ജ്യാമിതിയുടെ ആറ്റോമിക് കഷണങ്ങളുടെ ഗുണങ്ങൾ കണ്ടെത്താൻ മെഷീൻ ലേണിംഗ് പ്രയോഗിക്കുന്നത് ഗണിതത്തിലെ കണ്ടെത്തലുകളെ ത്വരിതപ്പെടുത്താൻ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് എങ്ങനെ ശക്തിയുണ്ടെന്ന് കാണിക്കുന്നു.

ലണ്ടനിലെ ഇംപീരിയൽ കോളേജിലെയും നോട്ടിംഗ്ഹാം സർവകലാശാലയിലെയും ഗണിതശാസ്ത്രജ്ഞർ ആദ്യമായി യന്ത്രപഠനം ഉപയോഗിച്ച് ജ്യാമിതിയുടെ അടിസ്ഥാന ഭാഗങ്ങളെ ഉയർന്ന അളവുകളിൽ രൂപപ്പെടുത്തുന്ന ‘ആറ്റോമിക് ആകൃതികൾ’ തിരിച്ചറിയുന്നതിനുള്ള പ്രവർത്തനങ്ങൾ വിപുലീകരിക്കാനും ത്വരിതപ്പെടുത്താനും ഉപയോഗിച്ചു. അവരുടെ കണ്ടെത്തലുകൾ നേച്ചർ കമ്മ്യൂണിക്കേഷനിൽ പ്രസിദ്ധീകരിച്ചു.

മെഷീൻ ലേണിംഗ് രൂപത്തിൽ അവർ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിച്ച രീതിക്ക് കണക്ക് എങ്ങനെ ചെയ്യുന്നുവെന്ന് മാറ്റാൻ കഴിയുമെന്ന് രചയിതാക്കൾ പറയുന്നു. നോട്ടിംഗ്ഹാം സർവകലാശാലയിലെ ഡോക്ടർ അലക്സാണ്ടർ കാസ്പ്രിക് പറഞ്ഞു: “ഗണിതശാസ്ത്രജ്ഞരെ സംബന്ധിച്ചിടത്തോളം, ഒരു പ്രത്യേക പ്രശ്നത്തിൽ പാറ്റേൺ എന്താണെന്ന് കണ്ടെത്തുക എന്നതാണ് പ്രധാന ഘട്ടം. ഇത് വളരെ ബുദ്ധിമുട്ടാണ്, ചില ഗണിത സിദ്ധാന്തങ്ങൾ കണ്ടെത്താൻ വർഷങ്ങളെടുക്കും.”

ഇംപീരിയലിലെ ഗണിതശാസ്ത്ര വകുപ്പിലെ പ്രൊഫസർ ടോം കോട്ട്സ് കൂട്ടിച്ചേർത്തു: “ഗണിതശാസ്ത്ര ഡാറ്റയ്ക്കുള്ളിലെ പാറ്റേണുകൾ കണ്ടെത്താൻ മെഷീൻ ലേണിംഗ് സഹായിക്കുമെന്ന് ഞങ്ങൾ തെളിയിച്ചു, ഇത് പുതിയ ഉൾക്കാഴ്ചകളും അവ എങ്ങനെ തെളിയിക്കാമെന്നതിന്റെ സൂചനകളും നൽകുന്നു.”

ഇംപീരിയലിലെ ഗണിതശാസ്ത്ര വകുപ്പിലെ പിഎച്ച്ഡി വിദ്യാർത്ഥിനി സാറ വെനെസിയേൽ പറഞ്ഞു: “ഇത് വളരെ വിശാലമായി ബാധകമാകും, അതിനാൽ ഇത് ഗണിത കണ്ടെത്തലുകൾ നടത്തുന്ന വേഗതയെ ത്വരിതപ്പെടുത്തും. ഗണിതശാസ്ത്ര ഗവേഷണത്തിൽ കമ്പ്യൂട്ടറുകൾ ആദ്യമായി ഉപയോഗിച്ചപ്പോൾ അല്ലെങ്കിൽ കാൽക്കുലേറ്ററുകൾ പോലും ഉപയോഗിച്ചതുപോലെയാണ് ഇത്: ഇത് ഞങ്ങൾ കണക്ക് ചെയ്യുന്ന രീതിയിലെ ഒരു പടി മാറ്റമാണ്.

ആകൃതികൾ നിർവചിക്കുക

ഗണിതശാസ്ത്രജ്ഞർ സമവാക്യങ്ങൾ ഉപയോഗിച്ച് ആകൃതികളെ വിവരിക്കുന്നു, ഈ സമവാക്യങ്ങൾ വിശകലനം ചെയ്യുന്നതിലൂടെ ആകൃതിയെ അടിസ്ഥാന കഷണങ്ങളായി വിഭജിക്കാൻ കഴിയും. ആറ്റങ്ങൾക്ക് തുല്യമായ ആകൃതികളുടെ നിർമ്മാണ ബ്ലോക്കുകളാണ് ഇവ, അവയെ ഫാനോ ഇനങ്ങൾ എന്ന് വിളിക്കുന്നു.

ഇംപീരിയൽ, നോട്ടിംഗ്ഹാം ടീം വർഷങ്ങൾക്ക് മുമ്പ് ഈ ഫാനോ ഇനങ്ങളുടെ ഒരു ‘പീരിയോഡിക് ടേബിൾ’ നിർമ്മിക്കാൻ തുടങ്ങി, പക്ഷേ അവയെ പൊതു ഗുണങ്ങളുള്ള ഗ്രൂപ്പുകളായി തരംതിരിക്കാനുള്ള വഴികൾ കണ്ടെത്തുന്നത് വെല്ലുവിളിയാണ്. ഇപ്പോൾ, ഫാനോ ഇനങ്ങളിലെ അപ്രതീക്ഷിത പാറ്റേണുകൾ വെളിപ്പെടുത്താൻ അവർ മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ചു.

ഒരു ഫാനോ ഇനത്തിന്റെ ഒരു വശം അതിന്റെ ക്വാണ്ടം കാലയളവാണ് – ഒരു ബാർകോഡ് അല്ലെങ്കിൽ ഫിംഗർപ്രിന്റ് പോലെ പ്രവർത്തിക്കുന്ന സംഖ്യകളുടെ ഒരു ക്രമം. ക്വാണ്ടം കാലഘട്ടം ഫാനോ ഇനത്തിന്റെ അളവ് നിർവചിക്കുന്നുവെന്ന് നിർദ്ദേശിക്കപ്പെട്ടിട്ടുണ്ട്, പക്ഷേ ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനെക്കുറിച്ച് സൈദ്ധാന്തിക നിർദ്ദേശങ്ങളൊന്നും ഇല്ല, അതിനാൽ അറിയപ്പെടുന്ന ഫാനോ ഇനങ്ങളുടെ വലിയ കൂട്ടത്തിൽ ഇത് പരീക്ഷിക്കാൻ ഒരു മാർഗവുമില്ല.

എന്നിരുന്നാലും, വലിയ ഡാറ്റാസെറ്റുകളിൽ പാറ്റേണുകൾ കണ്ടെത്തുന്നതിനാണ് മെഷീൻ ലേണിംഗ് നിർമ്മിച്ചിരിക്കുന്നത്. ചില ഉദാഹരണ ഡാറ്റ ഉപയോഗിച്ച് ഒരു മെഷീൻ ലേണിംഗ് മോഡൽ പരിശീലിപ്പിക്കുന്നതിലൂടെ, ക്വാണ്ടം കാലഘട്ടങ്ങളിൽ നിന്നുള്ള ഫാനോ ഇനങ്ങളുടെ അളവുകൾ 99% കൃത്യതയോടെ പ്രവചിക്കാൻ കഴിയുന്ന മോഡലിന് കാണിക്കാൻ ടീമിന് കഴിഞ്ഞു.

യഥാർത്ഥ ലോകത്തെ കോഡിംഗ്

ടീം ഒരു പുതിയ പ്രസ്താവന കണ്ടെത്തിയതായി ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡൽ നിർണ്ണായകമായി കാണിക്കുന്നില്ല, അതിനാൽ ക്വാണ്ടം കാലയളവ് അളവ് നിർവചിക്കുന്നുവെന്ന് തെളിയിക്കാൻ അവർ കൂടുതൽ പരമ്പരാഗത ഗണിതശാസ്ത്ര രീതികൾ ഉപയോഗിച്ചു – അവരെ നയിക്കാൻ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡൽ ഉപയോഗിക്കുന്നു.

പുതിയ കണക്കുകൾ കണ്ടെത്തുന്നതിന് മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്നതിനൊപ്പം, ഗണിതത്തിൽ ഉപയോഗിക്കുന്ന ഡാറ്റാസെറ്റുകൾ മെഷീൻ ലേണിംഗ് മോഡലുകൾ പരിഷ്കരിക്കാൻ സഹായിക്കുമെന്ന് ടീം പറയുന്നു. മിക്ക മോഡലുകളും യഥാർത്ഥ ജീവിതത്തിൽ നിന്ന് എടുത്ത ഡാറ്റയിൽ പരിശീലനം നൽകുന്നു, അതായത് ആരോഗ്യം അല്ലെങ്കിൽ ഗതാഗത ഡാറ്റ, അവ അന്തർലീനമായി ‘ശബ്ദമുണ്ടാക്കുന്നു’ – അവയിൽ ധാരാളം ക്രമരഹിതത അടങ്ങിയിരിക്കുന്നു, അത് ഒരു പരിധിവരെ യഥാർത്ഥ വിവരങ്ങൾ മറയ്ക്കുന്നു.

ഗണിതശാസ്ത്ര ഡാറ്റ ‘ശുദ്ധം’ – ശബ്ദരഹിതം – കൂടാതെ ഡാറ്റയ്ക്ക് താഴെയുള്ള പാറ്റേണുകളും ഘടനകളും അടങ്ങിയിരിക്കുന്നു, അനാവരണം ചെയ്യാൻ കാത്തിരിക്കുന്നു. അതിനാൽ ഈ ഡാറ്റ മെഷീൻ ലേണിംഗ് മോഡലുകളുടെ ടെസ്റ്റിംഗ് ഗ്രൗണ്ടുകളായി ഉപയോഗിക്കാം, പുതിയ പാറ്റേണുകൾ കണ്ടെത്താനുള്ള അവരുടെ കഴിവ് മെച്ചപ്പെടുത്തുന്നു.