गेल्या वर्षी एमआयटीच्या संशोधकांनी लहान प्राण्यांच्या मेंदूचे मॉडेल बनवलेले "द्रव" न्यूरल नेटवर्कचे अनावरण केले गेले. ड्रायव्हिंग आणि उड्डाण यांसारख्या व्यावहारिक, सुरक्षितता-गंभीर कार्यांसाठी, आम्ही मजबूत, अनुकूली मशीन लर्निंग मॉडेल्सच्या वर्गाबद्दल बोलत आहोत जे नोकरीवर शिकू शकतात आणि बदलत्या परिस्थितीशी जुळवून घेऊ शकतात. या “लिक्विड” न्यूरल नेटवर्क्सची अनुकूलता आपल्या परस्पर जोडलेल्या जगाचा संवाद मजबूत करते, म्हणजे हृदय आणि मेंदूचे निरीक्षण, हवामान अंदाज आणि स्टॉकची किंमत यांसारख्या वेळ-मालिका डेटा-केंद्रित कार्यांसाठी चांगले निर्णय घेणे.
तथापि, या मॉडेल्समधील न्यूरॉन्स आणि सायनॅप्सची संख्या जसजशी वाढत जाते, तसतसे ते संगणकीयदृष्ट्या महाग होतात आणि त्यांच्या केंद्रस्थानी असलेले जटिल गणित सोडवण्यासाठी त्यांना जटिल संगणक प्रोग्रामची आवश्यकता असते. आणि बर्‍याच भौतिक घटनांप्रमाणेच, हे सर्व अंकगणित सोडवणे आकारानुसार कठीण होत जाते, ज्याला निराकरण करण्यासाठी अनेक लहान चरणांची गणना करावी लागते.
शास्त्रज्ञांच्या त्याच टीमने वेगवान आणि कार्यक्षम एआय प्रणालींचा एक नवीन वर्ग प्रकट करण्यासाठी दोन न्यूरॉन्सच्या जोडणीच्या अंतर्निहित भिन्न समीकरणाचे निराकरण करून ही अडचण कमी करण्याचा मार्ग शोधला. हे मोड लिक्विड न्यूरल नेटवर्कपेक्षा खूप वेगवान आणि स्केलेबल असले तरी, ते समान लवचिक, कारणात्मक, मजबूत आणि स्पष्ट करण्यायोग्य वैशिष्ट्ये सामायिक करतात.
परिणामी, प्रशिक्षणानंतरही ते लहान आणि लवचिक असल्यामुळे - निश्चित केलेल्या अनेक पारंपारिक मॉडेल्सच्या विपरीत - या प्रकारचे न्यूरल नेटवर्क कोणत्याही कार्यासाठी वापरले जाऊ शकते ज्यामध्ये कालांतराने डेटामध्ये अंतर्दृष्टी प्राप्त करणे समाविष्ट आहे.
"क्लोज्ड फॉर्म कंटिन्यू टाइम" (CfC) न्यूरल नेटवर्क मॉडेल्सने त्यांच्या अत्याधुनिक समकक्षांना इव्हेंट-आधारित अनुक्रमिक प्रतिमा प्रक्रिया, सिम्युलेटेड वॉकिंग रोबोटच्या भौतिक गतिशीलतेचे मॉडेलिंग आणि मानवी क्रियाकलाप ओळख यासह विविध कार्यांमध्ये मागे टाकले. मोशन सेन्सर्स. उदाहरणार्थ, वैद्यकीय अंदाज कार्यासाठी 8.000 रुग्णांच्या नमुन्यावर नवीन मॉडेल 220 पट वेगवान होते.
कॉम्प्युटर सायन्स अँड आर्टिफिशियल इंटेलिजेंस लॅबोरेटरी (सीएसएआयएल) च्या संचालक आणि नवीन पेपरच्या वरिष्ठ लेखक एमआयटी प्रोफेसर डॅनिएला रस यांच्या मते, “नवीन मशीन लर्निंग मॉडेल, ज्यांना आपण 'CfCs' म्हणतो, भिन्न समीकरण बदलून संख्यात्मक एकत्रीकरणावर केंद्रित आहेत. जे न्यूरॉनच्या गणनेचे क्लोज-फॉर्म पध्दतीने वर्णन करते. आवश्यकतेशिवाय लिक्विड मेशचे सुंदर गुणधर्म राखून ठेवते “CfC मॉडेल्स कार्यक्षम, कारणात्मक, संकुचित आणि प्रशिक्षित करण्यासाठी आणि भविष्य सांगण्यासाठी स्पष्ट करण्यायोग्य आहेत. ते सुरक्षिततेसाठी आवश्यक असलेल्या अनुप्रयोगांसाठी विश्वसनीय मशीन लर्निंगचे दरवाजे उघडतात.”
आपण भिन्न समीकरणे वापरून जगाच्या बदलत्या स्थितीची किंवा एखाद्या घटनेची कालगणना करू शकतो, परंतु आपण हे केवळ कालांतराने टप्प्याटप्प्याने करू शकतो. संघाने अचूक उपाय शोधण्यासाठी त्यांच्या गणिती युक्त्यांच्या पिशव्यांचा अभ्यास केला.
एक "बंद फॉर्म" सोल्यूशन जे संपूर्ण प्रणालीचे संपूर्ण वर्णन एका संगणकीय चरणात मॉडेल करते आणि कालांतराने नैसर्गिक घटनांचे मॉडेल बनवते आणि भूतकाळातील आणि वर्तमान वर्तन समजून घेते, जसे की मानवी क्रियाकलाप ओळखणे किंवा रोबोटने अनुसरण केलेला मार्ग.
त्यांचे मॉडेल हे समीकरण भूतकाळातील किंवा भविष्यातील कोणत्याही टप्प्यावर मोजले जाऊ देते. इतकेच नाही तर गणना अधिक वेगवान आहे कारण भिन्न समीकरण चरण-दर-चरण सोडवण्याची आवश्यकता नाही.
ड्रायव्हिंग इनपुट प्रदान करण्यासाठी कारमध्ये तयार केलेला कॅमेरा वापरणाऱ्या एंड-टू-एंड न्यूरल नेटवर्कची कल्पना करा. कारच्या स्टीयरिंग अँगलसारखे आउटपुट तयार करण्यासाठी नेटवर्कला प्रशिक्षण दिले जाते. 2020 मध्ये, टीमने 19 न्यूरॉन्स आणि 19-नोड फ्लुइड न्यूरल नेटवर्कचा वापर करून लहान सेन्सिंग मॉड्यूलद्वारे चालवता येणारी कार तयार करण्यात व्यवस्थापित केले. सिस्टममधील प्रत्येक नोडचे वर्णन भिन्न समीकरणाद्वारे केले जाते. क्लोज्ड फॉर्म सोल्यूशन हे सिस्टमच्या वास्तविक डायनॅमिक्सचे चांगले अंदाजे असल्याने, या जाळीमध्ये ते बदलल्याने आपण शोधत असलेल्या वर्तनाचा परिणाम होईल. परिणामी, ते कमी न्यूरॉन्ससह समस्या सोडवू शकतात, प्रक्रिया जलद आणि कमी संगणकीयदृष्ट्या महाग बनवतात.
स्रोत आणि पुढील वाचन: techxplore.com/news/2022-11-brain-dynamics-flexible-machine-learning.html
Günceleme: 21/11/2022 14:03
टिप्पणी करणारे प्रथम व्हा