নিচ থেকে উপরে-নিচে: কম্পিউটেশনাল বিজ্ঞানী আমান্ডা বার্নার্ড সিমুলেশনের সৌন্দর্য, মেশিন লার্নিং এবং কীভাবে দুটি ছেদ করে - পদার্থবিজ্ঞান বিশ্ব

ন্যানোস্কেলে জটিল বৈশিষ্ট্যগুলি অধ্যয়ন করার জন্য মেশিন লার্নিং মডেলগুলিকে প্রশিক্ষণ দেওয়ার জন্য নতুন ধরণের উপকরণগুলিতে ট্যাপ করার জন্য সুপার কম্পিউটার ব্যবহার করা থেকে, অস্ট্রেলিয়ান কম্পিউটেশনাল বিজ্ঞানী আমান্ডা বার্নার্ড কম্পিউটিং এবং ডেটা সায়েন্সের ইন্টারফেসে কাজ করে। এর একজন সিনিয়র অধ্যাপক ড অস্ট্রেলিয়ান ন্যাশনাল ইউনিভার্সিটির স্কুল অফ কম্পিউটিং, বার্নার্ড ডেপুটি ডিরেক্টর এবং কম্পিউটেশনাল-সায়েন্স লিড। আজকাল, তিনি শারীরিক বিজ্ঞান জুড়ে সমস্যা সমাধানের জন্য বিভিন্ন গণনামূলক পদ্ধতি ব্যবহার করেন, কিন্তু বার্নার্ড একজন পদার্থবিদ হিসাবে তার কর্মজীবন শুরু করেন, 2003 সালে তাত্ত্বিক ঘনীভূত পদার্থবিদ্যায় তার পিএইচডি অর্জন করেন।

পরের কয়েক বছর পোস্টডক হিসেবে কাটানোর পর আর্গোনে ন্যাশনাল ল্যাবরেটরিতে ন্যানোস্কেল সামগ্রীর কেন্দ্র মার্কিন যুক্তরাষ্ট্রে, তিনি ন্যানোটেকনোলজি, পদার্থ বিজ্ঞান, রসায়ন এবং ওষুধে মেশিন লার্নিংয়ের ব্যবহার সহ গণনামূলক বিজ্ঞানের অনেক দিককে অন্তর্ভুক্ত করার জন্য তার গবেষণার আগ্রহকে প্রসারিত করতে শুরু করেন।

উভয়ের একজন সহযোগী অস্ট্রেলিয়ান ইনস্টিটিউট অফ ফিজিক্স এবং রয়্যাল সোসাইটি অফ কেমিস্ট্রি, 2022 সালে বার্নার্ড নিযুক্ত হন অর্ডার অফ অস্ট্রেলিয়ার সদস্য. এছাড়াও তিনি বেশ কিছু পুরস্কার জিতেছেন, যার মধ্যে রয়েছে 2014 ন্যানো প্রযুক্তিতে ফাইনম্যান পুরস্কার (তত্ত্ব) এবং অস্ট্রেলিয়ার আণবিক মডেলার্স অ্যাসোসিয়েশন থেকে 2019 পদক. তিনি হামিশ জনস্টনের সাথে বিভিন্ন সমস্যায় মেশিন লার্নিং প্রয়োগে তার আগ্রহ এবং বিশ্ববিদ্যালয় প্রশাসন করার চ্যালেঞ্জ এবং পুরষ্কার সম্পর্কে কথা বলেন।

আপনি কি একজন কম্পিউটেশনাল সায়েন্টিস্ট হিসেবে কি করেন সে সম্পর্কে একটু বলতে পারেন?

কম্পিউটেশনাল সায়েন্স বিজ্ঞান এবং প্রকৌশলের অনেক ক্ষেত্রে গণনাগতভাবে চাহিদাপূর্ণ সমস্যাগুলি বিশ্লেষণ করতে গাণিতিক মডেল ডিজাইন এবং ব্যবহার করে। এর মধ্যে রয়েছে গণনামূলক অবকাঠামো এবং অ্যালগরিদমের অগ্রগতি যা এই বিভিন্ন ডোমেন জুড়ে গবেষকদেরকে বৃহৎ আকারের গণনামূলক পরীক্ষা-নিরীক্ষা করতে সক্ষম করে। একটি উপায়ে, কম্পিউটেশনাল বিজ্ঞান উচ্চ-পারফরম্যান্স কম্পিউটিং নিয়ে গবেষণা জড়িত, এবং শুধুমাত্র একটি উচ্চ-পারফরম্যান্স কম্পিউটার ব্যবহার করে গবেষণা নয়।

আমরা আমাদের বেশিরভাগ সময় অ্যালগরিদমগুলিতে ব্যয় করি এবং কীভাবে সেগুলিকে এমনভাবে প্রয়োগ করা যায় যা উন্নত হার্ডওয়্যারের সর্বোত্তম ব্যবহার করে তা নির্ধারণ করার চেষ্টা করি; এবং যে হার্ডওয়্যার সব সময় পরিবর্তন করা হয়. এর মধ্যে রয়েছে বিভিন্ন বৈজ্ঞানিক ডোমেনে বিশেষভাবে বিকশিত গাণিতিক মডেলের উপর ভিত্তি করে প্রচলিত সিমুলেশন, তা পদার্থবিদ্যা, রসায়ন বা তার বাইরে। আমরা থেকে পদ্ধতি ব্যবহার করে অনেক সময় ব্যয় মেশিন লার্নিং (এমএল) এবং কৃত্রিম বুদ্ধিমত্তা (AI), যার বেশিরভাগই কম্পিউটার বিজ্ঞানীদের দ্বারা তৈরি করা হয়েছিল, যা এটিকে খুব আন্তঃবিভাগীয় গবেষণা করে তোলে। এটি এই সমস্ত বিভিন্ন বৈজ্ঞানিক ক্ষেত্রে ব্যবহার করার জন্য নতুন পদ্ধতির একটি সম্পূর্ণ গুচ্ছ সক্ষম করে।

মেশিন লার্নিং আমাদেরকে সেই সুন্দর তত্ত্বগুলি বের করার সময় আমরা যে জটিলতা হারিয়েছি তা পুনরুদ্ধার করতে সক্ষম করে

প্রতিটি বৈজ্ঞানিক ক্ষেত্রের তাত্ত্বিক দিক থেকে সিমুলেশনের জন্ম হয়েছিল যা কিছু সুবিধাজনক বিমূর্ত স্তরের সাথে আমাদের সমীকরণগুলি সমাধান করতে সক্ষম করে। কিন্তু যখন আমরা সেই তত্ত্বগুলি তৈরি করি, তখন সেগুলি প্রায় সমস্যাটির একটি অতি সরলীকরণ ছিল, যা হয় গাণিতিক কমনীয়তার অনুসরণে বা কেবল ব্যবহারিকতার জন্য করা হয়েছিল। ML আমাদেরকে সেই সুন্দর তত্ত্বগুলি বের করার সময় আমরা যে জটিলতা হারিয়ে ফেলেছি তার অনেকগুলি পুনরুদ্ধার করতে সক্ষম করে। কিন্তু দুর্ভাগ্যবশত, সমস্ত এমএল বিজ্ঞানের সাথে ভালভাবে কাজ করে না, এবং তাই কম্পিউটেশনাল বিজ্ঞানীরা এই অ্যালগরিদমগুলি কীভাবে প্রয়োগ করতে হয় তা বের করার চেষ্টা করার জন্য অনেক সময় ব্যয় করেন যেগুলি কিছু সমস্যাগুলি কাটিয়ে উঠতে এই ধরণের ডেটা সেটগুলির জন্য কখনই ব্যবহার করার উদ্দেশ্যে ছিল না। ইন্টারফেসে অভিজ্ঞ। এবং যে উত্তেজনাপূর্ণ এলাকা এক যে আমি পছন্দ.

আপনি একজন পদার্থবিদ হিসাবে আপনার কর্মজীবন শুরু করেছিলেন। কী আপনাকে কম্পিউটেশনাল সায়েন্সে সরানো হয়েছে?

পদার্থবিদ্যা কার্যত যেকোন কিছুর জন্য একটি দুর্দান্ত সূচনা পয়েন্ট। কিন্তু আমি সবসময় কম্পিউটেশনাল সায়েন্সের পথে ছিলাম না বুঝেই। একজন ছাত্র হিসাবে আমার প্রথম গবেষণা প্রকল্পের সময়, আমি গণনামূলক পদ্ধতি ব্যবহার করেছিলাম এবং তাৎক্ষণিকভাবে আঁকড়ে পড়েছিলাম। আমি কোডিং পছন্দ করতাম, কোড লেখা থেকে চূড়ান্ত ফলাফল পর্যন্ত, এবং তাই আমি তাত্ক্ষণিকভাবে জানতাম যে সুপারকম্পিউটারগুলি আমার বৈজ্ঞানিক যন্ত্র হওয়ার জন্য নির্ধারিত ছিল। প্রতিবার নিখুঁত নমুনা তৈরি করতে পারলে একজন পদার্থ বিজ্ঞানী কী করতে পারেন সে সম্পর্কে চিন্তা করা উত্তেজনাপূর্ণ ছিল। অথবা একজন রসায়নবিদ কি করতে পারেন যদি তারা সমস্ত দূষণ অপসারণ করতে পারে এবং নিখুঁত প্রতিক্রিয়া করতে পারে। আমরা কি করতে পারি যদি আমরা কাউকে আহত করার ঝুঁকি ছাড়াই কঠোর বা বিপজ্জনক পরিবেশ অন্বেষণ করতে পারি? এবং আরও গুরুত্বপূর্ণ, আমরা যদি এই সমস্ত জিনিসগুলি একসাথে করতে পারি, চাহিদা অনুসারে, প্রতিবার চেষ্টা করি?

সুপারকম্পিউটারগুলির সৌন্দর্য হল তারাই একমাত্র যন্ত্র যা আমাদের এই কাছাকাছি পরিপূর্ণতা অর্জন করতে সক্ষম করে। যা আমাকে সবচেয়ে বেশি মুগ্ধ করে তা হল যে আমি কেবল আমার সহকর্মীরা ল্যাবে যা করতে পারে তা পুনরুত্পাদন করতে পারি না, তবে ল্যাবে তারা যা করতে পারে না তাও করতে পারি। তাই ছোট বেলা থেকেই আমার কম্পিউটেশনাল ফিজিক্স কম্পিউটারে ছিল। আমার কম্পিউটেশনাল কেমিস্ট্রি তখন ম্যাটেরিয়ালস, ম্যাটেরিয়াল ইনফরম্যাটিক্স, এবং এখন মোটামুটি একচেটিয়াভাবে এমএল-এ বিকশিত হয়েছে। কিন্তু আমি সর্বদা এই প্রতিটি ক্ষেত্রের পদ্ধতির উপর ফোকাস করেছি, এবং আমি মনে করি পদার্থবিজ্ঞানের একটি ভিত্তি আমাকে খুব সৃজনশীলভাবে চিন্তা করতে সক্ষম করে যে আমি কীভাবে এই সমস্ত অন্যান্য ক্ষেত্রে গণনাগতভাবে যোগাযোগ করি।

কিভাবে মেশিন লার্নিং ক্লাসিক্যাল কম্পিউটার সিমুলেশন থেকে আলাদা?

আমার বেশিরভাগ গবেষণা এখন এমএল, সম্ভবত এটির 80%। আমি এখনও কিছু প্রচলিত সিমুলেশন করি, যদিও তারা আমাকে খুব আলাদা কিছু দেয়। সিমুলেশন মূলত একটি বটম-আপ পদ্ধতি। আমরা একটি সিস্টেম বা সমস্যা সম্পর্কে কিছু বোঝার সাথে শুরু করি, আমরা একটি সিমুলেশন চালাই এবং তারপরে আমরা শেষে কিছু ডেটা পাই। বিপরীতে, ML হল একটি টপ-ডাউন পদ্ধতি। আমরা ডেটা দিয়ে শুরু করি, আমরা একটি মডেল চালাই এবং তারপরে আমরা সিস্টেম বা সমস্যা সম্পর্কে আরও ভাল বোঝার সাথে শেষ করি। সিমুলেশন আমাদের প্রতিষ্ঠিত বৈজ্ঞানিক তত্ত্ব দ্বারা নির্ধারিত নিয়মের উপর ভিত্তি করে, যেখানে ML অভিজ্ঞতা এবং ইতিহাসের উপর ভিত্তি করে। সিমুলেশনগুলি প্রায়শই মূলত নির্ধারক হয়, যদিও মন্টে কার্লোর মতো স্টোকাস্টিক পদ্ধতির কিছু উদাহরণ রয়েছে। এমএল মূলত স্টোকাস্টিক, যদিও কিছু উদাহরণ রয়েছে যা নির্ধারকও।

সিমুলেশন সহ, আমি খুব ভাল এক্সট্রাপোলেশন করতে সক্ষম। অনেকগুলি তত্ত্ব যা সিমুলেশনগুলিকে আন্ডারপিন করে আমাদের একটি "কনফিগারেশন স্পেস" (কো-অর্ডিনেট যা একটি সিস্টেমের সমস্ত সম্ভাব্য অবস্থা নির্ধারণ করে) বা একটি সমস্যার ক্ষেত্রগুলি অন্বেষণ করতে সক্ষম করে যার জন্য আমাদের কাছে কোনও ডেটা বা তথ্য নেই। অন্যদিকে, ML সমস্ত শূন্যস্থান ইন্টারপোলেটিং এবং পূরণে সত্যিই ভাল এবং এটি অনুমানের জন্য খুব ভাল।

প্রকৃতপক্ষে, দুটি পদ্ধতি খুব ভিন্ন ধরনের যুক্তির উপর ভিত্তি করে। সিমুলেশনটি একটি "যদি-তাহলে-অন্যথায়" যুক্তির উপর ভিত্তি করে, যার মানে যদি আমার একটি নির্দিষ্ট সমস্যা বা নির্দিষ্ট শর্ত থাকে, তাহলে আমি একটি নির্ধারক উত্তর পাব অন্যথায়, গণনাগতভাবে, আপনি যদি পান তবে এটি সম্ভবত ক্র্যাশ হবে এটা ভুল. ML, বিপরীতে, একটি "অনুমান-উন্নতি-পুনরাবৃত্তি" যুক্তির উপর ভিত্তি করে, যার মানে এটি সর্বদা একটি উত্তর দেবে। এই উত্তরটি সর্বদা উন্নতিযোগ্য, তবে এটি সর্বদা সঠিক নাও হতে পারে, তাই এটি আরেকটি পার্থক্য।

সিমুলেশনগুলি অন্তঃবিভাগীয়: তাদের ডোমেন জ্ঞানের সাথে খুব ঘনিষ্ঠ সম্পর্ক রয়েছে এবং মানুষের বুদ্ধিমত্তার উপর নির্ভর করে। অন্যদিকে, ML হল আন্তঃবিভাগীয়: মূল ডোমেনের বাইরে বিকশিত মডেলগুলি ব্যবহার করে, এটি ডোমেন জ্ঞানের জন্য অজ্ঞেয়বাদী এবং কৃত্রিম বুদ্ধিমত্তার উপর অনেক বেশি নির্ভর করে। এই কারণেই আমি দুটি পন্থা একত্রিত করতে পছন্দ করি।

আপনার গবেষণায় আপনি কীভাবে মেশিন লার্নিং ব্যবহার করেন সে সম্পর্কে আপনি কি আমাদের আরও কিছু বলতে পারেন?

এমএল-এর আবির্ভাবের আগে, বিজ্ঞানীদের ইনপুট এবং আউটপুটগুলির মধ্যে সম্পর্কগুলিকে অনেকটাই বুঝতে হয়েছিল। আমরা এটি সমাধান করতে সক্ষম হওয়ার আগে আমাদের মডেলটির কাঠামো পূর্বনির্ধারিত থাকতে হয়েছিল। এর মানে হল যে আমরা একটি সন্ধান করার আগে আমাদের উত্তর সম্পর্কে ধারণা থাকতে হবে।

আমরা একটি অভিব্যক্তি বা একটি সমীকরণের গঠন বিকাশ করতে পারি এবং একই সাথে এটি সমাধান করতে পারি। এটি বৈজ্ঞানিক পদ্ধতিকে ত্বরান্বিত করে, এবং এটি আরেকটি কারণ যে আমি মেশিন লার্নিং ব্যবহার করতে পছন্দ করি

আপনি যখন ML ব্যবহার করছেন, মেশিনগুলি মূলত নিজেদের প্রোগ্রাম করার জন্য পরিসংখ্যানগত কৌশল এবং ঐতিহাসিক তথ্য ব্যবহার করে। এর মানে আমরা একটি অভিব্যক্তি বা একটি সমীকরণের গঠন বিকাশ করতে পারি এবং একই সাথে এটি সমাধান করতে পারি। এটি বৈজ্ঞানিক পদ্ধতিকে ত্বরান্বিত করে, এবং এটি অন্য কারণ কেন আমি এটি ব্যবহার করতে চাই।

আমি যে ML কৌশলগুলি ব্যবহার করি তা বৈচিত্র্যময়। ML-এর অনেকগুলি ভিন্ন স্বাদ এবং প্রকার রয়েছে, ঠিক যেমন অনেকগুলি বিভিন্ন ধরণের গণনামূলক পদার্থবিদ্যা বা পরীক্ষামূলক পদার্থবিজ্ঞানের পদ্ধতি রয়েছে। আমি তত্ত্বাবধানহীন শিক্ষা ব্যবহার করি, যা সম্পূর্ণরূপে ইনপুট ভেরিয়েবলের উপর ভিত্তি করে, এবং এটি "লুকানো নিদর্শন" বা প্রতিনিধি ডেটা খোঁজার চেষ্টা করে। এটি ন্যানোসায়েন্সের উপকরণগুলির জন্য দরকারী, যখন আমরা সম্ভবত কোনও সম্পত্তি পরিমাপ করার জন্য পরীক্ষাগুলি করিনি, তবে আমরা উপাদানটি বিকাশের জন্য যে ইনপুট শর্তগুলি রেখেছি সে সম্পর্কে আমরা কিছুটা জানি।

তত্ত্বাবধানহীন শিক্ষা কাঠামোর গোষ্ঠীগুলি খুঁজে পেতে কার্যকর হতে পারে, যা ক্লাস্টার হিসাবে উল্লেখ করা হয়, যেগুলির উচ্চ-মাত্রিক স্থানের মিল রয়েছে, বা বিশুদ্ধ এবং প্রতিনিধিত্বমূলক কাঠামো (আর্কিটাইপ বা প্রোটোটাইপ) যা সমগ্র ডেটা সেটকে বর্ণনা করে। আমরা তাদের একটি নিম্ন-মাত্রিক স্থান ম্যাপ করতে ডেটা রূপান্তর করতে পারি এবং আরও সাদৃশ্য প্রকাশ করতে পারি যা আগে আপাত ছিল না, একইভাবে আমরা পদার্থবিজ্ঞানে পারস্পরিক স্থান পরিবর্তন করতে পারি।

আমি তত্ত্বাবধানে থাকা ML ব্যবহার করি সম্পর্ক এবং প্রবণতা খুঁজে পেতে, যেমন কাঠামো-সম্পত্তি সম্পর্ক, যা উপাদান এবং ন্যানোসায়েন্সে গুরুত্বপূর্ণ। এর মধ্যে রয়েছে শ্রেণিবিন্যাস, যেখানে আমাদের একটি বিযুক্ত লেবেল রয়েছে। বলুন যে আমাদের ইতিমধ্যেই বিভিন্ন শ্রেণীবিভাগের ন্যানো পার্টিকেল রয়েছে এবং তাদের বৈশিষ্ট্যের উপর ভিত্তি করে, আমরা স্বয়ংক্রিয়ভাবে সেগুলিকে এক বা অন্য বিভাগে বরাদ্দ করতে চাই এবং নিশ্চিত করুন যে আমরা একা ইনপুট ডেটার উপর ভিত্তি করে এই ক্লাসগুলিকে সহজেই আলাদা করতে পারি।

আমি পরিসংখ্যানগত শিক্ষা এবং আধা-তত্ত্বাবধানে শিক্ষাও ব্যবহার করি। পরিসংখ্যানগত শিক্ষা, বিশেষ করে, বিজ্ঞানে উপযোগী, যদিও এটি এখনও ব্যাপকভাবে ব্যবহৃত হয়নি। আমরা এটিকে একটি কার্যকারণ অনুমান হিসাবে মনে করি যা চিকিৎসা ডায়াগনস্টিকসে অনেক বেশি ব্যবহৃত হয় এবং এটি কার্যকরভাবে নির্ণয়ের জন্য প্রয়োগ করা যেতে পারে কিভাবে একটি উপাদান, উদাহরণস্বরূপ, এটি কেন তৈরি করা হয়েছে তার পরিবর্তে কীভাবে তৈরি হতে পারে।

আপনার গবেষণা গ্রুপে বৈজ্ঞানিক আগ্রহের বিস্তৃত পরিসরের লোকেদের অন্তর্ভুক্ত রয়েছে। তারা অধ্যয়নরত কিছু জিনিস আপনি আমাদের একটি স্বাদ দিতে পারেন?

আমি যখন পদার্থবিজ্ঞানে শুরু করি, আমি কখনই ভাবিনি যে আমি বিভিন্ন বৈজ্ঞানিক ক্ষেত্র থেকে আসা স্মার্ট ব্যক্তিদের এমন একটি আশ্চর্য দল দ্বারা বেষ্টিত হব। অস্ট্রেলিয়ান ন্যাশনাল ইউনিভার্সিটির কম্পিউটেশনাল সায়েন্স ক্লাস্টারে পরিবেশ বিজ্ঞানী, পৃথিবী বিজ্ঞানী, কম্পিউটেশনাল বায়োলজিস্ট এবং বায়োইনফরমেটিশিয়ান অন্তর্ভুক্ত রয়েছে। এছাড়াও জিনোমিক্স, কম্পিউটেশনাল নিউরোসায়েন্স, কোয়ান্টাম কেমিস্ট্রি, ম্যাটেরিয়াল সায়েন্স, প্লাজমা ফিজিক্স, অ্যাস্ট্রোফিজিক্স, অ্যাস্ট্রোনমি, ইঞ্জিনিয়ারিং এবং – আমি – ন্যানোটেকনোলজি নিয়ে গবেষণা করছেন গবেষকরা। তাই আমরা একটি বৈচিত্র্যময় গুচ্ছ.

আমাদের গ্রুপ অন্তর্ভুক্ত জিউসেপ্পে বার্সা, যিনি সারা বিশ্বে ব্যবহৃত কোয়ান্টাম কেমিস্ট্রি সফ্টওয়্যার প্যাকেজগুলির আন্ডারপিন অ্যালগরিদম তৈরি করছেন৷ তার গবেষণার উপর দৃষ্টি নিবদ্ধ করা হয়েছে কিভাবে আমরা নতুন প্রসেসর, যেমন এক্সিলারেটর, এবং কিভাবে আমরা পুনর্বিবেচনা করতে পারি কিভাবে বৃহৎ অণুগুলিকে বিভাজিত এবং খন্ডিত করা যায় যাতে আমরা কৌশলগতভাবে ব্যাপক সমান্তরাল কর্মপ্রবাহকে একত্রিত করতে পারি। তিনি আমাদের আরও দক্ষতার সাথে সুপার কম্পিউটার ব্যবহার করতে সাহায্য করছেন, যা শক্তি সঞ্চয় করে। এবং গত দুই বছর ধরে, তিনি সেরা স্কেলিং কোয়ান্টাম রসায়ন অ্যালগরিদমে বিশ্ব রেকর্ড করেছেন।

এছাড়াও ক্ষুদ্র পরিসরে – বিজ্ঞানের পরিপ্রেক্ষিতে – হয় মিন বুই, যিনি একজন বায়োইনফরম্যাটিশিয়ান যিনি ফাইলোজেনমিক্স সিস্টেমের ক্ষেত্রে নতুন পরিসংখ্যানগত মডেল তৈরিতে কাজ করছেন [একটি বহু-বিষয়ক ক্ষেত্র যা নেটওয়ার্ক বিজ্ঞানের পদ্ধতিগুলি ব্যবহার করে সিস্টেম জীববিজ্ঞান এবং বাস্তুবিদ্যার সাথে বিবর্তনীয় গবেষণাকে একত্রিত করে]। এর মধ্যে রয়েছে পার্টিশনিং মডেল, আইসোমরফিজম-সচেতন মডেল এবং ডিস্ট্রিবিউশন-ট্রি মডেল। এর প্রয়োগগুলির মধ্যে সালোকসংশ্লেষিত এনজাইম বা গভীর পোকামাকড়ের ফাইলোজেনি ট্রান্সক্রিপশন ডেটা অন্তর্ভুক্ত রয়েছে এবং তিনি শৈবালের পাশাপাশি ব্যাকটেরিয়া এবং ভাইরাস যেমন HIV এবং SARS-CoV-2 (যা COVID-19 এর কারণ) অনুসন্ধানের কাজ করেছেন।

স্কেলের বৃহত্তর প্রান্তে গণিতবিদ কোয়ানলিং ডেং, যার গবেষণা বৃহৎ মাপের মিডিয়ার জন্য গাণিতিক মডেলিং এবং সিমুলেশনের উপর দৃষ্টি নিবদ্ধ করে, যেমন মহাসাগর এবং বায়ুমণ্ডল গতিবিদ্যা, সেইসাথে অ্যান্টার্কটিক বরফ ফ্লোস।

সর্বোত্তম অংশ হল যখন আমরা আবিষ্কার করি যে একটি ডোমেনের সমস্যা ইতিমধ্যে অন্যটিতে সমাধান করা হয়েছে, এবং আরও ভাল যখন আমরা একাধিক ডোমেনে অভিজ্ঞ একজনকে আবিষ্কার করি যাতে আমরা সুপার লিনিয়ারলি স্কেল করতে পারি। এটি দুর্দান্ত যখন একটি সমাধানের প্রভাবের একাধিক ক্ষেত্র থাকে। এবং আপনি কত ঘন ঘন একটি কম্পিউটেশনাল নিউরোসায়েন্টিস্টকে প্লাজমা পদার্থবিজ্ঞানীর পাশাপাশি কাজ করতে পাবেন? এটা শুধু সাধারণত ঘটবে না.

আপনার গবেষণা গ্রুপের সাথে কাজ করার পাশাপাশি, আপনি অস্ট্রেলিয়ান ন্যাশনাল ইউনিভার্সিটির স্কুল অফ কম্পিউটিং-এর ডেপুটি ডিরেক্টর। আপনি কি আমাদের সেই ভূমিকা সম্পর্কে কিছু বলতে পারেন?

এটি মূলত একটি প্রশাসনিক ভূমিকা। তাই ডেটা সায়েন্স, ভাষার মৌলিক ক্ষেত্র, সফ্টওয়্যার ডেভেলপমেন্ট, সাইবার সিকিউরিটি, কম্পিউটার ভিশন, রোবোটিক্স ইত্যাদি জুড়ে কম্পিউটার বিজ্ঞানীদের একটি আশ্চর্যজনক গ্রুপের সাথে কাজ করার পাশাপাশি, আমি নতুন লোকেদের স্কুলে যোগদানের সুযোগ তৈরি করতে এবং হতে পারি। নিজেদের সেরা সংস্করণ। নেতৃত্বের ভূমিকায় আমার অনেক কাজ জনগণকে নিয়ে। এবং এর মধ্যে রয়েছে নিয়োগ, আমাদের মেয়াদ-ট্র্যাক প্রোগ্রাম এবং আমাদের পেশাদার-উন্নয়ন কর্মসূচির দেখাশোনা। আমি সেই এলাকার জন্য কিছু নতুন প্রোগ্রাম শুরু করার সুযোগ পেয়েছি যা আমি ভেবেছিলাম মনোযোগের প্রয়োজন।

এমন একটি উদাহরণ ছিল বিশ্বব্যাপী কোভিড মহামারী চলাকালীন। আমাদের অনেকগুলিই বন্ধ হয়ে গিয়েছিল এবং আমাদের ল্যাবগুলিতে অ্যাক্সেস করতে অক্ষম ছিল, যা আমাদের ভাবতে থাকে যে আমরা কী করতে পারি। আমি একটি প্রোগ্রাম ডেভেলপ করার সুযোগ নিয়েছিলাম জয়ন্তী জয়েন্ট ফেলোশিপ, যা কম্পিউটার বিজ্ঞান এবং অন্য ডোমেনের মধ্যে ইন্টারফেসে কাজ করা গবেষকদের সমর্থন করে, যেখানে তারা তাদের এলাকায় বড় চ্যালেঞ্জগুলি সমাধান করছে, কিন্তু সেই ডোমেন জ্ঞানকে ব্যবহার করে নতুন ধরনের কম্পিউটার বিজ্ঞানকে অবহিত করে। প্রোগ্রামটি 2021 সালে বিভিন্ন এলাকায় এই ধরনের পাঁচজন গবেষককে সমর্থন করেছিল।

আমিও এর চেয়ার অগ্রগামী নারী প্রোগ্রাম, যার স্কলারশিপ, লেকচারশিপ এবং ফেলোশিপ রয়েছে কম্পিউটিংয়ে প্রবেশকারী মহিলাদের সমর্থন করার জন্য এবং তারা আমাদের সাথে তাদের কর্মজীবন জুড়ে সফলতা নিশ্চিত করতে।

এবং অবশ্যই, উপ-পরিচালক হিসাবে আমার অন্য ভূমিকাগুলির মধ্যে একটি হল আমাদের স্কুলের কম্পিউটিং সুবিধাগুলি দেখাশোনা করা। আমি এমন উপায়গুলি দেখছি যাতে আমরা কঠিন সময়গুলি কাটিয়ে উঠতে আমাদের সংস্থানগুলির পাইপলাইনে বৈচিত্র্য আনতে পারি, যেমন COVID-এর সময়, যখন আমরা কোনও নতুন সরঞ্জাম অর্ডার করতে পারিনি। আমি কীভাবে আমরা আরও শক্তি দক্ষ হতে পারি তাও দেখছি, কারণ কম্পিউটিং প্রচুর পরিমাণে শক্তি ব্যবহার করে।

ML-এ গবেষণা করা লোকেদের জন্য এটি অবশ্যই একটি খুব উত্তেজনাপূর্ণ সময় হতে পারে, কারণ প্রযুক্তিটি অনেকগুলি বিভিন্ন ব্যবহার খুঁজে পাচ্ছে। এমএল এর কোন নতুন অ্যাপ্লিকেশন আপনি আপনার গবেষণায় সবচেয়ে উন্মুখ?

ঠিক আছে, সম্ভবত আপনি ইতিমধ্যেই শুনেছেন এমন কিছু, যেমন AI। যদিও AI এর সাথে সম্পর্কিত ঝুঁকি রয়েছে, সেখানেও প্রচুর সুযোগ রয়েছে এবং আমি মনে করি যে বিজ্ঞানের জন্য আগামী বছরগুলিতে জেনারেটিভ এআই বিশেষভাবে গুরুত্বপূর্ণ হতে চলেছে – তবে আমরা এটির সাথে কিছু সমস্যা কাটিয়ে উঠতে পারি "হ্যালুসিনেটিং" [যখন একটি এআই সিস্টেম , যেমন একটি বৃহৎ ভাষার মডেল, একটি প্রশিক্ষণ ডেটা-সেট বা প্রাসঙ্গিক যুক্তি, অথবা উভয়ের সংমিশ্রণের উপর ভিত্তি করে মিথ্যা তথ্য তৈরি করে।

আমরা বিজ্ঞানের কোন ক্ষেত্রেই থাকি না কেন, আমাদের কাছে থাকা সময়, অর্থ, সংস্থান এবং সরঞ্জামগুলিতে আমাদের অ্যাক্সেস রয়েছে তার দ্বারা আমরা সীমাবদ্ধ। এর মানে হল আমরা এই সীমাবদ্ধতাগুলি কাটিয়ে উঠতে ফোকাস করার পরিবর্তে আমাদের বিজ্ঞানের সাথে আপস করছি

কিন্তু আমরা বিজ্ঞানের কোন ক্ষেত্রেই থাকি না কেন, গণনামূলক বা পরীক্ষামূলক যাই হোক না কেন, আমরা সকলেই বিভিন্ন সীমাবদ্ধতার মধ্যে ভুগছি। আমাদের কাছে থাকা সময়, অর্থ, সংস্থান এবং সরঞ্জামগুলিতে আমাদের অ্যাক্সেস রয়েছে তা দ্বারা আমরা সীমাবদ্ধ। এর মানে হল আমরা এই সীমাবদ্ধতাগুলি কাটিয়ে উঠতে ফোকাস করার পরিবর্তে আমাদের বিজ্ঞানের সাথে আপস করছি। আমি সত্যিই বিশ্বাস করি যে পরিকাঠামো আমাদের যা করি তা নির্ধারণ করা উচিত নয়, এটি উল্টো হওয়া উচিত।

আমি মনে করি জেনারেটিভ এআই সঠিক সময়ে এসেছে যাতে আমরা শেষ পর্যন্ত এই সমস্যাগুলির কিছু কাটিয়ে উঠতে পারি কারণ এটির শূন্যস্থান পূরণ করার প্রচুর সম্ভাবনা রয়েছে এবং আমাদের একটি ধারণা প্রদান করে যে আমরা বিজ্ঞান কী করতে পারতাম, যদি আমরা সব কিছু করতাম। প্রয়োজনীয় সম্পদ।

প্রকৃতপক্ষে, এআই আমাদের কম করে আরও বেশি পেতে এবং নির্বাচনের পক্ষপাতের মতো কিছু সমস্যা এড়াতে সক্ষম করতে পারে। বিজ্ঞান ডেটা সেটগুলিতে এমএল প্রয়োগ করার সময় এটি একটি সত্যিই বড় সমস্যা। আমাদের আরও অনেক কাজ করতে হবে তা নিশ্চিত করার জন্য যে জেনারেটিভ পদ্ধতিগুলি অর্থপূর্ণ বিজ্ঞান তৈরি করছে, হ্যালুসিনেশন নয়। এটি বিশেষভাবে গুরুত্বপূর্ণ যদি তারা বড় প্রাক-প্রশিক্ষিত মডেলের ভিত্তি তৈরি করতে যাচ্ছে। তবে আমি মনে করি এটি বিজ্ঞানের একটি সত্যিই উত্তেজনাপূর্ণ যুগ হতে চলেছে যেখানে আমরা AI এর সাথে সহযোগিতামূলকভাবে কাজ করছি, এটি আমাদের জন্য একটি কাজ সম্পাদন করার পরিবর্তে।

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
• প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• প্লেটোইএসজি। মোটরগাড়ি / ইভি, কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• ব্লকঅফসেট। পরিবেশগত অফসেট মালিকানার আধুনিকীকরণ। এখানে প্রবেশ করুন.
• উত্স: https://physicsworld.com/a/from-bottom-up-to-top-down-computational-scientist-amanda-barnard-on-the-beauty-of-simulations-machine-learning-and-how-the-two-intersect/