നമ്മുടെ ദൈനംദിന ജീവിതത്തിൽ ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (എഐ) എങ്ങനെ ഉപയോഗപ്രദമാകുമെന്ന് പര്യവേക്ഷണം ചെയ്യാൻ തുടങ്ങുമ്പോൾ ചാറ്റ്ജിപിടി പൊതുജനങ്ങളെ ആകർഷിച്ചു. പിന്നാമ്പുറത്ത്, ശാസ്ത്ര സാങ്കേതിക സംഭവവികാസങ്ങൾ ത്വരിതപ്പെടുത്തുന്നതിലൂടെ നമുക്ക് അറിയാവുന്നതുപോലെ ജീവിതത്തെ മാറ്റിമറിച്ചേക്കാവുന്നത്ര വിശാലമായ ആപ്ലിക്കേഷനുകൾക്കായി ശാസ്ത്രജ്ഞർ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് തുടർച്ചയായി മുന്നോട്ട് കൊണ്ടുപോകുന്നു.

ജേണൽ ഓഫ് മെഷീൻ ലേണിംഗ് റിസർച്ചിൽ അടുത്തിടെ പ്രസിദ്ധീകരിച്ച ഗവേഷണത്തിൽ, ഫെംഗ്ലെ ഫാൻ, പിഎച്ച്ഡി ’23, മുൻ റെൻസെലർ ഡോക്ടറൽ വിദ്യാർത്ഥിയും ഹോങ്കോങ്ങിലെ ചൈനീസ് യൂണിവേഴ്സിറ്റിയിലെ ഗണിതശാസ്ത്രത്തിന്റെ നിലവിലെ റിസർച്ച് അസിസ്റ്റന്റ് പ്രൊഫസറുമാണ്; മുൻ റെൻസെലയർ അസോസിയേറ്റ് പ്രൊഫസറും ഇപ്പോൾ പർഡ്യൂ സർവകലാശാലയിലെ ഗണിതശാസ്ത്ര പ്രൊഫസറുമായ റോങ്ജി ലായ്; കൃത്രിമ ന്യൂറൽ നെറ്റ് വർക്കുകളുടെ ടോപ്പോളജി വിശകലനം ചെയ്യുന്നത് ഭാവിയിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ശക്തി എങ്ങനെ മികച്ച രീതിയിൽ ഉപയോഗിക്കാമെന്ന് വെളിച്ചം വീശുന്നുവെന്ന് ക്ലാർക്ക് & ക്രോസൻ എൻഡോവ്ഡ് ചെയർ പ്രൊഫസറും റെൻസെലറിലെ ബയോമെഡിക്കൽ ഇമേജിംഗ് സെന്ററിന്റെ ഡയറക്ടറുമായ ജി വാങ് കണ്ടെത്തി.

ഒരു ടോപ്പോളജിക്കൽ മാപ്പ് പോലെ, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ശക്തിപ്പെടുത്തുന്ന സാങ്കേതികവിദ്യകൾക്ക് മൂന്ന് മാനങ്ങളുണ്ട്. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ലോകത്ത് ഏറ്റവും കൂടുതൽ ചർച്ച ചെയ്യപ്പെടുന്ന ചാറ്റ്ജിപിടി, നിരവധി പാളികളുള്ള ഒരു ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്വർക്കാണ്, ഇതിനെ ഡീപ് ലേണിംഗ് അൽഗോരിതം എന്നും വിളിക്കുന്നു. ഒരു പാളിയിലെ ന്യൂറോണുകളുടെ എണ്ണത്തെ സൂചിപ്പിക്കുന്ന നെറ്റ്വർക്ക് വീതിയും ഒരു പ്രധാന പങ്ക് വഹിക്കുന്നുവെന്ന് വാങ്ങും സഹകാരികളും കണ്ടെത്തി.

രസകരമെന്നു പറയട്ടെ, മെഷീൻ ലേണിംഗിന്റെ നിർണായക ഘടകങ്ങളായ റിഗ്രഷൻ അല്ലെങ്കിൽ വർഗ്ഗീകരണം പോലുള്ള ഒരു നിശ്ചിത ദൗത്യം നിറവേറ്റുന്നതിനായി ഒരു തരം നെറ്റ് വർക്കിനെ മറ്റൊന്നിലേക്ക് പരിവർത്തനം ചെയ്യാമെന്ന് അവർ കണ്ടെത്തി. (വ്യക്തമായ നിർദ്ദേശങ്ങളില്ലാതെ കമ്പ്യൂട്ടർ സൃഷ്ടിച്ച പ്രവചനങ്ങൾ അനുവദിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ഒരു ഉപവിഭാഗമാണ് മെഷീൻ ലേണിംഗ്.) മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഒരു ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ് വർക്ക് ഒരു വിശാലമായ ന്യൂറൽ നെറ്റ് വർക്കിലേക്ക് പരിവർത്തനം ചെയ്യാം, തിരിച്ചും.

“സാങ്കേതികവിദ്യയുടെ തുടക്കത്തിൽ, ശാസ്ത്രജ്ഞർ വളരെ വിശാലവും ആഴമില്ലാത്തതുമായ ശൃംഖലകളിൽ (ഒന്ന് മുതൽ രണ്ട് പാളികൾ വരെ) ശ്രദ്ധ കേന്ദ്രീകരിച്ചു, സാർവത്രിക ഏകദേശം നടത്താൻ,” വാങ് പറഞ്ഞു. “പിന്നീട്, ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ് വർക്കുകൾ (ഫീഡ് ഫോർവാർഡ് രീതിയിൽ പല പാളികളും പ്രവർത്തിക്കുന്നു) വളരെ ശക്തമാണെന്ന് തെളിയിക്കപ്പെട്ടു. എന്നിരുന്നാലും, വിശാലവും ആഴത്തിലുള്ളതുമായ പഠനത്തേക്കാൾ ആഴത്തിലുള്ള പഠനത്തിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിക്കണമെന്ന് ഞങ്ങൾക്ക് പൂർണ്ണമായി ബോധ്യപ്പെട്ടില്ല. ആഴം ഒരു മാനം മാത്രമാണെന്നും വീതി മറ്റൊന്നാണെന്നും ഞങ്ങൾക്ക് തോന്നുന്നു, ഇവ രണ്ടും പരിഗണിക്കുകയും സംയോജിപ്പിക്കുകയും വേണം.”

അവരുടെ ഗവേഷണത്തിൽ, ആഴത്തിലുള്ളതും വിശാലവുമായ ന്യൂറൽ നെറ്റ് വർക്കുകൾ തമ്മിലുള്ള ബന്ധം ടീം പരിഗണിച്ചു. ക്വാണ്ടിറ്റേറ്റീവ് വിശകലനം ഉപയോഗിച്ച്, ആഴത്തിലുള്ളതും വിശാലവുമായ നെറ്റ് വർക്കുകൾ തുടർച്ചയായി അങ്ങോട്ടും ഇങ്ങോട്ടും പരിവർത്തനം ചെയ്യാൻ കഴിയുമെന്ന് അവർ കണ്ടെത്തി. ഇവ രണ്ടും ഉപയോഗിക്കുന്നത് ഒരു വലിയ ചിത്രം നൽകുകയും പക്ഷപാതം ഒഴിവാക്കുകയും ചെയ്യും.

അവരുടെ ഗവേഷണം മെഷീൻ ലേണിംഗിന്റെ ഭാവിയെക്കുറിച്ച് സൂചന നൽകുന്നു, അതിൽ നെറ്റ് വർക്കുകൾ ആഴത്തിലുള്ളതും വിശാലവുമാണ്, കൂടാതെ അനുകൂലമായ ചലനാത്മകതയുമായും വീതിയും ആഴവും തമ്മിലുള്ള ഒപ്റ്റിമൈസ്ഡ് അനുപാതങ്ങളുമായും പരസ്പരം ബന്ധപ്പെട്ടിരിക്കുന്നു. നെറ്റ് വർക്കുകൾ കൂടുതൽ സങ്കീർണ്ണമാകും, ചലനാത്മകത ആവശ്യമുള്ള അവസ്ഥകളിൽ എത്തുമ്പോൾ, അവ അതിശയകരമായ ഫലങ്ങൾ സൃഷ്ടിക്കും.

“ഇത് ലെഗോ ഇഷ്ടികകൾ ഉപയോഗിച്ച് കളിക്കുന്നത് പോലെയാണ്,” വാങ് പറഞ്ഞു. “നിങ്ങൾക്ക് വളരെ ഉയരമുള്ള ഒരു അംബരചുംബി നിർമ്മിക്കാം അല്ലെങ്കിൽ ഒരേ നിലയിൽ നിരവധി മുറികളുള്ള ഒരു ഫ്ലാറ്റ് വലിയ കെട്ടിടം നിർമ്മിക്കാം. നെറ്റ് വർക്കുകളിൽ, ന്യൂറോണുകളുടെ എണ്ണവും അവയുടെ പരസ്പരബന്ധവുമാണ് ഏറ്റവും പ്രധാനം. 3 ഡി സ്പേസിൽ, ന്യൂറോണുകളെ നിരവധി രീതിയിൽ ക്രമീകരിക്കാൻ കഴിയും. ഇത് നമ്മുടെ തലച്ചോറിന്റെ ഘടന പോലെയാണ്. വൈവിധ്യമാർന്ന ജോലികൾ സുഗമമാക്കുന്നതിന് ന്യൂറോണുകൾ വിവിധ രീതികളിൽ പരസ്പരം ബന്ധിപ്പിക്കേണ്ടതുണ്ട്.

“ന്യൂറൽ നെറ്റ് വർക്കുകളുടെ ആഴവും വീതിയും തമ്മിലുള്ള പരിവർത്തനം മനസ്സിലാക്കുന്നത് ചലനാത്മകവും വികസിച്ചുകൊണ്ടിരിക്കുന്നതുമായ ഒരു മേഖലയായി തുടരുന്നു,” ലായ് പറഞ്ഞു. “വിശാലവും ആഴത്തിലുള്ളതുമായ നെറ്റ് വർക്കുകൾ അവയുടെ വ്യതിരിക്തമായ ഗുണങ്ങളും പോരായ്മകളും വാഗ്ദാനം ചെയ്യുന്നു. ആഴം കുറഞ്ഞ ശൃംഖലകൾ, സാധാരണയായി, ഗ്രഹിക്കാൻ കൂടുതൽ എളുപ്പമാണ്. ഈ രണ്ട് നെറ്റ് വർക്ക് തരങ്ങളിൽ അന്തർലീനമായ സമമിതികളെക്കുറിച്ചുള്ള ഞങ്ങളുടെ പര്യവേക്ഷണം വിശാലമായ നെറ്റ് വർക്കുകളുടെ ലെൻസിലൂടെ ആഴത്തിലുള്ള നെറ്റ് വർക്കുകൾ മനസിലാക്കുന്നതിനുള്ള ഒരു പുതിയ കാഴ്ചപ്പാട് പ്രകാശിപ്പിക്കുന്നു.

“വിശാലവും ആഴത്തിലുള്ളതുമായ ന്യൂറൽ നെറ്റ് വർക്കുകളുടെ ബന്ധത്തെക്കുറിച്ചുള്ള ഡോ. വാങ്ങിന്റെ ഗവേഷണം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ സാധ്യതകൾ പ്രയോജനപ്പെടുത്തുന്നതിന് പുതിയ പാതകൾ തുറക്കുന്നു,” റെൻസെലയർ സ്കൂൾ ഓഫ് എഞ്ചിനീയറിംഗിന്റെ ഡീൻ പിഎച്ച്ഡി ശേഖർ ഗാർഡെ പറഞ്ഞു. “വൈദ്യശാസ്ത്രം മുതൽ പുതിയ മെറ്റീരിയലുകൾ മുതൽ ധനകാര്യം വരെ നമ്മുടെ സമൂഹത്തിന്റെ മിക്കവാറും എല്ലാ വശങ്ങളെയും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ബാധിക്കുന്നു. ഇത് ഫീൽഡിനെ സംബന്ധിച്ചിടത്തോളം ആവേശകരമായ സമയമാണ്, ഡോ. വാങ് ഈ വിഷയത്തെക്കുറിച്ചുള്ള ചിന്തയുടെ മുൻനിരയിലാണ്.”

കൂടുതൽ വിവരങ്ങൾക്ക്: Fenglei Fan et al, ന്യൂറൽ നെറ്റ് വർക്കുകളുടെ വീതിയും ആഴവും തമ്മിലുള്ള ക്വാസി-തുല്യത ജേണൽ ഓഫ് മെഷീൻ ലേണിംഗ് റിസർച്ച് (2023). jmlr.org/papers/volume24/21-0579/21-0579.pdf