:

1. தரப்படுத்தப்பட்ட அதிவேக டை-டு-டை இணைப்புகள்: Universal Chiplet Interconnect Express (UCIe) போன்ற வளர்ந்துவரும் தரநிலைகளைப் பயன்படுத்தி, சிப்லெட்டுகள் நுண்-புடைப்புகள் வழியாக உயர் அலைவரிசை அடர்த்தியுடனும் பிகோவினாடி மட்டத் தாமதத்துடனும் தொடர்புகொள்கின்றன.
2. பன்முகக் கலவை: ஓர் அமைப்பு வடிவமைப்பாளர் இலகுவான ட்ரோன் சுமைக்காக இரண்டு இன்-மெமரி சிப்லெட்டுகளைக் குறைந்த செலவு ARM கட்டுப்பாட்டுச் செயலியுடன் இணைக்கலாம், அல்லது எட்ஜ் தரவு மையங்களுக்கான சர்வர் முடுக்கி அட்டையை உருவாக்கப் பதினாறு சிப்லெட்டுகளை அதிவேக PCIe இடைமுகங்களுடன் சேர்த்து அமைக்கலாம்.
3. பொதுவான தொகுப்பும் பணிச்சுமை வரைபடமிடலும்: ஒருங்கிணைந்த தொகுப்பி அடுக்கு நிலையான ஆழ்கற்றல் வரைபடங்களை (ONNX, PyTorch) ஏற்று, கிடைக்கும் சிப்லெட் இடவியல் முழுவதும் மாதிரி அடுக்குகளைத் தானாகப் பிரித்து, சிப்லெட்டுகளுக்கு இடையேயான தொடர்பைக் குறைக்கத் தரவு வழியமைப்பை உகப்பாக்குகிறது.

கட்டமைப்பு ஒப்பீடு: எட்ஜ் ரோபோட்டிக்ஸுக்கான கணிப்பு முன்னுதாரணங்கள் #

மூலம்: Economist Enterprise Physical AI and Robotics Summit-இல் (Convene 200 Aldersgate, லண்டன், 2026 அக்டோபர் 13) முன்வைக்கப்பட்ட நெருப்பருகு உரையாடல் தரவுகள் மற்றும் குறைக்கடத்தி கட்டமைப்பு விவரக்குறிப்புகளின் தொகுப்பு.

துறைவாரியாக இதன் பொருள் #

இன்-மெமரி கணிப்பின் வணிக உறுதிப்படுத்தல், மின்சாரம் மற்றும் செலவுக் கட்டுப்பாடுகள் வரலாற்றுரீதியாக மேம்பட்ட அடித்தள மாதிரிகளின் பயன்பாட்டைத் தடுத்து வந்த தொழில்களுக்குள் ஊடுருவுவதைச் சார்ந்துள்ளது.

தந்திரோபாயப் பாதுகாப்பும் ஆளில்லா அமைப்புகளும் #

பாதுகாப்பு எட்ஜ் பயன்பாடுகளில், ஆற்றல் திறன் நேரடியாகச் செயல்பாட்டு உயிர்பிழைப்பாகவும் பணி நீடிப்பாகவும் மாறுகிறது. சிறிய ஆளில்லா வான்வழி அமைப்புகளும் (sUAS) தந்திரோபாயத் தரை ரோவர்களும் மின்கல எடையால் கடுமையாகக் கட்டுப்படுத்தப்படுகின்றன. ஓர் உளவு ட்ரோனில் வழக்கமான GPU-வைப் பொருத்துவது, AI புலனுணர்வு அடுக்குக்கு மின்சாரம் வழங்குவதற்காகவே அதன் வான் நீடிப்பை 30% முதல் 50% வரை குறைக்கிறது.

Lockheed Martin உடனான Mythic AI-இன் உத்திசார் ஈடுபாடு, இன்-மெமரி கணிப்பைத் தந்திரோபாய எட்ஜ் அமைப்புகள், தன்னாட்சி ட்ரோன் கூட்டங்கள், தொலைதூரக் கண்காணிப்பு நிலைகள் ஆகியவற்றில் பொதிப்பதில் கவனம் செலுத்துகிறது. கணிப்பு மின் உறிஞ்சலை 50W-இலிருந்து 10W-க்குக் கீழ் குறைப்பதன் மூலம், தந்திரோபாய ட்ரோன்கள் நீண்ட பறப்பு நேரத்தை அடைகின்றன; அதே நேரத்தில் போட்டியிடப்படும், GPS மறுக்கப்பட்ட செயல்பாட்டு அரங்குகளில் பல்முனைப் பொருள் வகைப்படுத்தல், மின்னணுப் போர் சமிக்ஞைச் செயலாக்கம், காட்சி-நிலைம ஓடோமெட்ரி ஆகியவற்றை உள்ளூரிலேயே இயக்குகின்றன.

வாகனச் சூழல் விழிப்புணர்வும் அறைக்குள் AI-யும் #

வாகனத் துறையில், முதல்நிலை உற்பத்தியாளர்கள் கடும் லாப வரம்பு நெருக்கடியை எதிர்கொள்கின்றனர். முன்னணி மின்சார வாகனங்கள் £2,000 திரவக் குளிரூட்டப்பட்ட தன்னாட்சி ஓட்டுநர் கணினிகளின் செலவைத் தாங்கலாம், ஆனால் பெருஞ்சந்தை வாகனங்களால் முடியாது.

Mythic AI உடனான Honda Motor-இன் கூட்டாண்மை இந்த வணிக உராய்வைக் கையாள்கிறது. வாகன உற்பத்தியாளர்களுக்கு, நூற்றுக்கணக்கான டாலர் அல்ல, சில பத்து டாலர் விலையுள்ள, பெருமளவில் தயாரிக்கப்படும், வாகனத் தகுதி பெற்ற AI சிப்புகள் தேவை; அவை ஓட்டுநர் கண்காணிப்பு அமைப்புகள், குருட்டுப்புள்ளிப் பொருள் பிரிப்பு, 360-பாகை சுற்றுப்புறப் புலனுணர்வு ஆகியவற்றை, உற்பத்திச் செலவையும் பொருத்துதல் சிக்கலையும் கூட்டும் சிக்கலான திரவக் குளிரூட்டும் வளையங்கள் இன்றி இயக்க வேண்டும்.

தொழில்துறை எட்ஜ் தரவு மையங்களும் நகரும் நிறைவேற்றலும் #

இன்-மெமரி கணிப்பு கட்டமைப்புரீதியாக எட்ஜுக்கு உகப்பாக்கப்பட்டிருந்தாலும், எட்ஜ் தரவு மையங்களுக்கும் கிடங்கு நிறைவேற்ற மையங்களுக்கும் PCIe முடுக்கி அட்டைகளை வழங்குவதன் மூலம் Mythic திட்டமிட்ட பால உத்தியைச் செயல்படுத்துகிறது. நூற்றுக்கணக்கான தன்னாட்சி நகரும் ரோபோக்களை (AMR) கொண்ட வசதிகளில், கூட்ட ஒருங்கிணைப்பு மாதிரிகளை இயக்கும் எட்ஜ் சர்வர் அடுக்குகள் வசதியின் மின் இணைப்புகளாலும் குளிரூட்டல் வரம்புகளாலும் கட்டுப்படுத்தப்படுகின்றன. இன்-மெமரி முடுக்கி அட்டைகள், பயன்பாட்டு மின் உள்கட்டமைப்பை மேம்படுத்தாமலேயே உள்ளூர் அனுமானச் செயல்வீதத்தைப் பல மடங்கு பெருக்க வசதிகளுக்கு உதவுகின்றன.

விநியோகச் சங்கிலி மீள்திறனும் உற்பத்திப் புவியியலும் #

Ozcelik-இன் விளக்கத்தின் ஒரு முக்கிய அம்சம் விநியோகச் சங்கிலி இறையாண்மையை மையமாகக் கொண்டிருந்தது. சிலிக்கானை நம்பகமாகத் தயாரிக்கவும், பொதியிடவும், பெருமளவில் அனுப்பவும் முடியாவிட்டால், வன்பொருள் புத்தாக்கம் பொருளற்றது.

Mythic AI ஒரு பரவலாக்கப்பட்ட சர்வதேச உற்பத்தி அமைப்பை நிறுவியுள்ளது:

• சிலிக்கான் புனைவு: மைய இன்-மெமரி வேஃபர் உற்பத்தி ஜப்பானின் டோக்கியோவில் நங்கூரமிட்டுள்ளது; துல்லியமான குறைக்கடத்தி புனைவிலும் முதிர்ந்த அனலாக்/ஃபிளாஷ் செயல்முறை முனைகளிலும் ஜப்பானின் நிறுவப்பட்ட தலைமையைப் பயன்படுத்திக்கொள்கிறது.
• மேம்பட்ட பொதியிடலும் பொருத்துதலும்: மேம்பட்ட சிப்லெட் வெட்டுதல், பல-டை அடித்தளப் பிணைப்பு, தானியங்கி ஒளியியல் ஆய்வு ஆகியவற்றுக்காக வேஃபர்கள் ஐரோப்பாவுக்கு (குறிப்பாக ஜெர்மனிக்கு) அனுப்பப்படுகின்றன.
• திருத்தச் சரிபார்ப்பு: நிறுவனம் தற்போது அதன் சமீபத்திய சிலிக்கான் திருத்தத்தின் சரிபார்ப்பை நிறைவுசெய்து வருகிறது; ஆய்வக விளைச்சல் அளவீடுகளை வாகன மற்றும் பாதுகாப்புத் துறைகளின் பெருமளவு உற்பத்திக்கான, மீண்டும் செய்யக்கூடிய, உற்பத்தித் தர வேலை அறிக்கைகளாக (SOW) மாற்றுவதில் கவனம் செலுத்துகிறது.

இந்தப் பல-பிராந்திய அணுகுமுறை ஒற்றைப் புள்ளி புவிசார் அரசியல் பாதிப்புகளைத் தவிர்க்கிறது; ஐரோப்பிய மற்றும் ஆசிய நிறுவனக் கூட்டாளிகளுக்குப் புவியியல்ரீதியாகப் பன்முகப்படுத்தப்பட்ட விநியோகச் சங்கிலிகளையும் வழங்குகிறது.

முடிவுரை #

Economist Enterprise Physical AI and Robotics Summit-இல் Taner Ozcelik மற்றும் Kenneth Cukier இடையேயான நெருப்பருகு உரையாடல், தன்னாட்சி அமைப்புகளின் அடுத்த பத்தாண்டைக் கட்டுப்படுத்தப்போகும் இயற்பியல் யதார்த்தத்தை வரைந்து காட்டியது. டிரான்சிஸ்டர் அளவீட்டின் எளிய அளவுகோலாக மூர் விதி இனி இயற்பியல் AI புரட்சிக்கு ஆற்றல் தரப் போதுமானதல்ல.

கணிப்புக் கட்டமைப்புகள் தர்க்கத்தையும் நினைவகத்தையும் பிரிக்கும் Von Neumann பிரிவைப் பற்றிக்கொண்டிருக்கும் வரை, ரோபோட்டிக்ஸ் மின்கல நிறை, வெப்பச் சிதறல், தாங்க முடியாத பொருள் பட்டியல் செலவுகள் ஆகியவற்றால் கட்டுப்பட்டே இருக்கும். டிஜிட்டல் தரவு நகர்விலிருந்து அனலாக் இன்-மெமரி கணிப்பு அணிகளுக்கும் மாடுலர் சிப்லெட் இடவியல்களுக்கும் மாறுவதன் மூலம், தன்னாட்சி அமைப்புகளுக்குத் தேவைப்படும் படிநிலைத் திறன் முன்னேற்றத்தைக் குறைக்கடத்திப் பொறியியல் வழங்கிவருகிறது.

700W தரவு மையக் கொத்துகளிலிருந்து 15W எட்ஜ் சிலிக்கானுக்கான மாற்றமே இயற்பியல் தன்னாட்சிக்கான உண்மையான நுழைவாயில். இறுதிப் பகுப்பாய்வில், நிஜ உலகில் இயங்கும் ரோபோக்கள் நிஜ உலகின் ஆற்றல் விதிகளுக்குக் கீழ்ப்படிய வேண்டும்; சிலிக்கானுக்கும் உயிரியலுக்கும் இடையேயான இடைவெளியை இணைக்கும் கட்டமைப்பு இன்-மெமரி கணிப்பே.

அடிக்கடி கேட்கப்படும் கேள்விகள் #

AI வன்பொருளில் Von Neumann இடையூறு என்றால் என்ன? மைய செயலாக்க அலகுக்கும் (ALU) அமைப்பு நினைவகத்துக்கும் (DRAM) இடையேயான இயற்பியல் பிரிவால் ஏற்படும் செயல்வீத மற்றும் ஆற்றல் வரம்பையே Von Neumann இடையூறு குறிக்கிறது. பில்லியன் கணக்கான அணிப் பெருக்கல்களை உள்ளடக்கிய செயற்கை நுண்ணறிவுப் பணிச்சுமைகளில், செயலிகள் தங்கள் மொத்த ஆற்றலில் 85%-க்கும் மேலானதையும் கணிசமான கடிகாரச் சுழற்சிகளையும் செப்பு பஸ்கள் வழியாகத் தரவை முன்னும் பின்னும் அனுப்புவதிலேயே செலவழிக்கின்றன; இது கடுமையான வெப்ப மற்றும் தாமத இடையூறுகளை உருவாக்குகிறது.

அனலாக் கம்ப்யூட்-இன்-மெமரி (CIM) எப்படி இயங்குகிறது? கம்ப்யூட்-இன்-மெமரி தரவை நகர்த்தாமலேயே நேரடியாக நினைவகக் கலங்களுக்குள் கணிதச் செயல்பாடுகளைச் செய்கிறது. நியூரல் நெட்வொர்க் எடைகள் ஆவியாகா நினைவகக் கலங்களுக்குள் அனலாக் கடத்துத்திறன் நிலைகளாகச் சேமிக்கப்படுகின்றன. அணி முழுவதும் உள்ளீட்டு மின்னழுத்தங்கள் செலுத்தப்படும்போது, மின்னோட்டம் ஓமின் விதிப்படி ($I = V \times G$) கலங்கள் வழியாகப் பாய்ந்து, கிர்க்காஃபின் மின்னோட்ட விதிப்படி பிட் கோடுகளில் கூடுகிறது. இது முழு அணி-திசையன் பெருக்கலையும் ஒரே இயற்பியல் படியில் நிறைவேற்றுகிறது.

ரோபோட்டிக்ஸுக்கும் ட்ரோன்களுக்கும் இன்-மெமரி கணிப்பு ஏன் குறிப்பாக முக்கியமானது? நகரும் ரோபோக்களும் ட்ரோன்களும் அளவு, எடை, மின்சாரம், செலவு (SWaP-C) ஆகியவற்றின் கடுமையான வரம்புகளின் கீழ் இயங்குகின்றன. அவை உள்ளமைந்த மின்கலங்களைச் சார்ந்துள்ளன; கனமான குளிரூட்டும் கதிர்வீசிகளையோ அதிக வாட் மின் விநியோகங்களையோ தாங்க முடியாது. இன்-மெமரி கணிப்பு 10x முதல் 1,000x வரை கூடுதல் ஆற்றல் திறனை வழங்குகிறது; இதனால் ரோபோக்கள் 10W முதல் 20W மின் வரம்புக்குள் சிக்கலான பார்வை-மொழி-செயல் மாதிரிகளை உள்ளூரிலேயே இயக்கி, மின்கல நீடிப்பையும் பாதுகாக்க முடிகிறது.

ஒற்றைக்கல் சிப்பை விட சிப்லெட் அணுகுமுறையின் நன்மை என்ன? ஒற்றைக்கல் சிப்புகள் அனைத்துச் செயல்பாட்டு அலகுகளையும் ஒரே பெரிய சிலிக்கான் டையில் ஒருங்கிணைக்கின்றன. டையின் அளவு வளர வளர, உற்பத்திக் குறைபாட்டு விகிதங்கள் அடுக்குக்குறி முறையில் அதிகரித்து, உற்பத்தி விளைச்சலைக் குறைத்து அலகுச் செலவை உயர்த்துகின்றன. சிப்லெட் கட்டமைப்பு அமைப்பைச் சிறிய, தரப்படுத்தப்பட்ட சிலிக்கான் டைகளாகப் பிரிக்கிறது; அவை உயர் விளைச்சலுடன் தனித்தனியாகத் தயாரிக்கப்பட்டு அதிவேக நுண்-புடைப்புகள் வழியாக இணைக்கப்படுகின்றன. இது குறிப்பிட்ட தொழில்துறை மின் மற்றும் வடிவக் காரணித் தேவைகளுக்கு ஏற்ற மாடுலர், நெகிழ்வான உள்ளமைவுகளை அனுமதிக்கிறது.

இந்தத் தொழில்நுட்பத்தின் முதன்மை வணிகக் கூட்டாளிகள் யார்? Mythic AI-இன் இன்-மெமரி கணிப்புத் தளம் தற்போது இரண்டு பெரிய நிறுவனக் கூட்டாண்மைகளில் நங்கூரமிட்டுள்ளது: மின்கல நீடிப்பை அதிகரிக்க, இந்தக் கட்டமைப்பைத் தந்திரோபாயப் பாதுகாப்பு ட்ரோன்கள், ஆளில்லா ரோபோ தளங்கள், சுற்றளவுப் பாதுகாப்பு நிலைகள் ஆகியவற்றில் ஒருங்கிணைக்கும் Lockheed Martin; வாகனச் சூழல் விழிப்புணர்வுக்கும் அறைக்குள் உணர்தலுக்கும் குறைந்த செலவு, வாகனத் தகுதி பெற்ற AI சிப்புகளை இலக்காகக் கொண்ட Honda Motor.

துணைநூற்பட்டியல் #

• Economist Enterprise, (2026). Physical AI & Robotics Summit: தன்னாட்சி அமைப்புகள் மூலம் செயல்பாட்டு மேன்மை ⧉. Economist Enterprise.
• Ozcelik, T., (2026). மூர் விதிக்கு அப்பால்: உயர்-செயல்திறன் ரோபோட்டிக்ஸின் பின்னுள்ள ஆற்றல் ⧉. Mythic AI.
• Cukier, K., (2026). தன்னாட்சி நுண்ணறிவின் வெப்ப இயக்கவியல் வரம்புகள் ⧉. The Economist.
• Marković, D., Mizrahi, A., Querlioz, D., & Grollier, J., (2020). நியூரோமார்ஃபிக் கணிப்புக்கான இயற்பியல் ⧉. Nature Reviews Physics, 2, 499-510.
• Universal Chiplet Interconnect Express, (2025). UCIe விவரக்குறிப்பு 2.0: டை-டு-டை இணைப்புத் தரநிலை ⧉. UCIe Consortium.
• IEEE, (2026). International Roadmap for Devices and Systems (IRDS): CMOS-க்கு அப்பால் மற்றும் கம்ப்யூட்-இன்-மெமரி ⧉. IEEE Standards Association.

கடைசியாக மதிப்பாய்வு செய்யப்பட்டது 2026-10-13.

கடைசியாக மதிப்பாய்வு செய்யப்பட்டது 2026-10-27.

# மூர் விதிக்கு அப்பால்: எட்ஜ் ரோபோக்களுக்கான இன்-மெமரி சிப்லெட்டுகள் — Sebastien Rousseau

> Originally published at [https://sebastienrousseau.com/ta/2026-10-13-mur-vithikku-appal-etj-ropokkalukkana/](https://sebastienrousseau.com/ta/2026-10-13-mur-vithikku-appal-etj-ropokkalukkana/)

லண்டன் Economist Enterprise Physical AI and Robotics Summit-இல் Mythic AI CEO Taner Ozcelik, இன்-மெமரி கணிப்பும் சிப்லெட்டுகளும் நினைவகச் சுவரை உடைப்பதைக் காட்டினார்.

Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/ta/2026-10-13-mur-vithikku-appal-etj-ropokkalukkana/

மூர் விதிக்கு அப்பால்: எட்ஜ் ரோபோக்களுக்கான இன்-மெமரி சிப்லெட்டுகள் — Sebastien Rousseau

லண்டன் Economist Enterprise Physical AI and Robotics Summit-இல் Mythic AI CEO Taner Ozcelik, இன்-மெமரி கணிப்பும் சிப்லெட்டுகளும் நினைவகச் சுவரை உடைப்பதைக் காட்டினார்.

https://sebastienrousseau.com/ta/2026-10-13-mur-vithikku-appal-etj-ropokkalukkana/

மூர் விதிக்கு அப்பால்: எட்ஜ் ரோபோக்களுக்கான இன்-மெமரி சிப்லெட்டுகள் — Sebastien Rousseau

லண்டன் Economist Enterprise Physical AI and Robotics Summit-இல் Mythic AI CEO Taner Ozcelik, இன்-மெமரி கணிப்பும் சிப்லெட்டுகளும் நினைவகச் சுவரை உடைப்பதைக் காட்டினார்.

முக்கிய மூலோபாயக் கருத்துகள் இங்கே:

- வெப்ப இயக்கவியல் சுவர்: இயற்பியல் AI ஏன் மேகக்கணினியில் வாழ முடியாது. Moving past Moore’s law: the power behind high-performance robotics என்ற தலைப்பிலான நெருப்பருகு அமர்வில், நிறுவனத் தன்னாட்சி எதிர்கொள்ளும் அடிப்படைப் பொறியியல் இக்கட்டை Kenneth Cukier முன்வைத்தார்: செயற்கை நுண்ணறிவு…
- கட்டமைப்புக் கோட்பாடு: கம்ப்யூட்-இன்-மெமரி (CIM). வெப்ப இயக்கவியல் இடையூறைத் தீர்க்க, Mythic AI ஒரு கட்டமைப்புத் தத்துவத்தை முன்னெடுத்துள்ளது: தனித்தனி செயலாக்க அலகுகளுக்கும் நினைவகத் தொகுப்புகளுக்கும் இடையே தரவை முன்னும் பின்னும் அனுப்புவதற்குப் பதிலாக, நினைவகமே…
- மாடுலர் சிப்லெட் உத்தி. அனலாக் கம்ப்யூட்-இன்-மெமரி ஆற்றல் மற்றும் தாமதச் சமன்பாடுகளைத் தீர்த்தாலும், பல்வேறு வணிகத் துறைகளில் சிலிக்கானை விரிவாக்கப் பொதியிடலில் நெகிழ்வுத்தன்மை தேவை.
- கட்டமைப்பு ஒப்பீடு: எட்ஜ் ரோபோட்டிக்ஸுக்கான கணிப்பு முன்னுதாரணங்கள். மூலம்: Economist Enterprise Physical AI and Robotics Summit-இல் (Convene 200 Aldersgate, லண்டன், 2026 அக்டோபர் 13) முன்வைக்கப்பட்ட நெருப்பருகு உரையாடல் தரவுகள் மற்றும் குறைக்கடத்தி கட்டமைப்பு விவரக்குறிப்புகளின்…

இந்தக் கட்டுரையில் விவரிக்கப்பட்ட சவால்களுக்கு உங்கள் நிறுவனத்தின் அணுகுமுறை என்ன?

→ https://sebastienrousseau.com/ta/2026-10-13-mur-vithikku-appal-etj-ropokkalukkana/

#இன்மெமரிகணிப்பு #MythicAi #TanerOzcelik #மூர்விதி #VonNeumannதடை

Sebastien Rousseau | CC-BY-4.0

@online{rousseau2026ம,
  author  = {Rousseau, Sebastien},
  title   = {{மூர் விதிக்கு அப்பால்: எட்ஜ் ரோபோக்களுக்கான இன்-மெமரி சிப்லெட்டுகள் — Sebastien Rousseau}},
  year    = {2026},
  url     = {https://sebastienrousseau.com/ta/2026-10-13-mur-vithikku-appal-etj-ropokkalukkana/},
  urldate = {2026}
}

TY  - GEN
AU  - Rousseau, Sebastien
TI  - மூர் விதிக்கு அப்பால்: எட்ஜ் ரோபோக்களுக்கான இன்-மெமரி சிப்லெட்டுகள் — Sebastien Rousseau
PY  - 2026
UR  - https://sebastienrousseau.com/ta/2026-10-13-mur-vithikku-appal-etj-ropokkalukkana/
ER  -

Rousseau S. மூர் விதிக்கு அப்பால்: எட்ஜ் ரோபோக்களுக்கான இன்-மெமரி சிப்லெட்டுகள் — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 13. Available from: https://sebastienrousseau.com/ta/2026-10-13-mur-vithikku-appal-etj-ropokkalukkana/

Rousseau, Sebastien. "மூர் விதிக்கு அப்பால்: எட்ஜ் ரோபோக்களுக்கான இன்-மெமரி சிப்லெட்டுகள் — Sebastien Rousseau." sebastienrousseau.com. October 13, 2026. https://sebastienrousseau.com/ta/2026-10-13-mur-vithikku-appal-etj-ropokkalukkana/.

Rousseau, S. (2026, October 13). மூர் விதிக்கு அப்பால்: எட்ஜ் ரோபோக்களுக்கான இன்-மெமரி சிப்லெட்டுகள் — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/ta/2026-10-13-mur-vithikku-appal-etj-ropokkalukkana/

மூர் விதிக்கு அப்பால்: எட்ஜ் ரோபோக்களுக்கான இன்-மெமரி சிப்லெட்டுகள் — Sebastien Rousseau

லண்டன் Economist Enterprise Physical AI and Robotics Summit-இல் Mythic AI CEO Taner Ozcelik, இன்-மெமரி கணிப்பும் சிப்லெட்டுகளும் நினைவகச் சுவரை உடைப்பதைக் காட்டினார்.

Originally published at https://sebastienrousseau.com/ta/2026-10-13-mur-vithikku-appal-etj-ropokkalukkana/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU · FOUNDER · ENGINEER