موسم جیسے پیچیدہ نظاموں کی پیشن گوئی کرنا بہت مشکل ہے۔ لیکن کم از کم موسم کی حکمرانی کی مساوات ایک دن سے دوسرے دن میں تبدیل نہیں ہوتی ہیں۔ اس کے برعکس، بعض پیچیدہ نظام "ٹپنگ پوائنٹ" کی منتقلی سے گزر سکتے ہیں، اچانک اپنے طرز عمل کو ڈرامائی طور پر اور شاید ناقابل واپسی طور پر تبدیل کر سکتے ہیں، جس میں بہت کم انتباہ اور ممکنہ طور پر تباہ کن نتائج ہوتے ہیں۔
کافی طویل اوقات میں، زیادہ تر حقیقی دنیا کے نظام اس طرح کے ہوتے ہیں۔ شمالی بحر اوقیانوس میں خلیج کی ندی پر غور کریں، جو سمندری کنویئر بیلٹ کے حصے کے طور پر گرم استوائی پانی کو شمال کی طرف منتقل کرتی ہے جو زمین کی آب و ہوا کو منظم کرنے میں مدد کرتی ہے۔ ان گردشی دھاروں کو بیان کرنے والی مساواتیں پگھلنے والی برف کی چادروں سے تازہ پانی کی آمد کی وجہ سے آہستہ آہستہ تبدیل ہو رہی ہیں۔ اب تک گردش بتدریج کم ہوئی ہے، لیکن اب سے کئی دہائیوں بعد یہ اچانک پیس کر رک سکتی ہے۔
"فرض کریں کہ اب سب کچھ ٹھیک ہے،" کہا ینگ چینگ لائی۔ایریزونا اسٹیٹ یونیورسٹی میں ماہر طبیعیات۔ "آپ کیسے بتائیں گے کہ یہ مستقبل میں ٹھیک نہیں ہو گا؟"
حالیہ مقالوں کی ایک سیریز میں، محققین نے دکھایا ہے کہ مشین لرننگ الگورتھم اس طرح کے "نان سٹیشنری" سسٹمز کے آثار قدیمہ کی مثالوں میں ٹپنگ پوائنٹ ٹرانزیشن کی پیشین گوئی کر سکتے ہیں، نیز ان کے ٹپ کرنے کے بعد ان کے رویے کی خصوصیات۔ حیرت انگیز طور پر طاقتور نئی تکنیکیں ایک دن موسمیاتی سائنس میں ایپلی کیشنز تلاش کر سکتی ہیں، ماحولیات، وبائی امراض اور بہت سے دوسرے شعبے۔
اس مسئلے میں دلچسپی کا اضافہ چار سال پہلے شروع ہوا۔ اہم نتائج کے گروپ سے ایڈورڈ اوٹ، یونیورسٹی آف میری لینڈ میں افراتفری کے ایک سرکردہ محقق۔ اوٹ کی ٹیم نے پایا کہ مشین لرننگ الگورتھم کی ایک قسم جسے بار بار چلنے والا نیورل نیٹ ورک کہا جاتا ہے جو مستقبل میں بہت دور تک اسٹیشنری افراتفری والے نظاموں (جن میں ٹپنگ پوائنٹس نہیں ہوتے) کے ارتقاء کی پیش گوئی کی جا سکتی ہے۔ نیٹ ورک نے صرف افراتفری والے نظام کے ماضی کے رویے کے ریکارڈ پر انحصار کیا - اس کے پاس بنیادی مساوات کے بارے میں کوئی معلومات نہیں تھی۔
نیٹ ورک کا سیکھنے کا طریقہ گہرے نیورل نیٹ ورکس سے مختلف تھا، جو کہ تقریر کی شناخت اور قدرتی زبان کی پروسیسنگ جیسے کاموں کے لیے مصنوعی نیوران کی تہوں کے لمبے ڈھیر کے ذریعے ڈیٹا کو فیڈ کرتے ہیں۔ تمام عصبی نیٹ ورکس تربیتی ڈیٹا کے جواب میں اپنے نیوران کے درمیان رابطوں کی طاقت کو ایڈجسٹ کرکے سیکھتے ہیں۔ اوٹ اور اس کے ساتھیوں نے کم کمپیوٹیشنل طور پر مہنگا تربیتی طریقہ استعمال کیا جسے ریزروائر کمپیوٹنگ کہا جاتا ہے، جو مصنوعی نیوران کی ایک پرت میں صرف چند کنکشن کو ایڈجسٹ کرتا ہے۔ اس کی سادگی کے باوجود، ریزروائر کمپیوٹنگ افراتفری کے ارتقاء کی پیشین گوئی کے کام کے لیے موزوں معلوم ہوتی ہے۔
جیسا کہ 2018 کے نتائج متاثر کن تھے، محققین نے شبہ ظاہر کیا کہ مشین لرننگ کا ڈیٹا پر مبنی نقطہ نظر نان سٹیشنری سسٹمز میں ٹپنگ پوائنٹ ٹرانزیشن کی پیشین گوئی نہیں کر سکے گا یا یہ اندازہ نہیں لگا سکے گا کہ یہ سسٹم بعد میں کیسا برتاؤ کریں گے۔ ایک اعصابی نیٹ ورک ایک ارتقا پذیر نظام کے بارے میں ماضی کے اعداد و شمار پر تربیت دیتا ہے، لیکن "مستقبل میں جو کچھ ہو رہا ہے وہ مختلف اصولوں سے تیار ہو رہا ہے،" اوٹ نے کہا۔ یہ ایک بیس بال کے کھیل کے نتائج کی پیشن گوئی کرنے کی کوشش کرنے کے مترادف ہے صرف یہ جاننے کے لیے کہ اسے کرکٹ میچ میں تبدیل کر دیا گیا ہے۔
اور پھر بھی، پچھلے دو سالوں میں، اوٹ کے گروپ اور کئی دوسرے لوگوں نے یہ ظاہر کیا ہے کہ ریزروائر کمپیوٹنگ ان سسٹمز کے لیے بھی غیر متوقع طور پر اچھی طرح سے کام کرتی ہے۔
In ایک 2021 کاغذ, Lai اور ساتھیوں نے اپنے ریزروائر کمپیوٹنگ الگورتھم کو ایک پیرامیٹر کی آہستہ آہستہ بہتی ہوئی قدر تک رسائی دی جو بالآخر ایک ٹپنگ پوائنٹ پر ایک ماڈل سسٹم بھیجے گی — لیکن انہوں نے سسٹم کی گورننگ مساوات کے بارے میں کوئی اور معلومات فراہم نہیں کیں۔ یہ صورتحال متعدد حقیقی دنیا کے منظرناموں سے متعلق ہے: ہم جانتے ہیں کہ ماحول میں کاربن ڈائی آکسائیڈ کا ارتکاز کس طرح بڑھ رہا ہے، مثال کے طور پر، لیکن ہم ان تمام طریقوں کو نہیں جانتے جن سے یہ تغیر آب و ہوا کو متاثر کرے گا۔ ٹیم نے پایا کہ ماضی کے اعداد و شمار پر تربیت یافتہ اعصابی نیٹ ورک اس قدر کی پیش گوئی کر سکتا ہے جس پر نظام آخر کار غیر مستحکم ہو جائے گا۔ اوٹ کا گروپ شائع ہوا۔ متعلقہ نتائج گزشتہ سال.
ایک نیا کاغذ، جولائی میں آن لائن پوسٹ کیا گیا تھا اور اب ہم مرتبہ جائزہ لے رہے ہیں، اوٹ اور اس کا گریجویٹ طالب علم دھرویت پٹیل عصبی نیٹ ورکس کی پیشن گوئی کی طاقت کو دریافت کیا جو صرف ایک سسٹم کا رویہ دیکھتے ہیں اور ٹپنگ پوائنٹ کی منتقلی کو چلانے کے لیے ذمہ دار بنیادی پیرامیٹر کے بارے میں کچھ نہیں جانتے ہیں۔ انہوں نے اپنے عصبی نیٹ ورک کے ڈیٹا کو نقلی نظام میں ریکارڈ کیا جب کہ پوشیدہ پیرامیٹر بہہ رہا تھا، نیٹ ورک سے ناواقف تھا۔ قابل ذکر بات یہ ہے کہ بہت سے معاملات میں الگورتھم دونوں ٹپنگ کے آغاز کی پیشین گوئی کر سکتا ہے اور ممکنہ پوسٹ ٹِپنگ پوائنٹ طرز عمل کی ممکنہ تقسیم فراہم کر سکتا ہے۔
حیرت انگیز طور پر، شور مچانے والے ڈیٹا پر تربیت حاصل کرنے پر نیٹ ورک نے بہترین کارکردگی کا مظاہرہ کیا۔ شور حقیقی دنیا کے نظاموں میں ہر جگہ موجود ہے، لیکن یہ عام طور پر پیشین گوئی میں رکاوٹ ہے۔ یہاں اس نے بظاہر الگورتھم کو سسٹم کے ممکنہ رویے کی وسیع رینج کے سامنے لا کر مدد کی۔ اس متضاد نتیجہ سے فائدہ اٹھانے کے لیے، پٹیل اور اوٹ نے اپنے ریزروائر کمپیوٹنگ کے طریقہ کار کو موافق بنایا تاکہ نیورل نیٹ ورک کو شور اور نظام کے اوسط رویے کو پہچان سکے۔ "یہ کسی بھی نقطہ نظر کے لئے اہم ہو گا جو ایکسٹراپولیٹ کرنے کی کوشش کر رہا ہے" نان سٹیشنری سسٹمز کے رویے، نے کہا مائیکل گراہم۔، یونیورسٹی آف وسکونسن، میڈیسن میں ایک سیال متحرک ماہر۔
پٹیل اور اوٹ نے ٹپنگ پوائنٹس کی ایک کلاس پر بھی غور کیا جو رویے میں خاص طور پر واضح تبدیلی کی نشاندہی کرتے ہیں۔
فرض کریں کہ کسی نظام کی حالت کو اس کی تمام ممکنہ حالتوں کے ایک تجریدی جگہ میں گھومنے والے ایک نقطہ کے طور پر پلاٹ کیا گیا ہے۔ وہ نظام جو باقاعدہ چکروں سے گزرتے ہیں وہ خلا میں دہرائے جانے والے مدار کا پتہ لگائیں گے، جبکہ افراتفری کا ارتقاء ایک الجھی ہوئی گندگی کی طرح نظر آئے گا۔ ایک ٹپنگ پوائنٹ ایک مدار کو کنٹرول سے باہر کرنے کا سبب بن سکتا ہے لیکن پلاٹ کے اسی حصے میں رہتا ہے، یا یہ ابتدائی طور پر افراتفری کی حرکت کا سبب بن سکتا ہے جو بڑے علاقے میں پھیل سکتا ہے۔ ان صورتوں میں ایک عصبی نیٹ ورک ریاستی جگہ کے متعلقہ علاقوں کی ماضی کی تلاش میں نظام کی قسمت کے انکوڈ شدہ اشارے تلاش کرسکتا ہے۔
زیادہ مشکل وہ تبدیلیاں ہیں جن میں ایک نظام کو اچانک ایک خطے سے نکال دیا جاتا ہے اور اس کا بعد میں ارتقاء دور دراز کے علاقے میں ہوتا ہے۔ پٹیل نے وضاحت کی کہ "نہ صرف حرکیات بدل رہی ہیں، بلکہ اب آپ اس علاقے میں گھوم رہے ہیں جسے آپ نے کبھی نہیں دیکھا ہوگا۔" اس طرح کی ٹرانزیشنز عام طور پر "ہسٹریٹک" ہوتی ہیں، یعنی وہ آسانی سے الٹ نہیں جاتے ہیں - یہاں تک کہ اگر، کہیے، ایک آہستہ آہستہ بڑھتا ہوا پیرامیٹر جس کی وجہ سے منتقلی کا سبب بنتا ہے اسے دوبارہ نیچے دھکیل دیا جاتا ہے۔ اس قسم کی ہسٹیریزس عام ہے: مثال کے طور پر، ایک ماحولیاتی نظام میں ایک بہت سے بڑے شکاریوں کو مار ڈالو، اور بدلی ہوئی حرکیات شکار کی آبادی کو اچانک پھٹنے کا سبب بن سکتی ہے۔ ایک شکاری کو دوبارہ شامل کریں اور شکار کی آبادی بلند رہے گی۔
جب ہسٹریٹک ٹرانزیشن کو ظاہر کرنے والے سسٹم کے ڈیٹا پر تربیت دی گئی تو، پٹیل اور اوٹ کا ریزروائر کمپیوٹنگ الگورتھم ایک آسنن ٹپنگ پوائنٹ کی پیشین گوئی کرنے کے قابل تھا، لیکن اس نے وقت غلط پایا اور سسٹم کے بعد کے رویے کی پیشین گوئی کرنے میں ناکام رہا۔ اس کے بعد محققین نے مشین لرننگ اور نظام کی روایتی علم پر مبنی ماڈلنگ کو ملا کر ایک ہائبرڈ طریقہ آزمایا۔ انہوں نے پایا کہ ہائبرڈ الگورتھم اپنے حصوں کے مجموعے سے تجاوز کر گیا ہے: یہ مستقبل کے طرز عمل کی شماریاتی خصوصیات کی پیش گوئی کر سکتا ہے یہاں تک کہ جب علم پر مبنی ماڈل میں پیرامیٹر کی غلط قدریں تھیں اور اس لیے وہ خود ہی ناکام ہو گیا۔
جلد ہی Hoe Limسٹاک ہوم میں نورڈک انسٹی ٹیوٹ فار تھیوریٹیکل فزکس کے ایک مشین لرننگ محقق جس نے نان سٹیشنری سسٹمز کے قلیل مدتی رویے کا مطالعہ کیا ہے، امید کرتا ہے کہ حالیہ کام "مزید مطالعات کے لیے ایک اتپریرک کے طور پر کام کرے گا"، بشمول ریزروائر کمپیوٹنگ کی کارکردگی کے درمیان موازنہ اور اس کا گہری سیکھنے الگورتھم اگر ریزروائر کمپیوٹنگ زیادہ وسائل کے حامل طریقوں کے خلاف خود کو روک سکتی ہے، تو یہ ماحولیاتی نظام اور زمین کی آب و ہوا جیسے بڑے، پیچیدہ نظاموں میں ٹپنگ پوائنٹس کا مطالعہ کرنے کے امکان کے لیے اچھا ثابت ہوگا۔
اوٹ نے کہا کہ اس میدان میں بہت کچھ کرنا ہے۔ "یہ واقعی وسیع کھلا ہے۔"
