আবহাওয়ার মতো জটিল সিস্টেমের ভবিষ্যদ্বাণী করা বিখ্যাতভাবে কঠিন। কিন্তু অন্তত আবহাওয়ার নিয়ন্ত্রক সমীকরণ একদিন থেকে পরের দিন পরিবর্তিত হয় না। বিপরীতে, কিছু জটিল সিস্টেম "টিপিং পয়েন্ট" পরিবর্তনের মধ্য দিয়ে যেতে পারে, হঠাৎ তাদের আচরণ নাটকীয়ভাবে এবং সম্ভবত অপরিবর্তনীয়ভাবে পরিবর্তন করে, সামান্য সতর্কতা এবং সম্ভাব্য বিপর্যয়কর পরিণতি।
দীর্ঘ পর্যাপ্ত টাইমস্কেলে, বেশিরভাগ বাস্তব-জগতের সিস্টেমগুলি এইরকম। উত্তর আটলান্টিকের উপসাগরীয় স্রোত বিবেচনা করুন, যা একটি মহাসাগরীয় পরিবাহক বেল্টের অংশ হিসাবে উষ্ণ নিরক্ষীয় জল উত্তর দিকে পরিবহন করে যা পৃথিবীর জলবায়ু নিয়ন্ত্রণে সহায়তা করে। যে সমীকরণগুলি এই সঞ্চালনকারী স্রোতগুলিকে বর্ণনা করে তা ধীরে ধীরে বরফের শীট গলে মিঠা পানির প্রবাহের কারণে পরিবর্তিত হচ্ছে। এখন পর্যন্ত সঞ্চালন ধীরে ধীরে ধীর হয়ে গেছে, কিন্তু এখন থেকে কয়েক দশক পরে এটি হঠাৎ বন্ধ হয়ে যেতে পারে।
"ধরুন এখন সবকিছু ঠিক আছে," বললেন ইং-চেং লাই, অ্যারিজোনা স্টেট ইউনিভার্সিটির একজন পদার্থবিদ। "আপনি কীভাবে বলবেন যে এটি ভবিষ্যতে ঠিক হবে না?"
সাম্প্রতিক গবেষণাপত্রের একটি সিরিজে, গবেষকরা দেখিয়েছেন যে মেশিন লার্নিং অ্যালগরিদমগুলি এই ধরনের "ননস্টেশনারি" সিস্টেমের প্রত্নতাত্ত্বিক উদাহরণগুলিতে টিপিং-পয়েন্ট ট্রানজিশনের ভবিষ্যদ্বাণী করতে পারে, সেইসাথে টিপ দেওয়ার পরে তাদের আচরণের বৈশিষ্ট্যগুলি। আশ্চর্যজনকভাবে শক্তিশালী নতুন কৌশলগুলি একদিন জলবায়ু বিজ্ঞানে অ্যাপ্লিকেশন খুঁজে পেতে পারে, বাস্তুসংস্থান, মহামারীবিদ্যা এবং অন্যান্য অনেক ক্ষেত্র।
সমস্যাটির প্রতি আগ্রহের ঢেউ চার বছর আগে শুরু হয়েছিল যুগান্তকারী ফলাফল এর গ্রুপ থেকে এডওয়ার্ড ওট, মেরিল্যান্ড বিশ্ববিদ্যালয়ের একজন নেতৃস্থানীয় বিশৃঙ্খলা গবেষক। Ott-এর দল দেখেছে যে এক ধরনের মেশিন লার্নিং অ্যালগরিদম যাকে বলা হয় পুনরাবৃত্ত নিউরাল নেটওয়ার্ক যা স্থির বিশৃঙ্খল সিস্টেমের বিবর্তনের পূর্বাভাস দিতে পারে (যাতে টিপিং পয়েন্ট নেই) অত্যাশ্চর্যভাবে ভবিষ্যতে। নেটওয়ার্কটি শুধুমাত্র বিশৃঙ্খল সিস্টেমের অতীত আচরণের রেকর্ডের উপর নির্ভর করে - এটি অন্তর্নিহিত সমীকরণ সম্পর্কে কোন তথ্য ছিল না।
নেটওয়ার্কের শেখার পদ্ধতিটি গভীর নিউরাল নেটওয়ার্কগুলির থেকে আলাদা, যা স্পিচ রিকগনিশন এবং প্রাকৃতিক ভাষা প্রক্রিয়াকরণের মতো কাজের জন্য কৃত্রিম নিউরনের স্তরগুলির একটি লম্বা স্ট্যাকের মাধ্যমে ডেটা ফিড করে। সমস্ত নিউরাল নেটওয়ার্ক প্রশিক্ষণ ডেটার প্রতিক্রিয়া হিসাবে তাদের নিউরনের মধ্যে সংযোগের শক্তি সামঞ্জস্য করে শেখে। ওট এবং তার সহযোগীরা জলাধার কম্পিউটিং নামে একটি কম গণনামূলকভাবে ব্যয়বহুল প্রশিক্ষণ পদ্ধতি ব্যবহার করেছিলেন, যা কৃত্রিম নিউরনের একক স্তরে শুধুমাত্র কয়েকটি সংযোগ সামঞ্জস্য করে। এর সরলতা সত্ত্বেও, জলাধার কম্পিউটিং বিশৃঙ্খল বিবর্তনের পূর্বাভাস দেওয়ার জন্য উপযুক্ত বলে মনে হয়।
2018 সালের ফলাফলগুলি চিত্তাকর্ষক ছিল, গবেষকরা সন্দেহ করেছিলেন যে মেশিন লার্নিংয়ের ডেটা-চালিত পদ্ধতি অস্থির সিস্টেমে টিপিং-পয়েন্ট ট্রানজিশনের পূর্বাভাস দিতে বা এই সিস্টেমগুলি পরবর্তীতে কীভাবে আচরণ করবে তা অনুমান করতে সক্ষম হবে না। একটি নিউরাল নেটওয়ার্ক একটি বিবর্তনশীল সিস্টেম সম্পর্কে অতীতের ডেটার উপর প্রশিক্ষণ দেয়, কিন্তু "ভবিষ্যতে যা ঘটছে তা বিভিন্ন নিয়ম দ্বারা বিকশিত হচ্ছে," ওট বলেছেন। এটি একটি বেসবল খেলার ফলাফলের ভবিষ্যদ্বাণী করার চেষ্টা করার মতোই যে এটি একটি ক্রিকেট ম্যাচে পরিণত হয়েছে।
এবং এখনও, গত দুই বছরে, Ott-এর গ্রুপ এবং আরও কয়েকজন দেখিয়েছে যে জলাধার কম্পিউটিং এই সিস্টেমগুলির জন্যও অপ্রত্যাশিতভাবে ভাল কাজ করে।
In একটি 2021 কাগজ, লাই এবং সহযোগীরা তাদের রিজার্ভার কম্পিউটিং অ্যালগরিদমকে একটি প্যারামিটারের ধীরে ধীরে প্রবাহিত মানের অ্যাক্সেস দিয়েছে যা অবশেষে একটি টিপিং পয়েন্টের উপর একটি মডেল সিস্টেম পাঠাবে — কিন্তু তারা সিস্টেমের পরিচালনা সমীকরণ সম্পর্কে অন্য কোনো তথ্য প্রদান করেনি। এই পরিস্থিতিটি বাস্তব-বিশ্বের বেশ কয়েকটি পরিস্থিতির সাথে সম্পর্কিত: আমরা জানি কিভাবে বায়ুমণ্ডলে কার্বন ডাই অক্সাইডের ঘনত্ব বাড়ছে, উদাহরণস্বরূপ, কিন্তু আমরা জানি না যে এই পরিবর্তনশীলটি জলবায়ুকে প্রভাবিত করবে। দলটি খুঁজে পেয়েছে যে অতীতের ডেটাতে প্রশিক্ষিত একটি নিউরাল নেটওয়ার্ক সেই মানটি ভবিষ্যদ্বাণী করতে পারে যেখানে সিস্টেমটি অবশেষে অস্থির হয়ে উঠবে। Ott এর গ্রুপ প্রকাশিত সম্পর্কিত ফলাফল গত বছর.
একটি ইন নতুন কাগজ, জুলাই মাসে অনলাইনে পোস্ট করা হয়েছে এবং এখন পিয়ার রিভিউ চলছে, Ott এবং তার স্নাতক ছাত্র ধ্রুবিত প্যাটেল নিউরাল নেটওয়ার্কগুলির ভবিষ্যদ্বাণীমূলক শক্তি অন্বেষণ করেছে যা শুধুমাত্র একটি সিস্টেমের আচরণ দেখে এবং একটি টিপিং-পয়েন্ট ট্রানজিশন চালানোর জন্য দায়ী অন্তর্নিহিত প্যারামিটার সম্পর্কে কিছুই জানে না। তারা তাদের নিউরাল নেটওয়ার্ক ডেটা একটি সিমুলেটেড সিস্টেমে রেকর্ড করা হয়েছে যখন লুকানো প্যারামিটারটি নেটওয়ার্কের অজানা ছিল। লক্ষণীয়ভাবে, অনেক ক্ষেত্রে অ্যালগরিদম টিপিংয়ের সূত্রপাতের পূর্বাভাস দিতে পারে এবং সম্ভাব্য পোস্ট-টিপিং-পয়েন্ট আচরণের সম্ভাব্যতা বন্টন প্রদান করতে পারে।
আশ্চর্যজনকভাবে, কোলাহলপূর্ণ ডেটাতে প্রশিক্ষিত হওয়ার সময় নেটওয়ার্কটি সর্বোত্তম পারফর্ম করেছে। শব্দ বাস্তব-বিশ্বের সিস্টেমে সর্বব্যাপী, তবে এটি সাধারণত ভবিষ্যদ্বাণীতে বাধা দেয়। এখানে এটি সাহায্য করেছে, দৃশ্যত অ্যালগরিদমকে সিস্টেমের সম্ভাব্য আচরণের বিস্তৃত পরিসরে প্রকাশ করে। এই কাউন্টারইন্টুইটিভ ফলাফলের সুবিধা নিতে, প্যাটেল এবং অট তাদের রিজার্ভার কম্পিউটিং পদ্ধতিকে টুইক করেছেন যাতে নিউরাল নেটওয়ার্ক শব্দের পাশাপাশি সিস্টেমের গড় আচরণ চিনতে সক্ষম হয়। "এটি যেকোন পদ্ধতির জন্য গুরুত্বপূর্ণ হতে চলেছে যা এক্সট্রাপোলেট করার চেষ্টা করছে" ননস্টেশনারি সিস্টেমের আচরণ, বলেছেন মাইকেল গ্রাহাম, উইসকনসিন, ম্যাডিসন বিশ্ববিদ্যালয়ের একজন তরল গতিবিদ্যাবিদ।
প্যাটেল এবং অট টিপিং পয়েন্টগুলির একটি শ্রেণীও বিবেচনা করে যা আচরণে বিশেষভাবে প্রখর পরিবর্তন চিহ্নিত করে।
ধরুন একটি সিস্টেমের অবস্থা একটি বিন্দু হিসাবে প্লট করা হয়েছে তার সমস্ত সম্ভাব্য অবস্থার একটি বিমূর্ত স্থানে ঘুরে বেড়াচ্ছে। যে সিস্টেমগুলি নিয়মিত চক্রের মধ্য দিয়ে যায় সেগুলি মহাকাশে একটি পুনরাবৃত্তিমূলক কক্ষপথ খুঁজে বের করবে, যখন বিশৃঙ্খল বিবর্তনটি একটি জটবদ্ধ জগাখিচুড়ির মতো দেখাবে। একটি টিপিং পয়েন্টের কারণে একটি কক্ষপথ নিয়ন্ত্রণের বাইরে চলে যেতে পারে কিন্তু প্লটের একই অংশে থেকে যেতে পারে, অথবা এটি প্রাথমিকভাবে বিশৃঙ্খল গতি একটি বৃহত্তর অঞ্চলে ছড়িয়ে পড়তে পারে। এই ক্ষেত্রে একটি নিউরাল নেটওয়ার্ক রাষ্ট্রীয় স্থানের প্রাসঙ্গিক অঞ্চলগুলির অতীত অনুসন্ধানে এনকোড করা সিস্টেমের ভাগ্যের ইঙ্গিত পেতে পারে।
আরও চ্যালেঞ্জিং হল ট্রানজিশন যেখানে একটি সিস্টেম হঠাৎ করে একটি অঞ্চল থেকে বিতাড়িত হয় এবং এর পরবর্তী বিবর্তন দূরবর্তী অঞ্চলে প্রকাশ পায়। প্যাটেল ব্যাখ্যা করেছেন, "শুধুমাত্র গতিশীলতাই পরিবর্তিত হচ্ছে না, কিন্তু এখন আপনি এমন অঞ্চলে ঘুরে বেড়াচ্ছেন যা আপনি কখনও দেখেননি"। এই ধরনের রূপান্তরগুলি সাধারণত "হিস্টেরেটিক" হয়, যার অর্থ এগুলি সহজে বিপরীত হয় না — এমনকি যদি বলুন, একটি ধীরে ধীরে ক্রমবর্ধমান পরামিতি যা ট্রানজিশনের কারণ হয়ে দাঁড়ায় তা আবার নামিয়ে দেওয়া হয়। এই ধরনের হিস্টেরেসিস সাধারণ: একটি বাস্তুতন্ত্রে একজনকে অনেক শীর্ষ শিকারীকে হত্যা করুন, উদাহরণস্বরূপ, এবং পরিবর্তিত গতিশীলতার কারণে শিকারের জনসংখ্যা হঠাৎ করে বিস্ফোরিত হতে পারে; আবার একটি শিকারী যোগ করুন এবং শিকার জনসংখ্যা উন্নত থাকে।
হিস্টেরেটিক ট্রানজিশন প্রদর্শনকারী একটি সিস্টেম থেকে ডেটার উপর প্রশিক্ষিত হলে, প্যাটেল এবং ওটের জলাধার কম্পিউটিং অ্যালগরিদম একটি আসন্ন টিপিং পয়েন্ট ভবিষ্যদ্বাণী করতে সক্ষম হয়েছিল, কিন্তু এটি সময় ভুল ছিল এবং সিস্টেমের পরবর্তী আচরণের পূর্বাভাস দিতে ব্যর্থ হয়েছিল। গবেষকরা তারপরে মেশিন লার্নিং এবং সিস্টেমের প্রচলিত জ্ঞান-ভিত্তিক মডেলিংয়ের সমন্বয়ে একটি হাইব্রিড পদ্ধতির চেষ্টা করেছিলেন। তারা দেখতে পেল যে হাইব্রিড অ্যালগরিদম তার অংশগুলির যোগফলকে ছাড়িয়ে গেছে: এটি ভবিষ্যতের আচরণের পরিসংখ্যানগত বৈশিষ্ট্যগুলি ভবিষ্যদ্বাণী করতে পারে এমনকি যখন জ্ঞান-ভিত্তিক মডেলের ভুল প্যারামিটার মান ছিল এবং তাই নিজেই ব্যর্থ হয়েছিল।
শীঘ্রই হো লিম, স্টকহোমের নর্ডিক ইনস্টিটিউট ফর থিওরিটিক্যাল ফিজিক্সের একজন মেশিন লার্নিং গবেষক যিনি ননস্টেশনারি সিস্টেমের স্বল্পমেয়াদী আচরণ অধ্যয়ন করেছেন, আশা করেন সাম্প্রতিক কাজটি "আরও গবেষণার জন্য একটি অনুঘটক হিসাবে কাজ করবে", যার মধ্যে জলাধার কম্পিউটিং এবং কর্মক্ষমতার মধ্যে তুলনা করা যে গভীর জ্ঞানার্জন অ্যালগরিদম যদি জলাধার কম্পিউটিং আরও সম্পদ-নিবিড় পদ্ধতির বিরুদ্ধে নিজের অবস্থান ধরে রাখতে পারে, তবে এটি ইকোসিস্টেম এবং পৃথিবীর জলবায়ুর মতো বৃহৎ, জটিল সিস্টেমে টিপিং পয়েন্ট অধ্যয়নের সম্ভাবনার জন্য ভাল হবে।
"এই ক্ষেত্রে অনেক কিছু করার আছে," ওট বলেন. "এটি সত্যিই প্রশস্ত খোলা।"
