ஏ.ஐ முன்னோடிகளுக்கு இயற்பியலுக்கான நோபல் பரிசு: விஞ்ஞானிகள் இயந்திரங்கள் கற்றுக் கொள்ளச் செய்தது எப்படி?

Amitabh Sinha

செயற்கை நுண்ணறிவு அல்லது ஏ.ஐ (AI) கருவிகள் உலகெங்கிலும் உள்ள கணினிகள் மற்றும் ஃபோன்களின் பயனர்களால் தகவல்களைத் தேட, புகைப்படங்கள் மற்றும் வீடியோக்களை உருவாக்க அல்லது இரண்டு ஆண்டுகளுக்கு முன்பு சாத்தியமில்லாமல் இருந்த பெரிய அளவிலான தரவை விளக்க பயன்படுகின்றன. ஏ.ஐ ஆனது மக்களின் வாழ்க்கை மற்றும் வேலை செய்யும் விதத்தில் அடிப்படை மாற்றங்களைக் கொண்டுவரும் ஆற்றலைக் கொண்டுள்ளது.

ஆங்கிலத்தில் படிக்க: Nobel Prize in Physics to AI pioneers: How they made machines learn

இந்த ஆண்டு இயற்பியலுக்கான நோபல் பரிசு, தற்போது வெளிவரும் ஏ.ஐ புரட்சியின் அடித்தளத்தை அமைத்த இரண்டு விஞ்ஞானிகளை அங்கீகரிக்கிறது. 91 வயதான அமெரிக்கரான ஜான் ஹாப்ஃபீல்ட் மற்றும் 76 வயதான பிரிட்டனில் பிறந்த கனேடியரான ஜெஃப்ரி ஹிண்டன் ஆகியோர் "செயற்கை நரம்பியல் நெட்வொர்க்குகள் மூலம் இயந்திர கற்றலை செயல்படுத்தும் அடிப்படை கண்டுபிடிப்புகள் மற்றும் உருவாக்கங்களுக்காக" செவ்வாயன்று நோபல் பரிசு பெற்றனர்.
இரண்டு விஞ்ஞானிகளும், தனித்தனியாக பணிபுரிந்து, 1980 களில் தங்களின் பெரும் ஆராய்ச்சியை மேற்கொண்டனர், ஆனால் அவர்களின் பணியின் தாக்கம் இப்போதுதான் உணரத் தொடங்கியுள்ளது.

மூளையைப் பிரதிபலிக்கிறது

ஹாப்ஃபீல்டு மற்றும் ஹிண்டனின் பெரிய வெற்றி, பொதுவான பணிகளைச் செய்வதில் மனித மூளையின் செயல்பாட்டைப் பிரதிபலிக்கும் கணினி வழிமுறைகளை உருவாக்குவதில் உள்ளது. மனிதர்கள் அதிக நேரத்தை எடுத்துக்கொள்வதால், தொடர்ச்சியான கணக்கீடு அடிப்படையிலான பணிகளைச் செய்ய கணினிகள் கண்டுபிடிக்கப்பட்டன. ஆனால் மிக விரைவில், விஞ்ஞானிகள் மனிதர்களைப் போல் சிந்திக்கும் அல்லது அதைவிட சிறந்ததாகத் தோன்றிய விஷயங்களைச் செய்யும் இயந்திரங்களை உருவாக்க முடியுமா என்று யோசிக்கத் தொடங்கினர் -  நினைவில் கொள்வது, அங்கீகரிப்பது, உருவாக்குவது, கற்றல் மற்றும் அறிவார்ந்த யூகங்களைச் செய்வது.

ஏ.ஐ என்பது இப்போது பொதுவான பேச்சுவழக்கில் மாறிவிட்டது, ஆனால் இந்த வார்த்தையின் தோற்றம் 1950 களின் நடுப்பகுதியில் இருந்து வருகிறது, அப்போது விஞ்ஞானிகள் கணினிகளை "அறிவுத்திறன்" இயந்திரங்கள் என்று பேச ஆரம்பித்தனர். கணினிகள் பல ஆண்டுகளாக மேலும் மேலும் சக்திவாய்ந்ததாக மாறியதால், அவை பெருகிய முறையில் சிக்கலான பணிகளை மிகுந்த செயல்திறனுடன் நிறைவேற்றின, மேலும் புலனாய்வுத் திறனைப் பெற்றன. இருப்பினும், இவை இன்னும் கணக்கீடு அடிப்படையிலான பணிகளாகவே இருந்தன - மேலும் முக்கியமாக நடந்தது என்னவென்றால், கணினியானது முந்தையதை விட வேகமாகக் கணக்கிட்டு பல பணிகளை ஒரே நேரத்தில் செய்ய முடிந்தது.

1980களில் ஹாப்ஃபீல்டின் புரட்சிகரப் பணி வரை மனித மூளையின் செயல்பாட்டைப் பின்பற்றும் கணினியைப் பெறுவதற்கான முயற்சிகள் பெரிதாக முன்னேறவில்லை. மூலக்கூறு உயிரியல் மற்றும் நரம்பியல் அறிவியலில் ஆர்வமுள்ள ஒரு கோட்பாட்டு இயற்பியலாளரான ஹாப்ஃபீல்ட் ஒரு செயற்கை நரம்பியல் வலையமைப்பை உருவாக்கினார், இது மனித மூளையில் உள்ள நரம்பு செல்களின் வலையமைப்பைப் போன்றது, இது கணினி அமைப்புகளை 'நினைவில் கொள்ள' மற்றும் 'கற்க' அனுமதித்தது.

"முன்னதாக, 1949 ஆம் ஆண்டில், கனேடிய உளவியலாளர் டொனால்ட் ஹெப், மனிதர்களில் கற்றல் செயல்முறையானது, கற்றல் தொடர்பான தகவல்தொடர்பு நிகழும் நரம்பு செல்களுக்கு இடையிலான ஒத்திசைவுகள் அல்லது இணைப்புகளில் நிரந்தர மற்றும் மாற்ற முடியாத மாற்றங்களை உள்ளடக்கியது என்பதைக் கண்டுபிடித்தார். ஹாப்ஃபீல்ட் ஒரு செயற்கை நரம்பியல் வலையமைப்பை உருவாக்கினார், இது இதேபோன்ற ஒன்றைச் செய்ய முடியும், இது ஒரு பெரிய திருப்புமுனையாகும்," என்று ஹைதராபாத் பல்கலைக்கழகத்தின் முன்னாள் இயற்பியல் பேராசிரியரான விபின் ஸ்ரீவஸ்தவா கூறினார்.

ஹாப்ஃபீல்டின் நெட்வொர்க் முழு நெட்வொர்க் கட்டமைப்பையும் பயன்படுத்தி தகவலை செயலாக்கியது, ஆனால் அதன் தனிப்பட்ட கூறுகள் அல்ல. இது பாரம்பரிய கம்ப்யூட்டிங் போலல்லாமல், இதில் தகவல் சேமிக்கப்படும் அல்லது சிறிய பிட்களில் செயலாக்கப்படுகிறது. எனவே, ஹாப்ஃபீல்டு நெட்வொர்க்கிற்கு ஒரு படம் அல்லது பாடல் போன்ற புதிய தகவல்கள் கொடுக்கப்பட்டால், அது படங்களின் விஷயத்தில் பிக்சல்கள் போன்ற, உள்ளடங்கிய பகுதிகளுக்கு இடையே உள்ள இணைப்புகள் அல்லது உறவுகளை நினைவில் வைத்து, முழு வடிவத்தையும் ஒரே நேரத்தில் கைப்பற்றுகிறது.

முழுமையடையாத அல்லது ஒத்த தோற்றமுடைய படம் உள்ளீடாக அனுப்பப்படும் போது, அந்த படத்தை அல்லது பாடலை நினைவுபடுத்த, அடையாளம் காண அல்லது மீண்டும் உருவாக்க நெட்வொர்க்கை அனுமதிக்கிறது. ஹாப்ஃபீல்டின் பணியானது, கணினிகளில் பேட்டர்ன் அறிதலை இயக்குவதற்கான ஒரு பாய்ச்சலாக இருந்தது, இது முகத்தை அடையாளம் காண அல்லது படத்தை மேம்படுத்தும் கருவிகளை அனுமதிக்கும்.

ஆழ்ந்த கற்றல் (Deep Learning)

ஹின்டன் ஹாப்ஃபீல்டின் பணியை முன்னெடுத்து, மிகவும் சிக்கலான பணிகளைச் செய்யக்கூடிய செயற்கை நெட்வொர்க்குகளை உருவாக்கினார். எனவே, ஹாப்ஃபீல்ட் நெட்வொர்க்குகள் வடிவம் அல்லது ஒலியின் எளிய வடிவங்களை அடையாளம் காண முடிந்த நிலையில், ஹிண்டனின் மேம்பட்ட மாதிரிகள் குரல்களையும் படங்களையும் புரிந்து கொள்ள முடிந்தது. இந்த நரம்பியல் நெட்வொர்க்குகள் பலப்படுத்தப்படலாம், மேலும் பயிற்சி எனப்படும் தரவை மீண்டும் மீண்டும் உள்ளீடு செய்வதன் மூலம் பேட்டர்ன் அங்கீகாரத்தில் அவற்றின் துல்லியத்தை மேம்படுத்தலாம். செயற்கை நரம்பியல் நெட்வொர்க்குகள் முந்தைய தவறுகளிலிருந்து கற்றுக்கொண்டு தன்னை மேம்படுத்திக் கொள்ள உதவும் பேக் ப்ரோபேகேஷன் என்ற முறையை ஹிண்டன் உருவாக்கினார்.

பெரிய தரவுத்தொகுப்புகளில் பயிற்சியின் மூலம் தொடர்ச்சியான கற்றல் மற்றும் மேம்பாடு செயல்முறை பல அடுக்கு நெட்வொர்க்குகளைக் கொண்ட ஆழமான நரம்பியல் நெட்வொர்க்குகளின் வளர்ச்சிக்கு வழிவகுத்தது. ஆழமான நெட்வொர்க்குகள் பெரிய தரவுத்தொகுப்புகளில் மிகவும் சிக்கலான அம்சங்கள் மற்றும் வடிவங்களைக் கற்றுக்கொள்வதில் விளைவதாக ஹிண்டன் நிரூபித்தார். நவீன பேச்சு மற்றும் பட அங்கீகாரம், மொழிபெயர்ப்பு, குரல் உதவி மற்றும் சுய-ஓட்டுநர் கார்களின் இதயத்தில் டீப் லேர்னிங் உள்ளது.

ஹிண்டனின் டீப் நெட்வொர்க்குகளின் சக்தி 2012 இமேஜ்நெட் விஷுவல் ரெகக்னிஷன் சேலஞ்சில் மிகவும் பிரமாதமாக நிரூபிக்கப்பட்டது, இது பட அங்கீகாரத்தில் புதிய தொழில்நுட்பங்களை சோதிக்க ஏற்பாடு செய்யப்பட்டது. அலெக்ஸ்நெட் எனப்படும் ஹிண்டன் மற்றும் அவரது மாணவர்களால் உருவாக்கப்பட்ட டீப் நியூரல் நெட்வொர்க்குகளைப் பயன்படுத்தி ஒரு மாதிரி அங்கீகார வழிமுறையானது, படங்களை அங்கீகரிப்பதில் வியத்தகு முன்னேற்றங்களைக் காட்டியது.

"செயற்கை நுண்ணறிவின் வளர்ச்சியில் இது ஒரு முக்கியமான தருணம். அதுவரை, இந்த நரம்பியல் நெட்வொர்க்குகளின் உண்மையான பயன்பாடு நன்கு அங்கீகரிக்கப்படவில்லை மற்றும் நிரூபிக்கப்படவில்லை. இப்போது, நிச்சயமாக, இயந்திரக் கற்றல் பல்வேறு துறைகளில் பயன்படுத்தப்படுகிறது,” என்று மும்பையில் உள்ள டாடா இன்ஸ்டிடியூட் ஆஃப் ஃபண்டமென்டல் ரிசர்ச் வானியல் மற்றும் வானியற்பியல் துறையின் ஷ்ரவன் ஹனசோஜ் கூறினார். ஷ்ரவன் ஹனசோகே தனது நட்சத்திரங்களைப் பற்றிய ஆய்வுக்கு இயந்திரக் கற்றலைப் பயன்படுத்துகிறார்.

"சாத்தியங்கள் நிறைந்த பெரிய அளவிலான தரவுகளை நாங்கள் கையாள்கிறோம். புதிய அல்லது சுவாரஸ்யமான தகவல்களுக்கு அதிக சாத்தியக்கூறுகளைக் கொண்ட தரவுத்தொகுப்புகளில் கவனம் செலுத்த இயந்திரக் கற்றல் நமக்கு உதவுகிறது,” என்று ஷ்ரவன் ஹனசோகே கூறினார்.

2018 ஆம் ஆண்டில், கணினி அறிவியலில் மிகவும் மதிப்புமிக்க விருதான டூரிங் பரிசு ஹிண்டனுக்கு வழங்கப்பட்டது. உண்மையில், ஹிண்டனின் முழுப் பணியும் கணினி அறிவியலில் உள்ளது, அதேநேரம் ஹாப்ஃபீல்டு, இயற்பியல், நரம்பியல் மற்றும் உயிரியல் ஆகியவற்றில் பங்களிப்பு செய்துள்ளார். ஹைதராபாத் பல்கலைக்கழகத்தின் முன்னாள் பேராசிரியர் ஸ்ரீவஸ்தவா, இயற்பியலுக்கான நோபல் பரிசு முக்கியமானது, ஏனெனில் ஹாப்ஃபீல்டின் 1982 வேலைகள் இயற்பியலில் சில முந்தைய முன்னேற்றங்களிலிருந்து கடன் வாங்கப்பட்டது.

"ஹாப்ஃபீல்டின் நெட்வொர்க், 'ஸ்பின் கிளாஸ்' எனப்படும் இயற்பியல் அமைப்பால் ஈர்க்கப்பட்டது, இது சில சிறப்பு பண்புகளைக் கொண்ட உலோகக் கலவைகள். ஸ்பின் கிளாஸின் செயல்பாடுகள் மற்றும் அதன் கணிதம் செயற்கை நரம்பியல் நெட்வொர்க்குகளில் வரைபடமாக்கப்பட்டது" என்று ஸ்ரீவஸ்தவா கூறினார்.

நோபல் கமிட்டி இயற்பியலுக்கான நோபல் பரிசுக்கு கணினி அறிவியலைத் தேர்ந்தெடுப்பது இது முதல் முறை அல்ல. 2007 ஆம் ஆண்டில், ஹார்ட் டிரைவ்கள் போன்ற தரவு சேமிப்பு சாதனங்கள் தொடர்பான பணிக்காக இயற்பியலில் நோபல் பரிசு வழங்கப்பட்டது.

“தமிழ் இந்தியன் எக்ஸ்பிரஸின் அனைத்து செய்திகளையும் உடனுக்குடன் டெலிகிராம் ஆப்பில் பெற https://t.me/ietamil“