محققین مشین لرننگ کے لیے مزید لچکدار طریقہ دریافت کرتے ہیں۔

مصنوعی ذہانت کے محققین نے کامیابیوں کا سلسلہ منایا ہے۔ نیند نیٹ ورک، کمپیوٹر پروگرام جو تقریباً نقل کرتے ہیں کہ ہمارے دماغ کیسے منظم ہیں۔ لیکن تیز رفتار ترقی کے باوجود، عصبی نیٹ ورک نسبتاً لچکدار رہتے ہیں، جس میں پرواز پر تبدیلی یا نامانوس حالات میں ایڈجسٹ ہونے کی بہت کم صلاحیت ہوتی ہے۔

2020 میں، میساچوسٹس انسٹی ٹیوٹ آف ٹیکنالوجی کے دو محققین نے ایک ٹیم کی قیادت کی جس نے نیورل نیٹ ورک کی ایک نئی قسم حقیقی زندگی کی ذہانت پر مبنی — لیکن ہماری اپنی نہیں۔ اس کے بجائے، انہوں نے چھوٹے گول کیڑے سے تحریک لی، Caenorhabditis خوبصورتی، جس کو وہ مائع اعصابی نیٹ ورک کہتے ہیں۔ پچھلے سال ایک پیش رفت کے بعد، ناول نیٹ ورکس اب کچھ ایپلی کیشنز کے لیے اپنے روایتی ہم منصبوں کی جگہ لینے کے لیے کافی ورسٹائل ہو سکتے ہیں۔

مائع اعصابی نیٹ ورک "ایک خوبصورت اور کمپیکٹ متبادل" پیش کرتے ہیں۔ کین گولڈ برگیونیورسٹی آف کیلیفورنیا، برکلے میں ایک روبوٹسٹ۔ انہوں نے مزید کہا کہ تجربات پہلے سے ہی یہ ظاہر کر رہے ہیں کہ یہ نیٹ ورک دوسرے نام نہاد مسلسل وقت کے نیورل نیٹ ورکس کے مقابلے میں زیادہ تیز اور زیادہ درست طریقے سے چل سکتے ہیں، جو ماڈل سسٹم جو وقت کے ساتھ ساتھ مختلف ہوتے ہیں۔

رامین حسنی اور میتھیاس لیکنر، نئے ڈیزائن کے پیچھے محرک قوتیں، برسوں پہلے اس کا احساس ہوا تھا۔ سی یہ معلوم کرنے کے لیے استعمال کرنے کے لیے ایک مثالی جاندار ہو سکتا ہے کہ لچکدار عصبی نیٹ ورکس کیسے بنائے جائیں جو حیرت کو ایڈجسٹ کر سکیں۔ ملی میٹر لمبا نیچے کا فیڈر ان چند جانداروں میں سے ہے جو مکمل طور پر نقش شدہ اعصابی نظام کے ساتھ ہے، اور یہ بہت سے جدید طرز عمل کی صلاحیت رکھتا ہے: حرکت کرنا، کھانا تلاش کرنا، سونا، ملنا اور یہاں تک کہ تجربے سے سیکھنا۔ "یہ حقیقی دنیا میں رہتا ہے، جہاں تبدیلی ہمیشہ ہوتی رہتی ہے، اور یہ تقریباً کسی بھی حالات میں اچھی کارکردگی کا مظاہرہ کر سکتی ہے،" لیکنر نے کہا۔

پست کیڑے کے لیے احترام نے اسے اور حسنی کو ان کے نئے مائع نیٹ ورکس کی طرف لے جایا، جہاں ہر نیوران ایک مساوات کے تحت چلتا ہے جو وقت کے ساتھ ساتھ اس کے رویے کی پیش گوئی کرتا ہے۔ اور جس طرح نیوران ایک دوسرے سے جڑے ہوئے ہیں، اسی طرح یہ مساوات ایک دوسرے پر منحصر ہیں۔ نیٹ ورک بنیادی طور پر منسلک مساوات کے اس پورے جوڑ کو حل کرتا ہے، جس سے یہ کسی بھی لمحے سسٹم کی حالت کو نمایاں کرنے کی اجازت دیتا ہے - روایتی عصبی نیٹ ورکس سے نکلنا، جو صرف مخصوص لمحات میں نتائج دیتے ہیں۔

"[وہ] صرف آپ کو بتا سکتے ہیں کہ ایک، دو یا تین سیکنڈ میں کیا ہو رہا ہے،" لیکنر نے کہا۔ "لیکن ہمارے جیسا ایک مسلسل وقت کا ماڈل یہ بیان کر سکتا ہے کہ 0.53 سیکنڈ یا 2.14 سیکنڈ یا کسی اور وقت جو آپ چنتے ہیں کیا ہو رہا ہے۔"

مائع نیٹ ورک اس بات میں بھی مختلف ہوتے ہیں کہ وہ synapses کا علاج کیسے کرتے ہیں، مصنوعی نیوران کے درمیان کنکشن۔ معیاری عصبی نیٹ ورک میں ان رابطوں کی طاقت کا اظہار ایک عدد، اس کے وزن سے کیا جا سکتا ہے۔ مائع نیٹ ورکس میں، نیورانز کے درمیان سگنلز کا تبادلہ ایک امکانی عمل ہے جو "نان لائنر" فنکشن کے ذریعے چلایا جاتا ہے، مطلب یہ ہے کہ ان پٹ کے جوابات ہمیشہ متناسب نہیں ہوتے ہیں۔ مثال کے طور پر، ان پٹ کا دوگنا ہونا آؤٹ پٹ میں بہت بڑی یا چھوٹی تبدیلی کا باعث بن سکتا ہے۔ یہ اندرونی تغیر اسی لیے نیٹ ورکس کو "مائع" کہا جاتا ہے۔ نیوران کے رد عمل کا طریقہ اس کے موصول ہونے والے ان پٹ کے لحاظ سے مختلف ہو سکتا ہے۔

جب کہ روایتی نیٹ ورکس کے دل میں الگورتھم تربیت کے دوران ترتیب دیے جاتے ہیں، جب ان سسٹمز کو ان کے وزن کے لیے بہترین اقدار کیلیبریٹ کرنے کے لیے ڈیٹا کے ریمز فراہم کیے جاتے ہیں، مائع اعصابی جال زیادہ موافقت پذیر ہوتے ہیں۔ "وہ ان پٹ کی بنیاد پر اپنی بنیادی مساوات کو تبدیل کرنے کے قابل ہیں جو وہ مشاہدہ کرتے ہیں،" خاص طور پر یہ تبدیل کرتے ہوئے کہ نیوران کتنی جلدی جواب دیتے ہیں، نے کہا ڈینیئلا روس، ایم آئی ٹی کے کمپیوٹر سائنس اور مصنوعی ذہانت کی لیبارٹری کے ڈائریکٹر۔

اس صلاحیت کو ظاہر کرنے کے لیے ایک ابتدائی ٹیسٹ میں ایک خود مختار کار کو چلانے کی کوشش شامل تھی۔ ایک روایتی نیورل نیٹ ورک صرف مقررہ وقفوں پر کار کے کیمرے سے بصری ڈیٹا کا تجزیہ کر سکتا ہے۔ مائع نیٹ ورک - جس میں 19 نیوران اور 253 Synapses شامل ہیں (اسے مشین لرننگ کے معیارات کے مطابق معمولی بناتا ہے) - ہو سکتا ہے۔ بہت زیادہ ذمہ دار. "ہمارا ماڈل زیادہ کثرت سے نمونہ لے سکتا ہے، مثال کے طور پر جب سڑک موڑ ہو،" Rus نے کہا، اس کے ایک شریک مصنف اور مائع نیٹ ورکس پر کئی دیگر کاغذات۔

ماڈل نے کامیابی کے ساتھ کار کو ٹریک پر رکھا، لیکن اس میں ایک خامی تھی، لیکنر نے کہا: "یہ واقعی سست تھا۔" یہ مسئلہ غیر خطوطی مساواتوں سے پیدا ہوا جو Synapses اور نیورونز کی نمائندگی کرتے ہیں — ایسی مساواتیں جنہیں عام طور پر کمپیوٹر پر بار بار کیلکولیشن کے بغیر حل نہیں کیا جا سکتا، جو بالآخر حل پر تبدیل ہونے سے پہلے متعدد تکرار سے گزرتا ہے۔ یہ کام عام طور پر مخصوص سافٹ ویئر پیکجوں کو سونپا جاتا ہے جسے سولورز کہتے ہیں، جنہیں ہر سینیپس اور نیوران پر الگ سے لاگو کرنے کی ضرورت ہوگی۔

ایک پچھلے سال کا پیپر، ٹیم نے ایک نئے مائع اعصابی نیٹ ورک کا انکشاف کیا جو اس رکاوٹ کے آس پاس تھا۔ یہ نیٹ ورک ایک ہی قسم کی مساوات پر انحصار کرتا تھا، لیکن اہم پیش رفت حسنی کی دریافت تھی کہ ان مساواتوں کو کمپیوٹر کے مشکل حسابات کے ذریعے حل کرنے کی ضرورت نہیں تھی۔ اس کے بجائے، نیٹ ورک تقریباً درست، یا "بند شکل" کے حل کا استعمال کر سکتا ہے جو اصولی طور پر، پنسل اور کاغذ کے ساتھ کام کر سکتا ہے۔ عام طور پر، ان نان لائنر مساوات میں بند شکل کے حل نہیں ہوتے ہیں، لیکن حسنی نے ایک تخمینی حل پر حملہ کیا جو استعمال کرنے کے لیے کافی اچھا تھا۔

روس نے کہا، "بند شکل کے حل کا مطلب ہے کہ آپ کے پاس ایک مساوات ہے جس کے لیے آپ اس کے پیرامیٹرز کے لیے اقدار کو پلگ ان کر سکتے ہیں اور بنیادی ریاضی کر سکتے ہیں، اور آپ کو جواب ملے گا،" Rus نے کہا۔ "آپ کو ایک ہی شاٹ میں جواب مل جاتا ہے،" بجائے اس کے کہ کمپیوٹر کو پیسنے دیا جائے جب تک کہ یہ فیصلہ نہ کر لیا جائے کہ یہ کافی قریب ہے۔ یہ کمپیوٹیشنل وقت اور توانائی کو کم کرتا ہے، اس عمل کو کافی تیز کرتا ہے۔

"ان کا طریقہ درستگی کی قربانی کے بغیر مقابلہ کو شدت کے کئی حکموں سے شکست دے رہا ہے،" نے کہا سیان میترا, الینوائے یونیورسٹی میں ایک کمپیوٹر سائنسدان، Urbana-Champaign.

حسنی نے کہا کہ تیز تر ہونے کے ساتھ ساتھ، ان کے جدید ترین نیٹ ورکس بھی غیر معمولی طور پر مستحکم ہیں، مطلب یہ ہے کہ سسٹم بغیر کسی خرابی کے بہت زیادہ ان پٹ کو سنبھال سکتا ہے۔ "یہاں بنیادی شراکت یہ ہے کہ استحکام اور دیگر اچھی خصوصیات ان کی سراسر ساخت کے ذریعہ ان نظاموں میں پکائی جاتی ہیں"۔ سری رام سنکرارائنن، کولوراڈو یونیورسٹی، بولڈر میں کمپیوٹر سائنسدان۔ ایسا لگتا ہے کہ مائع نیٹ ورک اس میں کام کرتے ہیں جسے اس نے "سویٹ سپاٹ" کہا: وہ اتنے پیچیدہ ہیں کہ دلچسپ چیزوں کو ہونے دیں، لیکن اتنے پیچیدہ نہیں کہ افراتفری کا باعث بنیں۔

اس وقت، MIT گروپ اپنے تازہ ترین نیٹ ورک کو خود مختار فضائی ڈرون پر آزما رہا ہے۔ اگرچہ ڈرون کو جنگل میں گھومنے پھرنے کی تربیت دی گئی تھی، لیکن انہوں نے اسے کیمبرج کے شہری ماحول میں منتقل کر دیا ہے تاکہ یہ دیکھا جا سکے کہ یہ نئے حالات کو کس طرح سنبھالتا ہے۔ لیکنر نے ابتدائی نتائج کو حوصلہ افزا قرار دیا۔

موجودہ ماڈل کو بہتر بنانے کے علاوہ، ٹیم اپنے نیٹ ورک کے فن تعمیر کو بہتر بنانے کے لیے بھی کام کر رہی ہے۔ اگلا مرحلہ، لیکنر نے کہا، "یہ پتہ لگانا ہے کہ ہمیں کسی کام کو انجام دینے کے لیے درحقیقت کتنے، یا کتنے کم، نیوران کی ضرورت ہے۔" یہ گروپ نیوران کو جوڑنے کا ایک بہترین طریقہ بھی وضع کرنا چاہتا ہے۔ فی الحال، ہر نیوران ہر دوسرے نیوران سے جوڑتا ہے، لیکن ایسا نہیں ہے کہ یہ کیسے کام کرتا ہے۔ سی، جہاں Synaptic کنکشن زیادہ منتخب ہوتے ہیں۔ راؤنڈ ورم کے وائرنگ سسٹم کے مزید مطالعے کے ذریعے، وہ اس بات کا تعین کرنے کی امید کرتے ہیں کہ ان کے سسٹم میں کون سے نیوران ایک ساتھ جوڑے جائیں۔

خود مختار ڈرائیونگ اور فلائٹ جیسی ایپلی کیشنز کے علاوہ، مائع نیٹ ورکس الیکٹرک پاور گرڈز، مالیاتی لین دین، موسم اور وقت کے ساتھ ساتھ اتار چڑھاؤ آنے والے دیگر مظاہر کے تجزیے کے لیے موزوں نظر آتے ہیں۔ اس کے علاوہ، حسنی نے کہا، مائع نیٹ ورکس کے تازہ ترین ورژن کو "دماغی سرگرمی کے نقوش کو اس پیمانے پر انجام دینے کے لیے استعمال کیا جا سکتا ہے جس کا اس سے پہلے احساس نہیں کیا جا سکتا تھا۔"

مترا خاص طور پر اس امکان سے متجسس ہیں۔ "ایک طرح سے، یہ شاعرانہ نوعیت کا ہے، جس سے ظاہر ہوتا ہے کہ یہ تحقیق مکمل دائرے میں آ رہی ہے،" انہوں نے کہا۔ "عصبی نیٹ ورک اس حد تک ترقی کر رہے ہیں کہ فطرت سے جو خیالات ہم نے اخذ کیے ہیں وہ جلد ہی فطرت کو بہتر طور پر سمجھنے میں ہماری مدد کر سکتے ہیں۔"