গবেষকরা মেশিন লার্নিংয়ের আরও নমনীয় পদ্ধতি আবিষ্কার করেন

কৃত্রিম বুদ্ধিমত্তা গবেষকরা সাফল্যের একটি স্ট্রিং উদযাপন করেছেন নিউরাল নেটওয়ার্ক, কম্পিউটার প্রোগ্রাম যা মোটামুটিভাবে অনুকরণ করে যে কীভাবে আমাদের মস্তিষ্ক সংগঠিত হয়। কিন্তু দ্রুত অগ্রগতি সত্ত্বেও, নিউরাল নেটওয়ার্কগুলি তুলনামূলকভাবে অনমনীয় থাকে, উড়ে যাওয়ার সময় পরিবর্তন করার বা অপরিচিত পরিস্থিতিতে সামঞ্জস্য করার সামান্য ক্ষমতা সহ।

2020 সালে, ম্যাসাচুসেটস ইনস্টিটিউট অফ টেকনোলজির দুই গবেষক একটি দলকে নেতৃত্ব দিয়েছিলেন একটি নতুন ধরনের নিউরাল নেটওয়ার্ক বাস্তব জীবনের বুদ্ধিমত্তার উপর ভিত্তি করে - কিন্তু আমাদের নিজস্ব নয়। পরিবর্তে, তারা ক্ষুদ্র রাউন্ডওয়ার্ম থেকে অনুপ্রেরণা নিয়েছিল, Caenorhabditis elegans, তারা যাকে তরল নিউরাল নেটওয়ার্ক বলে তা উৎপাদন করতে। গত বছরের একটি অগ্রগতির পরে, অভিনব নেটওয়ার্কগুলি এখন নির্দিষ্ট অ্যাপ্লিকেশনের জন্য তাদের ঐতিহ্যবাহী অংশগুলির প্রতিস্থাপন করার জন্য যথেষ্ট বহুমুখী হতে পারে।

তরল নিউরাল নেটওয়ার্কগুলি "একটি মার্জিত এবং কমপ্যাক্ট বিকল্প" অফার করে কেন গোল্ডবার্গ, ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়ের একজন রোবোটিস্ট, বার্কলে। তিনি যোগ করেছেন যে পরীক্ষাগুলি ইতিমধ্যেই দেখাচ্ছে যে এই নেটওয়ার্কগুলি অন্যান্য তথাকথিত অবিচ্ছিন্ন-সময়ের নিউরাল নেটওয়ার্কগুলির তুলনায় দ্রুত এবং আরও সঠিকভাবে চলতে পারে, কোন মডেল সিস্টেমগুলি সময়ের সাথে পরিবর্তিত হয়।

রামিন হাসানী এবং ম্যাথিয়াস লেচনার, নতুন নকশা পিছনে চালিকা শক্তি, যে বছর আগে উপলব্ধি সি। Elegans কীভাবে স্থিতিস্থাপক নিউরাল নেটওয়ার্ক তৈরি করা যায় যা চমককে মিটমাট করতে পারে তা বের করার জন্য ব্যবহার করার জন্য একটি আদর্শ জীব হতে পারে। মিলিমিটার-লম্বা নীচের ফিডারটি সম্পূর্ণরূপে ম্যাপ-আউট স্নায়ুতন্ত্রের সাথে কয়েকটি প্রাণীর মধ্যে রয়েছে এবং এটি বিভিন্ন ধরণের উন্নত আচরণ করতে সক্ষম: নড়াচড়া করা, খাবার সন্ধান করা, ঘুমানো, সঙ্গম করা এবং এমনকি অভিজ্ঞতা থেকে শেখা। "এটি বাস্তব জগতে বাস করে, যেখানে পরিবর্তন সর্বদা ঘটছে, এবং এটি নিক্ষিপ্ত প্রায় যেকোনো অবস্থার অধীনে ভাল পারফর্ম করতে পারে," লেচনার বলেছিলেন।

নিচু কৃমির প্রতি শ্রদ্ধা তাকে এবং হাসানীকে তাদের নতুন তরল নেটওয়ার্কে নিয়ে যায়, যেখানে প্রতিটি নিউরন একটি সমীকরণ দ্বারা নিয়ন্ত্রিত হয় যা সময়ের সাথে সাথে তার আচরণের পূর্বাভাস দেয়। এবং ঠিক যেমন নিউরন একে অপরের সাথে যুক্ত, এই সমীকরণগুলি একে অপরের উপর নির্ভর করে। নেটওয়ার্কটি মূলত সংযুক্ত সমীকরণের এই সম্পূর্ণ সমাহারকে সমাধান করে, এটি যেকোন মুহূর্তে সিস্টেমের অবস্থাকে চিহ্নিত করার অনুমতি দেয় - প্রথাগত নিউরাল নেটওয়ার্ক থেকে প্রস্থান, যা শুধুমাত্র নির্দিষ্ট মুহুর্তে ফলাফল দেয়।

"[তারা] শুধুমাত্র এক, দুই বা তিন সেকেন্ডে কী ঘটছে তা আপনাকে বলতে পারে," লেচনার বলেছিলেন। "কিন্তু আমাদের মতো একটা ক্রমাগত-সময়ের মডেল 0.53 সেকেন্ড বা 2.14 সেকেন্ডে বা অন্য যেকোন সময় বাছাই করে কী ঘটছে তা বর্ণনা করতে পারে।"

তরল নেটওয়ার্কগুলি কৃত্রিম নিউরনের মধ্যে সংযোগ, সিন্যাপসেসের চিকিত্সার ক্ষেত্রেও ভিন্ন। একটি স্ট্যান্ডার্ড নিউরাল নেটওয়ার্কে এই সংযোগগুলির শক্তি একটি একক সংখ্যা দ্বারা প্রকাশ করা যেতে পারে, এর ওজন। তরল নেটওয়ার্কে, নিউরনের মধ্যে সংকেত বিনিময় একটি "অরৈখিক" ফাংশন দ্বারা নিয়ন্ত্রিত একটি সম্ভাব্য প্রক্রিয়া, যার অর্থ ইনপুটগুলির প্রতিক্রিয়া সবসময় সমানুপাতিক হয় না। ইনপুটের দ্বিগুণ, উদাহরণস্বরূপ, আউটপুটে অনেক বড় বা ছোট পরিবর্তন হতে পারে। এই অন্তর্নির্মিত পরিবর্তনশীলতার কারণেই নেটওয়ার্কগুলিকে "তরল" বলা হয়। একটি নিউরন যেভাবে প্রতিক্রিয়া দেখায় তা তার প্রাপ্ত ইনপুটের উপর নির্ভর করে পরিবর্তিত হতে পারে।

প্রথাগত নেটওয়ার্কগুলির কেন্দ্রস্থলে অ্যালগরিদমগুলি প্রশিক্ষণের সময় সেট করা হয়, যখন এই সিস্টেমগুলিকে তাদের ওজনের জন্য সর্বোত্তম মানগুলি ক্যালিব্রেট করার জন্য ডেটার রিম খাওয়ানো হয়, তরল নিউরাল নেটগুলি আরও মানিয়ে নেওয়া যায়। "তারা যে ইনপুট পর্যবেক্ষণ করে তার উপর ভিত্তি করে তারা তাদের অন্তর্নিহিত সমীকরণগুলি পরিবর্তন করতে সক্ষম হয়," বিশেষভাবে পরিবর্তন করে কত দ্রুত নিউরন প্রতিক্রিয়া জানায়, বলেন ড্যানিয়েলা রসএমআইটির কম্পিউটার সায়েন্স অ্যান্ড আর্টিফিশিয়াল ইন্টেলিজেন্স ল্যাবরেটরির পরিচালক ড.

এই ক্ষমতা প্রদর্শনের জন্য একটি প্রাথমিক পরীক্ষায় একটি স্বায়ত্তশাসিত গাড়ি চালানোর প্রচেষ্টা জড়িত। একটি প্রচলিত নিউরাল নেটওয়ার্ক শুধুমাত্র নির্দিষ্ট বিরতিতে গাড়ির ক্যামেরা থেকে ভিজ্যুয়াল ডেটা বিশ্লেষণ করতে পারে। তরল নেটওয়ার্ক - 19টি নিউরন এবং 253টি সিন্যাপ্স সমন্বিত (মেশিন লার্নিংয়ের মান অনুসারে এটিকে ছোট করে তোলে) - হতে পারে অনেক বেশি প্রতিক্রিয়াশীল. "আমাদের মডেলটি আরও ঘন ঘন নমুনা করতে পারে, উদাহরণস্বরূপ যখন রাস্তাটি বাঁকানো হয়," রস বলেছেন, এটির সহ-লেখক এবং তরল নেটওয়ার্কের অন্যান্য কয়েকটি কাগজপত্র।

মডেলটি সফলভাবে গাড়িটিকে ট্র্যাকে রেখেছিল, তবে এটির একটি ত্রুটি ছিল, লেচনার বলেছিলেন: "এটি সত্যিই ধীর ছিল।" সমস্যাটি সিন্যাপ্স এবং নিউরনের প্রতিনিধিত্বকারী অরৈখিক সমীকরণ থেকে উদ্ভূত হয়েছিল — এমন সমীকরণ যা সাধারণত একটি কম্পিউটারে বারবার গণনা ছাড়া সমাধান করা যায় না, যা শেষ পর্যন্ত সমাধানে রূপান্তরিত হওয়ার আগে একাধিক পুনরাবৃত্তির মধ্য দিয়ে যায়। এই কাজটি সাধারণত সোলভার নামে ডেডিকেটেড সফ্টওয়্যার প্যাকেজগুলিতে অর্পণ করা হয়, যা প্রতিটি সিন্যাপস এবং নিউরনে আলাদাভাবে প্রয়োগ করতে হবে।

একটি ইন গত বছরের কাগজ, দলটি একটি নতুন তরল নিউরাল নেটওয়ার্ক প্রকাশ করেছে যা সেই বাধাকে ঘিরে ফেলেছে। এই নেটওয়ার্কটি একই ধরণের সমীকরণের উপর নির্ভর করেছিল, কিন্তু মূল অগ্রগতি ছিল হাসানির একটি আবিষ্কার যে এই সমীকরণগুলিকে কঠিন কম্পিউটার গণনার মাধ্যমে সমাধান করার প্রয়োজন নেই। পরিবর্তে, নেটওয়ার্কটি প্রায় সঠিক, বা "বন্ধ-ফর্ম" সমাধান ব্যবহার করে কাজ করতে পারে যা নীতিগতভাবে, পেন্সিল এবং কাগজ দিয়ে কাজ করা যেতে পারে। সাধারণত, এই অরৈখিক সমীকরণগুলির ক্লোজ-ফর্ম সমাধান থাকে না, তবে হাসানি একটি আনুমানিক সমাধানের উপর আঘাত করেছিল যা ব্যবহার করার জন্য যথেষ্ট ভাল ছিল।

"একটি বন্ধ-ফর্ম সমাধান থাকার অর্থ হল আপনার কাছে একটি সমীকরণ রয়েছে যার জন্য আপনি এর পরামিতিগুলির মানগুলি প্লাগ করতে পারেন এবং মৌলিক গণিত করতে পারেন এবং আপনি একটি উত্তর পাবেন," রাস বলেছিলেন। "আপনি একটি একক শটে একটি উত্তর পাবেন," বরং এটি যথেষ্ট কাছাকাছি সিদ্ধান্ত না হওয়া পর্যন্ত একটি কম্পিউটার পিষে দূরে না দিয়ে. এটি গণনাগত সময় এবং শক্তিকে হ্রাস করে, প্রক্রিয়াটিকে যথেষ্ট গতি দেয়।

"তাদের পদ্ধতিটি নির্ভুলতা বিসর্জন ছাড়াই বিভিন্ন মাত্রার প্রতিযোগিতাকে পরাজিত করছে," বলেছেন সায়ান মিত্র, ইউনিভার্সিটি অফ ইলিনয়, আরবানা-চ্যাম্পেইনের একজন কম্পিউটার বিজ্ঞানী।

দ্রুততর হওয়ার পাশাপাশি, হাসানি বলেছেন, তাদের নতুন নেটওয়ার্কগুলিও অস্বাভাবিকভাবে স্থিতিশীল, যার অর্থ সিস্টেমটি বিপর্যস্ত না হয়ে প্রচুর ইনপুট পরিচালনা করতে পারে। "এখানে প্রধান অবদান হল যে স্থিতিশীলতা এবং অন্যান্য চমৎকার বৈশিষ্ট্যগুলি তাদের নিছক গঠন দ্বারা এই সিস্টেমগুলিতে বেক করা হয়," বলেন শ্রীরাম শঙ্করনারায়ণন, কলোরাডো বিশ্ববিদ্যালয়ের একজন কম্পিউটার বিজ্ঞানী, বোল্ডার। লিকুইড নেটওয়ার্কগুলিকে তিনি "সুইট স্পট" বলে অভিহিত করেছেন বলে মনে হচ্ছে: তারা আকর্ষণীয় জিনিসগুলি ঘটতে দেওয়ার জন্য যথেষ্ট জটিল, তবে বিশৃঙ্খল আচরণের দিকে পরিচালিত করার মতো জটিল নয়৷

এই মুহুর্তে, এমআইটি গ্রুপ একটি স্বায়ত্তশাসিত এরিয়াল ড্রোনের উপর তাদের সর্বশেষ নেটওয়ার্ক পরীক্ষা করছে। যদিও ড্রোনটিকে একটি বনে নেভিগেট করার প্রশিক্ষণ দেওয়া হয়েছিল, তারা এটিকে কেমব্রিজের শহুরে পরিবেশে স্থানান্তরিত করেছে যাতে এটি কীভাবে অভিনব পরিস্থিতি পরিচালনা করে। লেচনার প্রাথমিক ফলাফলকে উৎসাহব্যঞ্জক বলেছেন।

বর্তমান মডেলকে পরিমার্জন করার পাশাপাশি, দলটি তাদের নেটওয়ার্কের আর্কিটেকচার উন্নত করার জন্যও কাজ করছে। পরবর্তী পদক্ষেপ, লেচনার বলেন, "প্রদত্ত কাজটি সম্পাদন করার জন্য আমাদের আসলে কতগুলি বা কত কম নিউরন প্রয়োজন তা নির্ধারণ করা।" গোষ্ঠীটি নিউরন সংযোগের একটি সর্বোত্তম উপায় তৈরি করতে চায়। বর্তমানে, প্রতিটি নিউরন অন্য প্রতিটি নিউরনের সাথে লিঙ্ক করে, তবে এটি কীভাবে কাজ করে তা নয় সি। Elegans, যেখানে সিনাপটিক সংযোগগুলি আরও নির্বাচনী। রাউন্ডওয়ার্মের ওয়্যারিং সিস্টেমের আরও অধ্যয়নের মাধ্যমে, তারা তাদের সিস্টেমের কোন নিউরনগুলিকে একত্রিত করা উচিত তা নির্ধারণ করতে আশা করে।

স্বায়ত্তশাসিত ড্রাইভিং এবং ফ্লাইটের মতো অ্যাপ্লিকেশনগুলি ছাড়াও, তরল নেটওয়ার্কগুলি বৈদ্যুতিক পাওয়ার গ্রিড, আর্থিক লেনদেন, আবহাওয়া এবং সময়ের সাথে ওঠানামা করে এমন অন্যান্য ঘটনাগুলির বিশ্লেষণের জন্য উপযুক্ত বলে মনে হয়। এছাড়াও, হাসানি বলেন, তরল নেটওয়ার্কের সর্বশেষ সংস্করণ ব্যবহার করা যেতে পারে "মস্তিষ্কের কার্যকলাপের সিমুলেশনগুলি এমন স্কেলে সঞ্চালনের জন্য যা আগে উপলব্ধি করা যায়নি।"

মিত্রা এই সম্ভাবনায় বিশেষভাবে আগ্রহী। "একভাবে, এটি কাব্যিক ধরনের, যা দেখায় যে এই গবেষণাটি সম্পূর্ণ বৃত্তে আসতে পারে," তিনি বলেছিলেন। "নিউরাল নেটওয়ার্কগুলি এমনভাবে বিকশিত হচ্ছে যে আমরা প্রকৃতি থেকে যে ধারণাগুলি নিয়েছি তা শীঘ্রই আমাদের প্রকৃতিকে আরও ভালভাবে বুঝতে সাহায্য করতে পারে।"