ഇപിഎഫ്എൽ ഗവേഷകർ ഒരു അനലോഗ് ന്യൂറൽ നെറ്റ് വർക്കിനെ ഒരു ഡിജിറ്റൽ നെറ്റ് വർക്കിനെ പോലെ കൃത്യമായി പരിശീലിപ്പിക്കുന്നതിന് ഒരു അൽഗോരിതം വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്, ഇത് ഊർജ്ജ ദാഹമുള്ള ആഴത്തിലുള്ള പഠന ഹാർഡ് വെയറിന് കൂടുതൽ കാര്യക്ഷമമായ ബദലുകൾ വികസിപ്പിക്കാൻ പ്രാപ്തമാക്കുന്നു.

പരമ്പരാഗത പ്രോഗ്രാമിംഗിനേക്കാൾ അൽഗോരിതം ‘ലേണിംഗ്’ വഴി വലിയ അളവിൽ ഡാറ്റ പ്രോസസ്സ് ചെയ്യാനുള്ള അവരുടെ കഴിവ് കാരണം, ചാറ്റ്-ജിപിടി പോലുള്ള ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ് വർക്കുകളുടെ സാധ്യത പരിധിയില്ലാത്തതാണെന്ന് പലപ്പോഴും തോന്നുന്നു. എന്നാൽ ഈ സംവിധാനങ്ങളുടെ വ്യാപ്തിയും സ്വാധീനവും വർദ്ധിച്ചതോടെ, അവയുടെ വലുപ്പം, സങ്കീർണ്ണത, ഊർജ്ജ ഉപഭോഗം എന്നിവയും വർദ്ധിച്ചു – ഇവയിൽ രണ്ടാമത്തേത് ആഗോള കാർബൺ പുറന്തള്ളലിനുള്ള സംഭാവനകളെക്കുറിച്ച് ആശങ്കകൾ ഉയർത്താൻ പര്യാപ്തമാണ്.

അനലോഗിൽ നിന്ന് ഡിജിറ്റലിലേക്ക് മാറുന്ന കാര്യത്തിൽ സാങ്കേതിക പുരോഗതിയെക്കുറിച്ച് ഞങ്ങൾ പലപ്പോഴും ചിന്തിക്കുമ്പോൾ, ഡിജിറ്റൽ ഡീപ് ന്യൂറൽ നെറ്റ് വർക്കുകൾക്ക് ഭൗതിക ബദലുകളിൽ ഗവേഷകർ ഇപ്പോൾ ഈ പ്രശ്നത്തിനുള്ള ഉത്തരങ്ങൾ തേടുന്നു. സ്കൂൾ ഓഫ് എഞ്ചിനീയറിംഗിലെ ഇപിഎഫ്എല്ലിന്റെ ലബോറട്ടറി ഓഫ് വേവ് എഞ്ചിനീയറിംഗിലെ റൊമെയ്ൻ ഫ്ല്യൂറി അത്തരമൊരു ഗവേഷകനാണ്. സയൻസ് ജേണലിൽ പ്രസിദ്ധീകരിച്ച ഒരു പ്രബന്ധത്തിൽ, അദ്ദേഹവും സഹപ്രവർത്തകരും മറ്റ് രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ മെച്ചപ്പെട്ട വേഗത, മെച്ചപ്പെട്ട കരുത്ത്, കുറഞ്ഞ വൈദ്യുതി ഉപഭോഗം എന്നിവ കാണിക്കുന്ന ഫിസിക്കൽ സിസ്റ്റങ്ങളെ പരിശീലിപ്പിക്കുന്നതിനുള്ള ഒരു അൽഗോരിതം വിവരിക്കുന്നു.

“ഇലക്ട്രോണുകൾക്ക് പകരം വിവരങ്ങൾ വഹിക്കാൻ ശബ്ദ തരംഗങ്ങൾ, പ്രകാശ തരംഗങ്ങൾ, മൈക്രോവേവ് എന്നിവ ഉപയോഗിക്കുന്ന മൂന്ന് തരംഗ അധിഷ്ഠിത ഫിസിക്കൽ സിസ്റ്റങ്ങളിൽ ഞങ്ങൾ ഞങ്ങളുടെ പരിശീലന അൽഗോരിതം വിജയകരമായി പരീക്ഷിച്ചു. എന്നാൽ ഞങ്ങളുടെ വൈവിധ്യമാർന്ന സമീപനം ഏത് ശാരീരിക സംവിധാനത്തെയും പരിശീലിപ്പിക്കാൻ ഉപയോഗിക്കാം,” ആദ്യ എഴുത്തുകാരനും എൽഡബ്ല്യുഇ ഗവേഷകനുമായ അലി മോമേനി പറയുന്നു.

“കൂടുതൽ ജൈവശാസ്ത്രപരമായി വിശ്വസനീയമായ” സമീപനം

ഇമേജ് അല്ലെങ്കിൽ സ്പീച്ച് റെക്കഗ്നിഷൻ പോലുള്ള ഒരു ദൗത്യത്തിനായി പാരാമീറ്ററുകളുടെ ഒപ്റ്റിമൽ മൂല്യങ്ങൾ സൃഷ്ടിക്കാൻ സിസ്റ്റങ്ങളെ സഹായിക്കുന്നതിനെ ന്യൂറൽ നെറ്റ് വർക്ക് പരിശീലനം സൂചിപ്പിക്കുന്നു. ഇത് പരമ്പരാഗതമായി രണ്ട് ഘട്ടങ്ങൾ ഉൾക്കൊള്ളുന്നു: ഒരു ഫോർവേഡ് പാസ്, അവിടെ നെറ്റ് വർക്കിലൂടെ ഡാറ്റ അയയ്ക്കുകയും ഔട്ട്പുട്ടിനെ അടിസ്ഥാനമാക്കി ഒരു പിശക് പ്രവർത്തനം കണക്കാക്കുകയും ചെയ്യുന്നു; എല്ലാ നെറ്റ് വർക്ക് പാരാമീറ്ററുകളുമായി ബന്ധപ്പെട്ട് പിശക് ഫംഗ്ഷന്റെ ഗ്രേഡിയന്റ് കണക്കാക്കുന്ന ഒരു പിന്നോക്ക പാസ് (ബാക്ക് പ്രൊപ്പഗേഷൻ അല്ലെങ്കിൽ ബിപി എന്നും അറിയപ്പെടുന്നു).

ആവർത്തിച്ചുള്ള ആവർത്തനങ്ങളിൽ, കൂടുതൽ കൃത്യമായ മൂല്യങ്ങൾ തിരികെ നൽകുന്നതിന് സിസ്റ്റം ഈ രണ്ട് കണക്കുകൂട്ടലുകളെ അടിസ്ഥാനമാക്കി സ്വയം അപ്ഡേറ്റുചെയ്യുന്നു. പ്രശ്നം? വളരെ ഊർജ്ജ തീവ്രതയ്ക്ക് പുറമേ, ബിപി ഭൗതിക സംവിധാനങ്ങൾക്ക് അനുയോജ്യമല്ല. വാസ്തവത്തിൽ, ഫിസിക്കൽ സിസ്റ്റങ്ങളെ പരിശീലിപ്പിക്കുന്നതിന് സാധാരണയായി ബിപി ഘട്ടത്തിനായി ഒരു ഡിജിറ്റൽ ഇരട്ട ആവശ്യമാണ്, ഇത് കാര്യക്ഷമമല്ല, മാത്രമല്ല റിയാലിറ്റി-സിമുലേഷൻ പൊരുത്തക്കേടിന്റെ അപകടസാധ്യതയും വഹിക്കുന്നു.

ഓരോ നെറ്റ് വർക്ക് ലെയറും പ്രാദേശികമായി അപ് ഡേറ്റ് ചെയ്യുന്നതിന് ഫിസിക്കൽ സിസ്റ്റത്തിലൂടെ രണ്ടാമത്തെ ഫോർവേഡ് പാസ് ഉപയോഗിച്ച് ബിപി സ്റ്റെപ്പിന് പകരമായി സ്ഥാപിക്കുക എന്നതായിരുന്നു ശാസ്ത്രജ്ഞരുടെ ആശയം. വൈദ്യുതി ഉപയോഗം കുറയ്ക്കുന്നതിനും ഡിജിറ്റൽ ഇരട്ടകളുടെ ആവശ്യകത ഇല്ലാതാക്കുന്നതിനും പുറമേ, ഈ രീതി മനുഷ്യ പഠനത്തെ നന്നായി പ്രതിഫലിപ്പിക്കുന്നു.

“ന്യൂറൽ നെറ്റ് വർക്കുകളുടെ ഘടന തലച്ചോറിൽ നിന്ന് പ്രചോദനം ഉൾക്കൊണ്ടതാണ്, പക്ഷേ തലച്ചോർ ബിപി വഴി പഠിക്കാൻ സാധ്യതയില്ല,” മോമെനി വിശദീകരിക്കുന്നു. “ഓരോ ഭൗതിക പാളിയെയും പ്രാദേശികമായി പരിശീലിപ്പിക്കുകയാണെങ്കിൽ, ആദ്യം അതിന്റെ ഡിജിറ്റൽ മോഡൽ നിർമ്മിക്കുന്നതിനുപകരം നമ്മുടെ യഥാർത്ഥ ഭൗതിക സംവിധാനം ഉപയോഗിക്കാം എന്നതാണ് ഇവിടെയുള്ള ആശയം. അതിനാൽ കൂടുതൽ ജൈവശാസ്ത്രപരമായി വിശ്വസനീയമായ ഒരു സമീപനം ഞങ്ങൾ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്.”

സിഎൻആർഎസ് ഐഇടിആറിലെ ഫിലിപ്പ് ഡെൽ ഹൗഗ്നെ, മൈക്രോസോഫ്റ്റ് റിസർച്ചിലെ ബാബക് റഹ്മാനി എന്നിവരോടൊപ്പം ഇപിഎഫ്എൽ ഗവേഷകർ അവരുടെ ഫിസിക്കൽ ലോക്കൽ ലേണിംഗ് അൽഗോരിതം (ഫൈഎൽഎൽ) ഉപയോഗിച്ച് പരീക്ഷണാത്മക ശബ്ദ, മൈക്രോവേവ് സിസ്റ്റങ്ങൾ പരിശീലിപ്പിക്കുകയും സ്വരാക്ഷര ശബ്ദങ്ങളും ചിത്രങ്ങളും പോലുള്ള ഡാറ്റയെ തരംതിരിക്കാൻ ഒരു മാതൃകാ ഒപ്റ്റിക്കൽ സംവിധാനവും ഉപയോഗിച്ചു. ബിപി അധിഷ്ഠിത പരിശീലനവുമായി താരതമ്യപ്പെടുത്താവുന്ന കൃത്യത കാണിക്കുന്നതിനൊപ്പം, ഈ രീതി ശക്തവും അനുയോജ്യവുമായിരുന്നു – പ്രവചനാതീതമായ ബാഹ്യ അസ്വസ്ഥതകൾക്ക് വിധേയമായ സിസ്റ്റങ്ങളിൽ പോലും – അത്യാധുനിക അവസ്ഥയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ.

അനലോഗ് ഭാവി?

ആഴത്തിലുള്ള ഫിസിക്കൽ ന്യൂറൽ നെറ്റ് വർക്കുകളുടെ ആദ്യത്തെ ബിപി രഹിത പരിശീലനമാണ് എൽഡബ്ല്യുഇയുടെ സമീപനമെങ്കിലും, പാരാമീറ്ററുകളുടെ ചില ഡിജിറ്റൽ അപ് ഡേറ്റുകൾ ഇപ്പോഴും ആവശ്യമാണ്. “ഇത് ഒരു ഹൈബ്രിഡ് പരിശീലന സമീപനമാണ്, പക്ഷേ ഡിജിറ്റൽ കമ്പ്യൂട്ടിംഗ് കഴിയുന്നത്ര കുറയ്ക്കുക എന്നതാണ് ഞങ്ങളുടെ ലക്ഷ്യം,” മോമേനി പറയുന്നു.

നെറ്റ്വർക്ക് സ്കെയിലബിലിറ്റി വർദ്ധിപ്പിക്കുക എന്ന ആത്യന്തിക ലക്ഷ്യത്തോടെ ചെറിയ തോതിലുള്ള ഒപ്റ്റിക്കൽ സിസ്റ്റത്തിൽ അവരുടെ അൽഗോരിതം നടപ്പാക്കുമെന്ന് ഗവേഷകർ ഇപ്പോൾ പ്രതീക്ഷിക്കുന്നു.

“ഞങ്ങളുടെ പരീക്ഷണങ്ങളിൽ, ഞങ്ങൾ 10 പാളികളുള്ള ന്യൂറൽ നെറ്റ് വർക്കുകൾ ഉപയോഗിച്ചു, പക്ഷേ ഇത് ഇപ്പോഴും കോടിക്കണക്കിന് പാരാമീറ്ററുകളുള്ള 100 പാളികളുമായി പ്രവർത്തിക്കുമോ? ഇത് അടുത്ത ഘട്ടമാണ്, ഭൗതിക സംവിധാനങ്ങളുടെ സാങ്കേതിക പരിമിതികളെ മറികടക്കേണ്ടതുണ്ട്.

പരാമർശം: അലി മോമെനി, ബാബക് റഹ്മാനി, മാത്തിയ്യൂ മല്ലേജക്, ഫിലിപ്പ് ഡെൽ ഹൗഗ്നെ, റൊമെയ്ൻ ഫ്ല്യൂറി എന്നിവരുടെ “ആഴത്തിലുള്ള ഫിസിക്കൽ ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ ബാക്ക്പ്രൊപ്പഗേഷൻ രഹിത പരിശീലനം”, 23 നവംബർ 2023, സയൻസ്.

DOI: 10.1126/science.adi8474