शोधकर्ताओं ने मशीन लर्निंग के लिए अधिक लचीले दृष्टिकोण की खोज की

आर्टिफिशियल इंटेलिजेंस शोधकर्ताओं ने सफलताओं की एक कड़ी का जश्न मनाया है तंत्रिका जाल, कंप्यूटर प्रोग्राम जो मोटे तौर पर नकल करते हैं कि हमारे दिमाग कैसे व्यवस्थित होते हैं। लेकिन तेजी से प्रगति के बावजूद, तंत्रिका नेटवर्क अपेक्षाकृत अनम्य रहते हैं, जिसमें फ्लाई पर बदलने या अपरिचित परिस्थितियों में समायोजित करने की क्षमता कम होती है।

2020 में, मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के दो शोधकर्ताओं ने एक टीम का नेतृत्व किया जिसने पेश किया एक नए प्रकार का तंत्रिका नेटवर्क वास्तविक जीवन की बुद्धिमत्ता पर आधारित - लेकिन हमारी अपनी नहीं। इसके बजाय, उन्होंने छोटे गोलकृमि से प्रेरणा ली, Caenorhabditis एलिगेंस, जिसे वे तरल तंत्रिका नेटवर्क कहते हैं, का उत्पादन करने के लिए। पिछले साल एक सफलता के बाद, उपन्यास नेटवर्क अब कुछ अनुप्रयोगों के लिए अपने पारंपरिक समकक्षों को बदलने के लिए पर्याप्त रूप से बहुमुखी हो सकते हैं।

तरल तंत्रिका नेटवर्क "एक सुरुचिपूर्ण और कॉम्पैक्ट विकल्प" प्रदान करते हैं केन गोल्डबर्ग, कैलिफोर्निया विश्वविद्यालय, बर्कले में एक रोबोटिस्ट। उन्होंने कहा कि प्रयोग पहले से ही दिखा रहे हैं कि ये नेटवर्क अन्य तथाकथित निरंतर-समय के तंत्रिका नेटवर्क की तुलना में तेजी से और अधिक सटीक रूप से चल सकते हैं, जो मॉडल सिस्टम समय के साथ बदलते हैं।

रामिन हसनी और मथियास लेचनर, नए डिजाइन के पीछे ड्राइविंग बल, वर्षों पहले महसूस किया सी एलिगेंस लचीला तंत्रिका नेटवर्क बनाने के तरीके का पता लगाने के लिए उपयोग करने के लिए एक आदर्श जीव हो सकता है जो आश्चर्य को समायोजित कर सके। मिलीमीटर-लंबा निचला फीडर पूरी तरह से मैप-आउट तंत्रिका तंत्र वाले कुछ प्राणियों में से है, और यह उन्नत व्यवहारों की एक श्रृंखला में सक्षम है: हिलना, भोजन खोजना, सोना, संभोग करना और यहां तक ​​कि अनुभव से सीखना। "यह वास्तविक दुनिया में रहता है, जहां परिवर्तन हमेशा हो रहा है, और यह लगभग किसी भी परिस्थिति में अच्छा प्रदर्शन कर सकता है," लेचनर ने कहा।

नीच कृमि के प्रति सम्मान ने उन्हें और हसनी को उनके नए तरल नेटवर्क तक पहुँचाया, जहाँ प्रत्येक न्यूरॉन एक समीकरण द्वारा शासित होता है जो समय के साथ उसके व्यवहार की भविष्यवाणी करता है। और जिस तरह न्यूरॉन्स एक दूसरे से जुड़े होते हैं, ये समीकरण एक दूसरे पर निर्भर करते हैं। नेटवर्क अनिवार्य रूप से लिंक किए गए समीकरणों के इस पूरे समूह को हल करता है, जिससे यह किसी भी समय सिस्टम की स्थिति को चिह्नित करने की अनुमति देता है - पारंपरिक तंत्रिका नेटवर्क से प्रस्थान, जो केवल समय पर विशेष क्षणों में परिणाम देता है।

"[वे] आपको केवल एक, दो या तीन सेकंड में बता सकते हैं कि क्या हो रहा है," लेचनर ने कहा। "लेकिन हमारे जैसा एक निरंतर-समय का मॉडल यह बता सकता है कि 0.53 सेकंड या 2.14 सेकंड या आपके द्वारा चुने गए किसी अन्य समय पर क्या हो रहा है।"

तरल नेटवर्क इस बात में भी भिन्न होते हैं कि वे सिनैप्स, कृत्रिम न्यूरॉन्स के बीच के संबंध का इलाज कैसे करते हैं। एक मानक तंत्रिका नेटवर्क में उन कनेक्शनों की ताकत को एक संख्या, उसके वजन द्वारा व्यक्त किया जा सकता है। तरल नेटवर्क में, न्यूरॉन्स के बीच संकेतों का आदान-प्रदान एक "नॉनलाइनियर" फ़ंक्शन द्वारा नियंत्रित एक संभाव्य प्रक्रिया है, जिसका अर्थ है कि इनपुट की प्रतिक्रियाएं हमेशा आनुपातिक नहीं होती हैं। उदाहरण के लिए, इनपुट को दोगुना करने से आउटपुट में बहुत बड़ा या छोटा बदलाव हो सकता है। इस अंतर्निहित परिवर्तनशीलता के कारण नेटवर्क को "लिक्विड" कहा जाता है। जिस तरह से एक न्यूरॉन प्रतिक्रिया करता है वह प्राप्त इनपुट के आधार पर भिन्न हो सकता है।

जबकि पारंपरिक नेटवर्क के केंद्र में एल्गोरिदम प्रशिक्षण के दौरान सेट किए जाते हैं, जब इन प्रणालियों को उनके वजन के सर्वोत्तम मूल्यों को जांचने के लिए डेटा के रीम्स खिलाए जाते हैं, तो तरल तंत्रिका जाल अधिक अनुकूलनीय होते हैं। "वे अपने द्वारा देखे गए इनपुट के आधार पर अपने अंतर्निहित समीकरणों को बदलने में सक्षम हैं," विशेष रूप से बदलते हुए कि न्यूरॉन्स कितनी जल्दी प्रतिक्रिया करते हैं, कहा डेनिएला रस, MIT के कंप्यूटर साइंस और आर्टिफिशियल इंटेलिजेंस लेबोरेटरी के निदेशक।

इस क्षमता को प्रदर्शित करने के लिए एक प्रारंभिक परीक्षण में एक स्वायत्त कार चलाने का प्रयास शामिल था। एक पारंपरिक तंत्रिका नेटवर्क निश्चित अंतराल पर कार के कैमरे से केवल दृश्य डेटा का विश्लेषण कर सकता है। तरल नेटवर्क - जिसमें 19 न्यूरॉन्स और 253 सिनैप्स शामिल हैं (मशीन लर्निंग के मानकों के हिसाब से यह बहुत छोटा है) - हो सकता है बहुत अधिक उत्तरदायी. "हमारा मॉडल अधिक बार नमूना ले सकता है, उदाहरण के लिए जब सड़क मुड़ जाती है," इस के सह-लेखक रस और तरल नेटवर्क पर कई अन्य कागजात ने कहा।

मॉडल ने कार को सफलतापूर्वक ट्रैक पर रखा, लेकिन इसमें एक दोष था, लेचनर ने कहा: "यह वास्तव में धीमा था।" सिनैप्स और न्यूरॉन्स का प्रतिनिधित्व करने वाले गैर-रैखिक समीकरणों से उपजी समस्या - ऐसे समीकरण जिन्हें आमतौर पर कंप्यूटर पर बार-बार गणना किए बिना हल नहीं किया जा सकता है, जो अंततः एक समाधान में परिवर्तित होने से पहले कई पुनरावृत्तियों से गुजरता है। यह कार्य विशेष रूप से सॉल्वर नामक समर्पित सॉफ़्टवेयर पैकेजों को सौंपा जाता है, जिसे प्रत्येक सिनैप्स और न्यूरॉन पर अलग से लागू करने की आवश्यकता होगी।

में पिछले साल पेपर, टीम ने एक नए तरल तंत्रिका नेटवर्क का खुलासा किया जो उस बाधा के आसपास हो गया। यह नेटवर्क एक ही प्रकार के समीकरणों पर निर्भर था, लेकिन प्रमुख प्रगति हसनी की एक खोज थी कि इन समीकरणों को कठिन कंप्यूटर गणनाओं के माध्यम से हल करने की आवश्यकता नहीं थी। इसके बजाय, नेटवर्क लगभग सटीक, या "क्लोज्ड-फॉर्म" समाधान का उपयोग करके कार्य कर सकता है, जिसे सिद्धांत रूप में, पेंसिल और कागज के साथ काम किया जा सकता है। विशिष्ट रूप से, इन अरैखिक समीकरणों में बंद-रूप समाधान नहीं होते हैं, लेकिन हसनी ने एक अनुमानित समाधान पर प्रहार किया जो उपयोग करने के लिए काफी अच्छा था।

रस ने कहा, "एक बंद-रूप समाधान होने का मतलब है कि आपके पास एक समीकरण है जिसके लिए आप इसके मापदंडों के मूल्यों में प्लग कर सकते हैं और बुनियादी गणित कर सकते हैं, और आपको एक उत्तर मिलता है।" "आपको एक ही शॉट में उत्तर मिल जाता है," कंप्यूटर को तब तक पीसने देने के बजाय जब तक यह तय नहीं हो जाता कि यह काफी करीब है। यह कम्प्यूटेशनल समय और ऊर्जा में कटौती करता है, प्रक्रिया को काफी तेज करता है।

"उनकी पद्धति सटीकता का त्याग किए बिना परिमाण के कई आदेशों से प्रतियोगिता को हरा रही है," कहा सयान मित्राइलिनोइस विश्वविद्यालय, उरबाना-शैंपेन में एक कंप्यूटर वैज्ञानिक।

तेज़ होने के साथ-साथ, हसनी ने कहा, उनके नवीनतम नेटवर्क भी असामान्य रूप से स्थिर हैं, जिसका अर्थ है कि सिस्टम बिना गड़बड़ी के भारी इनपुट को संभाल सकता है। "यहाँ मुख्य योगदान यह है कि स्थिरता और अन्य अच्छे गुणों को इन प्रणालियों में उनकी सरासर संरचना द्वारा बेक किया जाता है," कहा श्रीराम शंकरनारायणन, कोलोराडो विश्वविद्यालय, बोल्डर में एक कंप्यूटर वैज्ञानिक। ऐसा प्रतीत होता है कि तरल नेटवर्क "द स्वीट स्पॉट" में काम करते हैं: वे दिलचस्प चीजों को होने देने के लिए पर्याप्त जटिल हैं, लेकिन अराजक व्यवहार के लिए इतने जटिल नहीं हैं।

फिलहाल, एमआईटी समूह एक स्वायत्त हवाई ड्रोन पर अपने नवीनतम नेटवर्क का परीक्षण कर रहा है। हालाँकि ड्रोन को एक जंगल में नेविगेट करने के लिए प्रशिक्षित किया गया था, लेकिन उन्होंने इसे कैम्ब्रिज के शहरी वातावरण में यह देखने के लिए स्थानांतरित कर दिया कि यह नई स्थितियों को कैसे संभालता है। लेचनर ने प्रारंभिक परिणामों को उत्साहजनक बताया।

मौजूदा मॉडल को बेहतर बनाने के अलावा, टीम अपने नेटवर्क के आर्किटेक्चर को बेहतर बनाने के लिए भी काम कर रही है। अगला कदम, लेचनर ने कहा, "यह पता लगाना है कि कितने या कितने न्यूरॉन्स हमें वास्तव में दिए गए कार्य को करने की आवश्यकता है।" समूह न्यूरॉन्स को जोड़ने का एक इष्टतम तरीका भी तैयार करना चाहता है। वर्तमान में, हर न्यूरॉन हर दूसरे न्यूरॉन से जुड़ता है, लेकिन यह इस तरह से काम नहीं करता है सी एलिगेंस, जहां सिनैप्टिक कनेक्शन अधिक चयनात्मक होते हैं। राउंडवॉर्म के वायरिंग सिस्टम के आगे के अध्ययन के माध्यम से, वे यह निर्धारित करने की उम्मीद करते हैं कि उनके सिस्टम में कौन से न्यूरॉन एक साथ जोड़े जाने चाहिए।

स्वायत्त ड्राइविंग और उड़ान जैसे अनुप्रयोगों के अलावा, तरल नेटवर्क इलेक्ट्रिक पावर ग्रिड, वित्तीय लेनदेन, मौसम और समय के साथ उतार-चढ़ाव वाली अन्य घटनाओं के विश्लेषण के लिए उपयुक्त प्रतीत होते हैं। इसके अलावा, हसनी ने कहा, तरल नेटवर्क के नवीनतम संस्करण का उपयोग "मस्तिष्क गतिविधि सिमुलेशन को उस पैमाने पर करने के लिए किया जा सकता है जो पहले नहीं किया जा सकता था।"

मित्रा इस संभावना से विशेष रूप से चिंतित हैं। "एक तरह से, यह काव्यात्मक है, यह दर्शाता है कि यह शोध पूर्ण चक्र में आ सकता है," उन्होंने कहा। "तंत्रिका नेटवर्क इस हद तक विकसित हो रहे हैं कि जिन विचारों को हमने प्रकृति से लिया है, वे जल्द ही हमें प्रकृति को बेहतर ढंग से समझने में मदद कर सकते हैं।"