ڈیپ مائنڈ نے اسے دوبارہ کیا ہے۔
حیاتیات میں ایک بنیادی چیلنج کو حل کرنے کے بعد-پروٹین کی ساخت کی پیشن گوئیاور ناٹ تھیوری کی ریاضی کو الجھانا، اس کا مقصد ایک بنیادی کمپیوٹنگ عمل ہے جو ہزاروں روزمرہ ایپلی کیشنز کے اندر سرایت کرتا ہے۔ تصاویر کو پارس کرنے سے لے کر تک ماڈلنگ موسم یا مصنوعی عصبی نیٹ ورکس کے اندرونی کام کی جانچ کرتے ہوئے بھی، AI نظریاتی طور پر مختلف شعبوں میں حسابات کو تیز کر سکتا ہے، توانائی کے استعمال اور اخراجات کو کم کرتے ہوئے کارکردگی میں اضافہ کر سکتا ہے۔
لیکن زیادہ متاثر کن ہے۔ کس طرح انہوں نے یہ کیا. ریکارڈ توڑنے والا الگورتھم، جسے الفا ٹینسر کا نام دیا جاتا ہے، کا اسپن آف ہے۔ الفا زیرو، جس نے شطرنج اور گو میں انسانی کھلاڑیوں کو مشہور کیا۔
"ہزاروں سالوں سے بنیادی کارروائیوں کو انجام دینے کے لیے پوری دنیا کی تہذیبوں میں الگورتھم استعمال کیے جا رہے ہیں،" لکھا ہے شریک مصنفین Drs. ڈیپ مائنڈ میں متیج بلوگ اور الحسین فوزی۔ "تاہم، الگورتھم دریافت کرنا انتہائی مشکل ہے۔"
AlphaTensor ایک نئی دنیا کی طرف ایک پگڈنڈی کو روشن کرتا ہے جہاں AI ایسے پروگراموں کو ڈیزائن کرتا ہے جو انسانوں کی کسی بھی انجینئر کو پیچھے چھوڑ دیتے ہیں، ساتھ ہی ساتھ اپنی مشین "دماغ" کو بھی بہتر بناتے ہیں۔
ڈاکٹر فیڈریکو لیوی، ایک سینئر ایڈیٹر نے کہا، "یہ کام ایک اصلاحی مسئلہ کے لیے AI کا استعمال کرتے ہوئے نامعلوم علاقے کی طرف دھکیلتا ہے جس پر لوگ کئی دہائیوں سے کام کر رہے ہیں… جو حل تلاش کیے گئے ہیں وہ کمپیوٹیشنل رن ٹائم کو بہتر بنانے کے لیے فوری طور پر تیار کیے جا سکتے ہیں۔" فطرت، قدرت، جس شائع مطالعہ.
میٹرکس ضرب درج کریں۔
AlphaTensor جس مسئلہ کا سامنا کرتا ہے وہ میٹرکس ضرب ہے۔ اگر آپ اچانک سبز نمبروں کی قطاروں اور کالموں کا تصور کر رہے ہیں جو آپ کی سکرین کو نیچے کر رہے ہیں، تو آپ اکیلے نہیں ہیں۔ موٹے الفاظ میں، ایک میٹرکس اس طرح کا ہوتا ہے — نمبروں کا ایک گرڈ جو ڈیجیٹل طور پر آپ کے انتخاب کے ڈیٹا کی نمائندگی کرتا ہے۔ یہ کسی تصویر میں پکسلز، ساؤنڈ کلپ کی فریکوئنسی، یا ویڈیو گیمز میں کرداروں کی شکل اور اعمال ہو سکتے ہیں۔
میٹرکس ضرب نمبروں کے دو گرڈ لیتا ہے اور ایک کو دوسرے سے ضرب دیتا ہے۔ یہ ایک حساب کتاب ہے جو اکثر ہائی اسکول میں پڑھایا جاتا ہے لیکن کمپیوٹنگ سسٹم کے لیے بھی اہم ہے۔ یہاں، ایک میٹرکس میں نمبروں کی قطاروں کو دوسرے میں کالم کے ساتھ ضرب دیا جاتا ہے۔ نتائج ایک نتیجہ پیدا کرتے ہیں - مثال کے طور پر، ویڈیو گیم کے منظر کو زوم ان کرنے یا جھکانے کا حکم۔ اگرچہ یہ حساب کتاب ہڈ کے تحت کام کرتے ہیں، لیکن فون یا کمپیوٹر استعمال کرنے والا ہر ایک دن اپنے نتائج پر منحصر ہوتا ہے۔
آپ دیکھ سکتے ہیں کہ کس طرح مسئلہ انتہائی مشکل، انتہائی تیز ہو سکتا ہے۔ بڑے میٹرکس کو ضرب دینا ناقابل یقین حد تک توانائی اور وقت کی ضرورت ہے۔ ایک نیا میٹرکس بنانے کے لیے ہر نمبر کے جوڑے کو انفرادی طور پر ضرب کرنا ہوگا۔ جیسے جیسے میٹرک بڑھتا ہے، مسئلہ تیزی سے ناقابل برداشت ہو جاتا ہے — اس سے بھی زیادہ کہ بہترین شطرنج یا گو چالوں کی پیشین گوئی کرنا۔ کچھ ماہرین کا اندازہ ہے کہ وہاں موجود ہیں۔ مزید طریقے کائنات میں ایٹموں کی تعداد سے میٹرکس ضرب کو حل کرنے کے لیے۔
1969 میں، ایک جرمن ریاضی دان وولکر سٹراسن نے دکھایا کہ کونوں کو کاٹنے کے طریقے ہیں، جس سے دو بہ دو میٹرکس ضرب کے ایک دور کو کم کیا جا سکتا ہے۔ کل آٹھ سے سات. ہو سکتا ہے کہ یہ متاثر کن نہ لگے، لیکن سٹراسن کے طریقہ کار نے ظاہر کیا کہ میٹرکس ضرب کے لیے آپریشنز کے طویل عرصے سے رکھے گئے معیارات یعنی الگورتھم کو شکست دینا ممکن ہے۔ اس کا نقطہ نظر، Strassen الگورتھم، 50 سالوں سے سب سے زیادہ موثر انداز کے طور پر راج کر رہا ہے۔
لیکن کیا ہوگا اگر اس سے بھی زیادہ موثر طریقے ہیں؟ جاپان کی ناگویا یونیورسٹی کے ڈاکٹر فرانکوئس لی گال، جو اس کام میں شامل نہیں تھے، "کوئی بھی اسے حل کرنے کے لیے بہترین الگورتھم نہیں جانتا،" بتایا ایم ائی ٹی ٹیکنالوجی کا جائزہ لیں. "یہ کمپیوٹر سائنس میں سب سے بڑے کھلے مسائل میں سے ایک ہے۔"
AI کا پیچھا کرنے والے الگورتھم
اگر انسانی وجدان کمزور ہو رہا ہے، تو کیوں نہ میکانکی ذہن میں ٹیپ کریں؟
نئی تحقیق میں، ڈیپ مائنڈ ٹیم نے میٹرکس ضرب کو ایک کھیل میں بدل دیا۔ اپنے پیشرو AlphaZero کی طرح، AlphaTensor گہری کمک سیکھنے کا استعمال کرتا ہے، ایک مشین لرننگ طریقہ جو حیاتیاتی دماغوں کے سیکھنے کے طریقے سے متاثر ہوتا ہے۔ یہاں، ایک AI ایجنٹ (اکثر مصنوعی نیورل نیٹ ورک) اپنے ماحول کے ساتھ ملٹی اسٹپ مسئلہ کو حل کرنے کے لیے بات چیت کرتا ہے۔ اگر یہ کامیاب ہو جاتا ہے، تو یہ ایک "انعام" حاصل کرتا ہے—یعنی، AI کے نیٹ ورک کے پیرامیٹرز کو اپ ڈیٹ کر دیا جاتا ہے اس لیے مستقبل میں اس کے دوبارہ کامیاب ہونے کا زیادہ امکان ہوتا ہے۔
یہ پینکیک پلٹنا سیکھنے جیسا ہے۔ ابتدائی طور پر بہت کچھ فرش پر گرے گا، لیکن آخر کار آپ کے اعصابی نیٹ ورک ایک کامل پلٹنے کے لیے بازو اور ہاتھ کی حرکت سیکھیں گے۔
AlphaTensor کے لیے ٹریننگ گراؤنڈ ایک طرح کا 3D بورڈ گیم ہے۔ یہ بنیادی طور پر ایک پلیئر پہیلی ہے جو تقریباً سوڈوکو سے ملتی جلتی ہے۔ AI کو بہت سے قابل اجازت چالوں میں سے انتخاب کرتے ہوئے - ان میں سے ایک ٹریلین سے زیادہ ممکنہ کم سے کم مراحل میں نمبروں کے گرڈ کو ضرب دینا چاہیے۔
ان قابل اجازت چالوں کو احتیاط سے الفا ٹینسر میں ڈیزائن کیا گیا تھا۔ ایک پریس بریفنگ میں، شریک مصنف ڈاکٹر حسین فوزی نے وضاحت کی: "الگورتھمک دریافت کی جگہ کو تشکیل دینا بہت پیچیدہ ہے… اس سے بھی مشکل ہے، ہم اس جگہ میں کیسے تشریف لے سکتے ہیں۔"
دوسرے لفظوں میں، جب آپشنز کے ذہن کو حیران کرنے والی صفوں کا سامنا کرنا پڑتا ہے، تو ہم ان کو کیسے کم کر سکتے ہیں تاکہ گھاس کے ڈھیر میں سوئی تلاش کرنے کے اپنے امکانات کو بہتر بنایا جا سکے۔ اور ہم پورے گھاس کے اسٹیک کو کھودنے کے بغیر سوئی تک پہنچنے کے لئے بہترین حکمت عملی کیسے بنا سکتے ہیں؟
ٹیم نے الفا ٹینسر میں شامل ایک چال ایک طریقہ ہے جسے درختوں کی تلاش کہتے ہیں۔ اس کے بجائے، استعاراتی طور پر، تصادفی طور پر گھاس کے ڈھیر سے کھودنے کے، یہاں AI "سڑکوں" کی تحقیقات کرتا ہے جو بہتر نتائج کا باعث بن سکتی ہے۔ اس کے بعد انٹرمیڈیٹ سیکھنے سے AI کو کامیابی کے امکانات کو بڑھانے کے لیے اپنے اگلے اقدام کی منصوبہ بندی کرنے میں مدد ملتی ہے۔ ٹیم نے کامیاب کھیلوں کے الگورتھم کے نمونے بھی دکھائے، جیسے کسی بچے کو شطرنج کی ابتدائی چالیں سکھانا۔ آخر میں، ایک بار جب AI نے قیمتی حرکتیں دریافت کیں، تو ٹیم نے اسے بہتر نتیجہ کی تلاش میں مزید موزوں سیکھنے کے لیے ان آپریشنز کو دوبارہ ترتیب دینے کی اجازت دی۔
نیا گراؤنڈ توڑنا
الفا ٹینسر نے اچھا کھیلا۔ ٹیسٹوں کی ایک سیریز میں، ٹیم نے AI کو چیلنج کیا کہ وہ پانچ بائی پانچ تک میٹرک کے لیے سب سے زیادہ مؤثر حل تلاش کرے — یعنی، ایک قطار یا کالم میں پانچ نمبروں کے ساتھ۔
الگورتھم نے تیزی سے اسٹراسن کے اصل ہیک کو دوبارہ دریافت کیا، لیکن پھر انسانی ذہن کے ذریعہ پہلے سے وضع کردہ تمام حلوں کو پیچھے چھوڑ دیا۔ مختلف سائز کے میٹرکس کے ساتھ AI کی جانچ کرتے ہوئے، AlphaTensor کو 70 سے زیادہ کے لیے زیادہ موثر حل ملے۔ "درحقیقت، AlphaTensor عام طور پر میٹرکس کے ہر سائز کے لیے ہزاروں الگورتھم دریافت کرتا ہے،" ٹیم نے کہا۔ "یہ دماغ چکرا دینے والا ہے۔"
ایک صورت میں، پانچ بہ پانچ میٹرکس کو چار بائے پانچ سے ضرب کرتے ہوئے، AI نے 80 انفرادی ضربوں کے پچھلے ریکارڈ کو کم کر کے صرف 76 کر دیا۔ یہ بڑے میٹرکس پر بھی چمکا، جس سے دو کے لیے درکار حسابات کی تعداد کم ہو گئی۔ گیارہ بائی گیارہ میٹرکس 919 سے 896 تک۔
ہاتھ میں تصور کا ثبوت، ٹیم عملی استعمال میں تبدیل کر دیا. کمپیوٹر چپس کو اکثر مختلف کمپیوٹیشنز کو بہتر بنانے کے لیے ڈیزائن کیا جاتا ہے — گرافکس کے لیے GPUs، مثال کے طور پر، یا مشین لرننگ کے لیے AI چپس-اور بہترین موزوں ہارڈ ویئر کے ساتھ الگورتھم کو ملانے سے کارکردگی میں اضافہ ہوتا ہے۔
یہاں، ٹیم نے مشین لرننگ میں دو مشہور چپس کے لیے الگورتھم تلاش کرنے کے لیے AlphaTensor کا استعمال کیا: NVIDIA V100 GPU اور Google TPU۔ مجموعی طور پر، AI کے تیار کردہ الگورتھم نے کمپیوٹیشنل رفتار میں 20 فیصد تک اضافہ کیا۔
یہ کہنا مشکل ہے کہ آیا AI اسمارٹ فونز، لیپ ٹاپ، یا روزمرہ کے دیگر آلات کو بھی تیز کر سکتا ہے۔ تاہم، "یہ ترقی بہت دلچسپ ہو گی اگر اسے عملی طور پر استعمال کیا جا سکے،" MIT کی ڈاکٹر ورجینیا ولیمز نے کہا۔ "کارکردگی میں اضافے سے بہت ساری ایپلی کیشنز میں بہتری آئے گی۔"
اے آئی کا دماغ
AlphaTensor کے میٹرکس ضرب کے لیے تازہ ترین انسانی ریکارڈ کو ٹالنے کے باوجود، DeepMind ٹیم ابھی تک اس کی وجہ نہیں بتا سکتی۔
ڈیپ مائنڈ کے سائنسدان اور شریک مصنف ڈاکٹر پشمیت کوہلی نے ایک پریس بریفنگ میں کہا، "یہ گیمز کھیلنے سے یہ حیرت انگیز وجدان حاصل ہوا ہے۔"
ارتقاء پذیر الگورتھم کو بھی مشینوں کے مقابلے انسان ہونا ضروری نہیں ہے۔
جبکہ AlphaTensor تیز تر الگورتھم کی طرف ایک قدم ہے، اس سے بھی تیز تر موجود ہو سکتے ہیں۔ "چونکہ اسے اپنی تلاش کو ایک مخصوص شکل کے الگورتھم تک محدود رکھنے کی ضرورت ہے، اس لیے یہ الگورتھم کی دوسری قسموں سے محروم ہو سکتا ہے جو زیادہ موثر ہو سکتے ہیں،" بلوگ اور فوزی نے لکھا۔
شاید اس سے بھی زیادہ دلچسپ راستہ انسانی اور مشینی وجدان کو یکجا کرے گا۔ "یہ جان کر اچھا لگے گا کہ آیا یہ نیا طریقہ درحقیقت پچھلے تمام طریقوں کو شامل کرتا ہے، یا آپ ان کو جوڑ کر کچھ اور بھی بہتر حاصل کر سکتے ہیں۔" نے کہا ولیمز دوسرے ماہرین متفق ہیں۔ ان کے اختیار میں بہت سارے الگورتھم کے ساتھ، سائنس دان ان سراگوں کے لیے ان کو الگ کرنا شروع کر سکتے ہیں کہ AlphaTensor کے حل کو کس چیز نے ٹک کیا، اور اگلی پیش رفت کے لیے راہ ہموار کی۔
تصویری کریڈٹ: ڈیپ مائنڈ
