জটিল সিস্টেমের পরিবর্তনগুলি মোকাবেলা করার জন্য নতুন পদ্ধতি গভীর নিউরাল নেটওয়ার্কগুলিকে পুনরায় প্রশিক্ষণ দেয়

বিভিন্ন পরিস্থিতিতে মোকাবেলা করার জন্য গভীর-শিক্ষার কৃত্রিম বুদ্ধিমত্তার অ্যালগরিদমগুলিকে পুনরায় প্রশিক্ষণ দেওয়ার জন্য একটি পদ্ধতিগত পদ্ধতি তৈরি করা হয়েছে মার্কিন যুক্তরাষ্ট্রের জলবায়ু গবেষকরা। দলটি খুঁজে পেয়েছে যে, প্রচলিত প্রজ্ঞার বিপরীতে, অ্যালগরিদমের আগের স্তরগুলিকে পুনরায় প্রশিক্ষণ দেওয়া প্রায়শই পরবর্তী স্তরগুলিকে পুনরায় প্রশিক্ষণ দেওয়ার চেয়ে ভাল ফলাফল অর্জন করে।

ডিপ লার্নিং হল একটি অত্যন্ত উন্নত, কখনও কখনও বিতর্কিত ধরণের মেশিন লার্নিং যেখানে কম্পিউটার অ্যালগরিদমগুলি নিজেদেরকে একটি সিস্টেমের গুরুত্বপূর্ণ বৈশিষ্ট্যগুলি শেখায় এবং এর প্রকৃতি এবং এর আচরণ সম্পর্কে ভবিষ্যদ্বাণী সম্পর্কে শ্রেণীবিভাগ করতে শেখে, প্রায়শই সঠিকতার সাথে যা মানুষের ক্ষমতাকে ছাড়িয়ে যায়। 2017 সালে চ্যাম্পিয়ন গো প্লেয়ার লি সেডল-এর উপর Google-এর আলফাগো প্রোগ্রামের বিজয় সম্ভবত গভীর শিক্ষার সবচেয়ে বিখ্যাত প্রদর্শন। তবে, গভীর শিক্ষার আরও ব্যবহারিক প্রয়োগ রয়েছে: এটি ক্যান্সারের প্রাথমিক লক্ষণগুলির জন্য প্রোটিন ভাঁজ, স্ক্রীন টিস্যু বায়োপসি সম্পর্কে পূর্বাভাস দিতে পারে। এবং আবহাওয়া নিদর্শন ভবিষ্যদ্বাণী.

যাইহোক, যেহেতু ডিপ লার্নিং অ্যালগরিদমগুলি কোনও বাহ্যিক অপারেটর দ্বারা প্রোগ্রাম করা হয় না, সেগুলিকে কেবল পুনরায় প্রোগ্রাম করা যায় না। পরিবর্তে, সিস্টেম পরিবর্তন হলে, নতুন সিস্টেম থেকে ডেটা ব্যবহার করে অ্যালগরিদমকে পুনরায় প্রশিক্ষণ দিতে হবে। এটি জলবায়ুবিদ্যায় গুরুত্বপূর্ণ যদি আজকের জলবায়ু পরিস্থিতি ব্যবহার করে প্রশিক্ষিত গভীর শিক্ষার অ্যালগরিদমগুলি জলবায়ু পরিবর্তন দ্বারা প্রভাবিত বিশ্বের আবহাওয়ার পরিস্থিতি সম্পর্কে দরকারী ভবিষ্যদ্বাণী করতে হয়। অপরিচিত পরিস্থিতিতে পূর্ব অভিজ্ঞতার সাথে খাপ খাইয়ে নেওয়ার এই প্রক্রিয়াটি - মানুষের কাছে পরিচিত - কম্পিউটার বিজ্ঞানীদের কাছে ট্রান্সফার লার্নিং হিসাবে পরিচিত।

গভীর রহস্য

জলবায়ু বিজ্ঞানী পেদ্রাম হাসানজাদেহ টেক্সাসের রাইস ইউনিভার্সিটি ব্যাখ্যা করে যে গভীর শিক্ষার অ্যালগরিদম স্তরগুলির একটি ক্রমানুসারে তথ্য প্রক্রিয়া করে। "তথ্য একটি স্তরে যায়, যা কিছু তথ্য বের করে এবং তারপরে এই তথ্যটি অন্য স্তরে পাঠায়, যা আরও তথ্য বের করে।" এই প্রক্রিয়াটি শেষ পর্যন্ত আউটপুট তৈরি করে, কিন্তু হাসানজাদেহ যেমন ব্যাখ্যা করেন, "প্রতিটি স্তরের কাজটি ঠিক কী তা কেউ জানে না কারণ আমরা তাদের কোনওটি ডিজাইন করি না - তারা সবাই শিখেছে।" ট্রান্সফার লার্নিং এই স্তরগুলির একটি (বা কয়েকটি) পুনরায় প্রশিক্ষণের জন্য নতুন ডেটা সেট থেকে উপলব্ধ ডেটার অল্প পরিমাণ ব্যবহার করে এবং হাসানজাদেহ বলেছেন "আপনি কোন স্তরটি বেছে নিন তা গুরুত্বপূর্ণ"৷

তিনি বলেন, প্রচলিত প্রজ্ঞা নির্দেশ করে যে সমস্যার সুনির্দিষ্ট বিষয়গুলি নেটওয়ার্কের গভীরতম স্তরগুলিতে কাজ করা হয় (আউটপুটের সবচেয়ে কাছের সেই স্তরগুলি)। অতএব, ট্রান্সফার লার্নিং সঞ্চালনের জন্য, এগুলি পুনরায় প্রশিক্ষণ দেওয়া সর্বোত্তম। "অতীতে যা করা হয়েছে তা হল, বলুন, Google Google Images-এ হাজার-স্তরের নেটওয়ার্ককে প্রশিক্ষণ দেয়, এবং তারপরে কেউ অল্প সংখ্যক এক্স-রে নিয়ে আসে, তাই তারা 998 এবং 999 স্তরগুলিকে পুনরায় প্রশিক্ষণ দেয়," হাসানজাদেহ ব্যাখ্যা করেন৷ এখন তিনি এবং তার সহকর্মীরা পরিবর্তে একটি পদ্ধতিগত পদ্ধতি গ্রহণ করেছেন।

গবেষকরা তিনটি ভিন্ন সেটের অবস্থার অধীনে তরল আচরণের উচ্চ-রেজোলিউশন সিমুলেশন সম্পাদন করেছেন। তারা এই নির্দিষ্ট প্যারামিটারগুলির প্রতিটির অধীনে তরলগুলির আচরণের পূর্বাভাস দিতে তিনটি 10-স্তর গভীর শিক্ষার অ্যালগরিদম প্রশিক্ষণের জন্য এই ডেটা ব্যবহার করেছে। তারা কিছু পরামিতি পরিবর্তন করেছে যেমন রেনল্ডস সংখ্যা (জড়ত্ব শক্তির সাথে সান্দ্র শক্তির অনুপাত) বা প্রতিটি ক্ষেত্রে তরলের ঘূর্ণিত্ব এবং নতুন তরলগুলির আচরণের পূর্বাভাস দেওয়ার জন্য উচ্চ-রেজোলিউশন সিমুলেশনের আরেকটি সেট পরিচালনা করে। তিনটি ক্ষেত্রে প্রতিটিতে, তারা নতুন ডেটাতে একই অ্যালগরিদম প্রশিক্ষিত করেছে। অবশেষে, তারা নতুন ডেটার একটি ছোট উপসেটে পুরানো অ্যালগরিদমগুলির স্থানান্তর শিক্ষা পরিচালনা করে, প্রতিটি স্তরের পুনরায় প্রশিক্ষণের প্রভাবের দিকে তাকিয়ে এবং নতুন ডেটাতে স্ক্র্যাচ থেকে প্রশিক্ষিত অ্যালগরিদমের সাথে পুনঃপ্রশিক্ষিত পুরানো অ্যালগরিদমের কর্মক্ষমতা তুলনা করে৷

অগভীর স্তর পুনরায় প্রশিক্ষণ

ফলাফল বিস্ময়কর ছিল। হাসানজাদেহ বলেছেন, "এই কাগজে, আমরা দেখেছি যে অগভীর স্তরগুলি পুনরায় প্রশিক্ষণের জন্য সর্বোত্তম ছিল।" পালাক্রমে প্রতিটি স্তরকে পুনরায় প্রশিক্ষণ দিয়ে উত্পাদিত পূর্বাভাসিত সংকেতটিতে অ্যাক্সেস থাকার ফলে প্রতিটি স্তর এই চূড়ান্ত সংকেতের উপর প্রভাব ফেলতে একটি উইন্ডো দেয়। অতএব, প্রতিটি স্তর উপস্থিত প্রতিটি ফ্রিকোয়েন্সি কীভাবে পরিবর্তন করছে তা দেখতে তারা কেবল প্রতিটি সংকেতের বর্ণালী বিশ্লেষণ ব্যবহার করেছিল। কিছু স্তর নিম্ন-ফ্রিকোয়েন্সিগুলিকে নিয়ন্ত্রণ করছিল, এবং অ্যালগরিদমের মসৃণভাবে পরিবর্তিত, ম্যাক্রোস্কোপিক বৈশিষ্ট্যগুলি ক্যাপচার করার কারণে এগুলিকে পুনরায় প্রশিক্ষণ দেওয়া দরকারী ছিল। অন্যান্য স্তর, ইতিমধ্যে, বিশদ ভবিষ্যদ্বাণী করেছে, এবং এগুলিকে একা পুনরায় প্রশিক্ষণ দেওয়া প্রায় অকেজো ছিল। গবেষকরা যে কোনো ক্ষেত্রে সবচেয়ে গুরুত্বপূর্ণ স্তর নির্ধারণের জন্য একটি প্রোটোকল প্রদান করেছেন। হাসানজাদেহ বলেছেন, “আমরা বলতে চাইনি যে এই কাগজে আমাদের একটি বিধি আছে। "এখন আমরা এমন সিস্টেম খুঁজে পেয়েছি যেখানে, উদাহরণস্বরূপ, মাঝের স্তরগুলি সর্বোত্তম [পুনরায় প্রশিক্ষণের জন্য]।"

কৃত্রিম বুদ্ধিমত্তা ইলেকট্রনিক বৈশিষ্ট্যের গণনাকে সহজ করে

দলটি প্রকাশিত একটি গবেষণাপত্রে কাজের বর্ণনা দিয়েছে পিএনএএস নেক্সাস.

"আমি মনে করি এটি সত্যিই একটি আকর্ষণীয় কাগজ," বলেছেন জ্যোতির্পদার্থবিদ এবং মেশিন লার্নিং বিশেষজ্ঞ৷ শার্লি হো নিউ ইয়র্ক সিটির ফ্ল্যাটিরন ইনস্টিটিউটের। তিনি যোগ করেছেন, "অন্যদিকে, অন্যান্য অনেক বৈজ্ঞানিক শাখায় আমরা এখন দীর্ঘদিন ধরে বর্ণালী বিশ্লেষণ ব্যবহার করছি, তাই আমি অনুমান করি যে প্রশ্নটি একাধিক স্তরগুলিতে প্রয়োগ করা একটি গুরুত্বপূর্ণ অবদান কিনা। আমি অনুভব করি যে এটি সম্ভবত সেই জিনিসগুলির মধ্যে একটি যা মানুষের মনে আছে, কিন্তু কেউ এটি লিখেনি। এটি সেই দুর্দান্ত কাগজগুলির মধ্যে একটি হতে পারে যেখানে, একবার আপনি এটি বললে, এটি সবার কাছে স্পষ্ট।"

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• উত্স: https://physicsworld.com/a/new-approach-retrains-deep-neural-networks-to-deal-with-changes-in-complex-systems/