कैसे रोजमर्रा का झाग कृत्रिम बुद्धिमत्ता के गुप्त तर्क को उजागर करता है

नया शोध अब उस दीर्घकालिक दृष्टिकोण को चुनौती देता है। पेंसिल्वेनिया विश्वविद्यालय के इंजीनियरों ने पाया है कि जहां फोम अपना समग्र आकार बनाए रखते हैं, वहीं उनके आंतरिक भाग निरंतर गति में रहते हैं। और भी अप्रत्याशित रूप से, इस गति का वर्णन करने वाला गणित गहन शिक्षा से मिलता जुलता है, जो आधुनिक कृत्रिम बुद्धिमत्ता प्रणालियों को प्रशिक्षित करने के लिए उपयोग की जाने वाली तकनीक है।

इस खोज से पता चलता है कि व्यापक गणितीय अर्थ में सीखना, भौतिक, जैविक और कम्प्यूटेशनल प्रणालियों में एक साझा आयोजन सिद्धांत हो सकता है। यह कार्य ऐसी सामग्री बनाने के भविष्य के प्रयासों का भी मार्गदर्शन कर सकता है जो अपने परिवेश के अनुकूल और प्रतिक्रिया करती हैं। इससे वैज्ञानिकों को जीवित संरचनाओं को बेहतर ढंग से समझने में भी मदद मिल सकती है, जिन्हें लगातार खुद को पुनर्गठित करना पड़ता है, जैसे कि कोशिकाओं की आंतरिक संरचना।

बुलबुले जो कभी नहीं बैठते

में प्रकाशित एक अध्ययन में राष्ट्रीय विज्ञान अकादमी की कार्यवाहीशोधकर्ताओं ने गीले फोम के भीतर बुलबुले की गति का पता लगाने के लिए कंप्यूटर सिमुलेशन का उपयोग किया। अंततः स्थिर होने के बजाय, बुलबुले कई संभावित व्यवस्थाओं के माध्यम से भटकते रहे।

गणितीय दृष्टिकोण से, यह व्यवहार गहराई से सीखने के तरीके से काफी मिलता-जुलता है। प्रशिक्षण के दौरान, एक एआई सिस्टम बार-बार अपने मापदंडों को समायोजित करता है – वह जानकारी जो परिभाषित करती है कि एआई “क्या जानता है” – एक अंतिम स्थिति में लॉक करने के बजाय।

केमिकल एंड बायोमोलेक्यूलर इंजीनियरिंग (सीबीई) के प्रोफेसर और पेपर के सह-वरिष्ठ लेखक जॉन सी. क्रॉकर कहते हैं, “फोम लगातार खुद को पुनर्गठित करते हैं।” “यह आश्चर्यजनक है कि फोम और आधुनिक एआई सिस्टम समान गणितीय सिद्धांतों का पालन करते प्रतीत होते हैं। ऐसा क्यों होता है यह समझना अभी भी एक खुला प्रश्न है, लेकिन यह अनुकूली सामग्रियों और यहां तक ​​​​कि जीवित प्रणालियों के बारे में हमारी सोच को नया आकार दे सकता है।”

फोम ने पारंपरिक भौतिकी को क्यों चुनौती दी?

फोम अक्सर मानव पैमाने पर ठोस पदार्थों की तरह व्यवहार करते हैं। वे आम तौर पर अपना आकार बनाए रखते हैं और निचोड़ने के बाद वापस उभर सकते हैं। हालाँकि, बहुत छोटे पैमाने पर, फोम को “दो-चरण” सामग्री माना जाता है, जो तरल या ठोस पृष्ठभूमि में निलंबित बुलबुले से बना होता है।

चूंकि जटिल यांत्रिक व्यवहार प्रदर्शित करते हुए फोम बनाना और निरीक्षण करना आसान है, वैज्ञानिकों ने लंबे समय से जीवित कोशिकाओं सहित अन्य घने और गतिशील सामग्रियों का अध्ययन करने के लिए मॉडल सिस्टम के रूप में उनका उपयोग किया है।

पारंपरिक सिद्धांतों में फोम के बुलबुले को ऊर्जा परिदृश्य में घूमने वाली चट्टानों की तरह माना जाता है। इस दृश्य में, बुलबुले नीचे की ओर ऐसी स्थिति में चले जाते हैं जिन्हें बनाए रखने के लिए कम ऊर्जा की आवश्यकता होती है, और फिर वहीं रहते हैं। इस विचार ने यह समझाने में मदद की कि फोम एक बार बनने के बाद स्थिर क्यों दिखाई देते हैं, बिल्कुल घाटी के तल पर आराम कर रहे पत्थर की तरह।

सिद्धांत और वास्तविकता के बीच बेमेल

जब शोधकर्ताओं ने वास्तविक फोम डेटा की जांच की, तो उन्होंने पाया कि व्यवहार इन भविष्यवाणियों के अनुरूप नहीं था। क्रॉकर के अनुसार, इस बेमेल के संकेत लगभग दो दशक पहले दिखाई दिए थे, लेकिन जो कुछ हो रहा था उसे पूरी तरह से समझाने के लिए कोई उपयुक्त गणितीय उपकरण नहीं थे।

क्रोकर कहते हैं, “जब हमने वास्तव में डेटा को देखा, तो फोम का व्यवहार सिद्धांत की भविष्यवाणी से मेल नहीं खाता था।” “हमने इन विसंगतियों को लगभग 20 साल पहले देखना शुरू किया था, लेकिन वास्तव में क्या हो रहा था इसका वर्णन करने के लिए हमारे पास अभी तक गणितीय उपकरण नहीं थे।”

इस पहेली को सुलझाने के लिए एक नए दृष्टिकोण की आवश्यकता थी, जो उन प्रणालियों का वर्णन कर सके जो एक एकल, निश्चित व्यवस्था में व्यवस्थित हुए बिना बदलती रहती हैं।

आर्टिफिशियल इंटेलिजेंस से सबक

आधुनिक एआई सिस्टम प्रशिक्षण के दौरान संख्यात्मक मापदंडों को लगातार समायोजित करके सीखते हैं। प्रारंभिक दृष्टिकोणों ने इन प्रणालियों को एक एकल इष्टतम समाधान की ओर धकेलने का प्रयास किया जो उनके प्रशिक्षण डेटा से पूरी तरह मेल खाता हो।

गहन शिक्षण ग्रेडिएंट डिसेंट नामक गणितीय तकनीक से संबंधित अनुकूलन विधियों पर निर्भर करता है। ये विधियाँ सिस्टम को बार-बार कॉन्फ़िगरेशन की ओर निर्देशित करती हैं जो चरण दर चरण त्रुटि को कम करती है, जैसे किसी परिदृश्य में ढलान की ओर बढ़ना।

समय के साथ, शोधकर्ताओं ने महसूस किया कि मॉडलों को यथासंभव गहरे समाधानों में धकेलने से समस्याएं पैदा हुईं। जो प्रणालियाँ अपने प्रशिक्षण डेटा को बहुत सटीक रूप से फिट करती हैं वे नाजुक हो गईं और नई जानकारी पर खराब प्रदर्शन करने लगीं।

सीबीई में प्रोफेसर और पेपर के सह-वरिष्ठ लेखक रॉबर्ट रिग्गलमैन कहते हैं, “मुख्य अंतर्दृष्टि यह महसूस कर रही थी कि आप वास्तव में सिस्टम को सबसे गहरी संभावित घाटी में नहीं धकेलना चाहते हैं।” “इसे परिदृश्य के सपाट हिस्सों में रखना, जहां बहुत सारे समाधान समान रूप से अच्छा प्रदर्शन करते हैं, इन मॉडलों को सामान्यीकृत करने की अनुमति देता है।”

फोम और एआई समान नियमों का पालन करते हैं

जब पेन टीम ने इस परिप्रेक्ष्य का उपयोग करके अपने फोम डेटा की दोबारा जांच की, तो समानता स्पष्ट हो गई। फोम के बुलबुले गहरी, स्थिर स्थिति में नहीं बैठते हैं। इसके बजाय, वे व्यापक क्षेत्रों में आगे बढ़ना जारी रखते हैं जहां कई कॉन्फ़िगरेशन समान रूप से व्यवहार्य हैं।

यह चल रही गति सीखने के दौरान आधुनिक एआई सिस्टम कैसे काम करती है, इसके समानान्तर है। वही गणित जो यह समझाने में मदद करता है कि गहन शिक्षण क्यों काम करता है, यह भी पकड़ लेता है कि फोम हमेशा से क्या कर रहा है।

सामग्री और जीवन प्रणालियों के लिए निहितार्थ

ये निष्कर्ष उस क्षेत्र में नए प्रश्न खड़े करते हैं जिनके बारे में कई लोगों का मानना ​​है कि यह पहले से ही अच्छी तरह से समझा गया था। वह अकेले ही अध्ययन के सबसे महत्वपूर्ण योगदानों में से एक हो सकता है।

यह दिखाकर कि फोम के बुलबुले कांच जैसी अवस्था में नहीं जमे हैं, बल्कि सीखने के एल्गोरिदम के समान तरीकों से चलते हैं, अनुसंधान वैज्ञानिकों को इस बात पर पुनर्विचार करने के लिए प्रोत्साहित करता है कि अन्य जटिल प्रणालियाँ कैसे व्यवहार करती हैं।

क्रॉकर की टीम अब उस प्रणाली पर दोबारा गौर कर रही है जिसने सबसे पहले फोम में उनकी रुचि जगाई: साइटोस्केलेटन, कोशिकाओं के अंदर सूक्ष्म ढांचा जो जीवन का समर्थन करता है। फोम की तरह, साइटोस्केलेटन को अपनी समग्र संरचना को संरक्षित करते हुए लगातार पुनर्गठित होना चाहिए।

क्रॉकर कहते हैं, “गहन शिक्षा का गणित फोम को सटीक रूप से क्यों चित्रित करता है, यह एक दिलचस्प सवाल है।” “यह संकेत देता है कि ये उपकरण अपने मूल संदर्भ के बाहर भी उपयोगी हो सकते हैं, जो जांच की पूरी तरह से नई दिशाओं के द्वार खोलते हैं।”

यह शोध पेंसिल्वेनिया विश्वविद्यालय के स्कूल ऑफ इंजीनियरिंग एंड एप्लाइड साइंस में आयोजित किया गया था और नेशनल साइंस फाउंडेशन डिवीजन ऑफ मैटेरियल्स रिसर्च (1609525, 1720530) द्वारा समर्थित था।

अतिरिक्त सह-लेखकों में अमृतेश थिरुमलाईस्वामी और क्लैरी रोड्रिग्ज-क्रूज़ शामिल हैं।