அறிவியல், மருத்துவத்தில் இயந்திரக் கற்றல்: புரட்சிகரமான கண்டுபிடிப்புகள் சாத்தியமானது எப்படி?

விரைவில் செப்சிஸ் (sepsis) அல்லது நீரிழிவு ரெட்டினோபதி (diabetic retinopathy) ஆகியவற்றைக் கணிப்பதற்கும் (அ) அல்சைமர் (Alzheimer) நோயை ஆரம்பத்திலேயே கண்டறிவதற்கும் பரவலான முறைகள் இருக்கும். வயது, பாலினம் மற்றும் மரபணு வகை ஆகியவற்றைக் கருத்தில் கொள்ளும் தனிப்பயனாக்கப்பட்ட மருந்துகள் மற்றும் சிகிச்சைகள் இருக்கும். உண்மையில், இந்த வளர்ச்சிகள் மிக வேகமாகவும் அசாதாரணமாகவும் இருப்பதால், ஒரு தசாப்தத்தில் நாம் அறிந்திருக்கும் வழக்கமான நோய்களின் முடிவு கூட சிலர் கணித்துள்ளனர். பருவமழை மற்றும் புயல்கள் அதிக துல்லியத்துடன் கணிக்கப்படும். புதிய மருந்துகள் ஒருங்கிணைக்கப்படுவதற்கு முன்பே, அவை எவ்வளவு திறமையானதாக இருக்கும் என்பதை கணினிகள் கண்டுபிடிக்கும்.

இந்த செய்தியை ஆங்கிலத்தில் படிக்க: How machine learning can spark many discoveries in science and medicine

அறிவியல் கண்டுபிடிப்புகள் ஏன் மாறுகின்றன?

மனித அறிவியல் வரலாற்றின் பெரும்பகுதியில், பொறுமையான மனித முயற்சியால்தான் கண்டுபிடிப்பு இயக்கப்பட்டது. தரவு விலைமதிப்பற்றதாக இருந்தது. சோதனைகள் கடினமாக இருந்தன. மேலும், விஞ்ஞானிகள் நுண்ணறிவுகளைப் பிரித்தெடுக்க செயல்பாடுகளைப் பொருத்துதல், சமன்பாடுகளைத் தீர்ப்பது, மாதிரிகளை உருவாக்குவது போன்ற வழிமுறைகளை மிகவும் கவனமாக வடிவமைத்தனர். கிடைக்கக்கூடிய தரவின் அளவு மிதமானதாக இருந்தது. மேலும் அதில் வேலை செய்யக்கூடிய ஆராய்ச்சியாளர்களின் எண்ணிக்கை போதுமானதாக இருந்தது. அந்த உலகில், மனிதனின் புத்தி கூர்மை தகவல்களுக்கு ஈடுகொடுக்க முடிந்தது.

இன்று, அந்த சமநிலை உடைந்துவிட்டது. அனைத்து துறைகளிலும், தரவின் அளவு மிகப்பெரியதாக உள்ளது. மரபணு வரிசைப்படுத்திகள் கடிகாரத்தைச் சுற்றி இயங்குகின்றன. உருவகப்படுத்துதல்கள் பெட்டாஸ்கேல் வெளியீடுகளை உருவாக்குகின்றன. வன்பொருள் - கண்காணிப்பு மற்றும் கணக்கீட்டு இரண்டும் - வியத்தகு முறையில் முன்னேறியுள்ளது.

ஆனால், மனிதனின் கவனம் மற்றும் விஞ்ஞானிகளின் எண்ணிக்கை அதே விகிதத்தில் அதிகரிக்கவில்லை. நிபுணர்களால் கையால் உருவாக்கப்பட்ட மற்றும் தொடர்ந்து சரிசெய்யப்பட வேண்டிய வழிமுறைகள், தரவின் அளவுகள் நம்முடைய ஒட்டுமொத்தமாக அவற்றை கைமுறையாக ஈடுபடுத்தும் திறனை விட அதிகமாக இருக்கும்போது இனி போதுமானதாக இல்லை.

குறிப்பாக, இந்த சிக்கல் தீவிரமடைந்த அதே நேரத்தில், இயந்திரக் கற்றல் அதைச் சந்திக்க எழுந்தது என்பது குறிப்பிடத்தக்கது. செயற்கை நுண்ணறிவின் அடிப்படைகள் பல தசாப்தங்களுக்கு முந்தையதாக இருந்தாலும், கடந்த பத்து ஆண்டுகளில் - குறிப்பாக கடந்த ஐந்து ஆண்டுகளில் - சுய-கற்றல் வழிமுறைகள் சக்திவாய்ந்த மற்றும் அளவிடக்கூடிய அறிவியல் கருவிகளாக முதிர்ச்சியடைந்துள்ளன. இந்த ஒற்றுமை வியக்கத்தக்கது. அறிவியல் அதன் சொந்த தரவு வெள்ளத்தில் மூழ்கும் அபாயத்தில் இருந்த அதே நொடியில், நீந்தக்கூடிய இயந்திரங்கள் தோன்றின.

பல்வேறு துறைகளால் ஏற்கப்படும் இயந்திரக் கற்றல்:

2010-ஆம் ஆண்டுகளுக்கு முன்னர், கணினிகள் மாதிரிகளை (patterns) அடையாளம் காணமட்டும், இன்ஜினியர்கள் எழுதிய துல்லியமான நெறிமுறைகள் தேவையாக இருந்தன. ஆனால் 2 முக்கியமான திருப்புமுனைகளால் அந்நிலை மாற்றமடைந்தது.

முதலாவது, ImageNet சவால் எனப்படும் ஒரு பொது போட்டி அறிமுகமானது. இதில் ஒருமில்லியன் லேபிள் செய்யப்பட்ட புகைப் படங்கள் போட்டிக்காக வழங்கப்பட்டன. இதில் கலந்து கொண்ட AlexNet எனப்படும் ஒரு டீப் நியூரல் நெட்வொர்க், முதன்முறையாக வீடியோ கேம்களுக்கு உருவாக்கப்பட்ட கிராஃபிக்ஸ் ப்ராசஸர்கள் மீது சோதனை மற்றும் பிழை வழியாக (trial and error) அதன் உள்ளமைப்பை அமைத்துக் கொண்டு பொருட்களை அடையாளம் காண கற்றது. எந்தவொரு கையேடு எழுதிய அம்சங்கள் (feature detectors) இல்லாமல், AlexNet முந்தைய அனைத்து முறைகளையும் விட பிழைகளை அரை அளவுக்கு குறைத்தது. இது, போதுமான தரவுகள் மற்றும் கணிப்பு திறன் இருந்தால், இயந்திரங்கள் சிக்கலான மாதிரிகளை தானாகவே கற்றுக்கொள்ள முடியும் என்பதைக் நிரூபித்தது.

பின்னர், 2016-ஆம் ஆண்டு, DeepMind நிறுவனம் உருவாக்கிய AlphaGo எனும் அமைப்பு, பண்டைய Go எனும் கட்டவணை விளையாட்டில் விளையாடக்கூடிய வகையில் வடிவமைக்கப்பட்டது. இது, ஒரு அமைப்பு பலமுறை விளையாடி, வெற்றிக்கு சுயமாக மதிப்பளித்து முன்னேறும் reinforcement learning எனப்படும் கற்றல் முறையின் சக்தியை வெளிப்படுத்தியது. உலகச் சாம்பியன் Lee Sedol உடன் நடந்த 5 போட்டிகளை கொண்ட வரலாற்றுப் பொக்கிஷமான தொடரில், AlphaGo வெற்றியடைந்தது. இது, முன்பு யாரும் பார்க்காத நகர்வுகளின் தொடர்களை விளையாடி, நிபுணர்களையே ஆச்சரியத்தில் ஆழ்த்தியது.

Go விளையாட்டில், சதுரங்கத்தைக் காட்டிலும் பல மடங்குகள் அதிகமான சதுரவடிவ அமைப்புகள் (board configurations) இருக்கக்கூடும். 2வது போட்டியின் அதிர்ச்சியளிக்கும் "நகர்வு 37"-க்கு பிறகு, Lee Sedol உணர்ச்சிபூர்வமாக, "எனக்கு பேச வார்த்தைகள் இல்லை" என்று கூறினார். இது, மனிதக் கற்பனைக்கு அப்பாற்பட்ட விதத்தில் புதுமைகளை உருவாக்க இயந்திரங்களால் முடியும் என்பதற்கான சான்றாகும்.

பல துறைகளைத் தொட்ட முன்னேற்றங்கள்:

இந்த சங்கமம் (convergence) பல துறைகளிலும் முக்கியமான முன்னேற்றங்களை உருவாக்கியுள்ளது. உயிரியல் துறையில், புரோட்டீன் மடிப்பு (protein folding) பிரச்சனை இதற்குப் சிறந்த உதாரணமாக இருக்கிறது. ஒரு சாதாரண புரோட்டீன் என்பது 200 முதல் 300 அமினோ அமிலங்கள் கொண்ட சங்கிலி ஆகும். இது எண்ணிக்கையற்ற வடிவங்களில் மடையக்கூடியது, ஆனால் அதன் மத்தியில் ஒரே ஒரு வடிவம் தான் சரியான உயிரியல் செயல்பாட்டை வழங்குகிறது.

இந்த அமைப்புகளை கண்டறியும் பாரம்பரிய பரிசோதனை முறைகள் பல மாதங்கள் எடுக்கலாம் அல்லது முற்றிலுமாக தோல்வியடையலாம். ஆனால் 2020-ஆம் ஆண்டு, DeepMind நிறுவனம் உருவாக்கிய AlphaFold2 இந்த நிலையை மாற்றியது. பல தசாப்தங்களாகக் கொண்டிருக்கும் புரோட்டீன் அமைப்புகளையும், அவற்றின் வரிசைத் தரவுகளையும் பயன்படுத்தி பயிற்சியளிக்கப்பட்ட இது, லபோரட்டரி நிலை துல்லியத்துடன் சில வினாடிகளில் மூவாயிரம் பரிமாண வடிவங்களை கணிக்கக்கூடியதாக மாறியது.

இந்த துல்லியம், மருந்து கண்டுபிடிப்பை வேகப்படுத்துகிறது — ஏனெனில், வேதியியலாளர்கள், வேதிப்பொருட்கள் எப்படி குறிக்கோள் புரோட்டீன்களில் பொருந்தும் என்பதை முன்கணிக்க முடிகிறது, தொகுப்பு செய்யும் முன்பே. அத்துடன், என்சைம் பொறியியலாளர்கள் பராமரிக்கக்கூடிய வேதிப்பொருள் மாற்றங்களுக்கு உதவும் கடலிசம் (catalyst) வடிவமைக்கலாம். நோய் ஆராய்ச்சியாளர்கள், மாற்றங்கள் (mutations) உயிரியல் செயல்பாட்டை எவ்வாறு பாதிக்கின்றன என்பதை புரிந்துகொள்ள முடிகிறது. இந்தப் புரட்சிக்காக, 2024-ஆம் ஆண்டுக்கான வேதியியல் நோபல் பரிசு Demis Hassabis, John Jumper, மற்றும் David Baker ஆகியோருக்கு வழங்கப்பட்டது.

வேதியியல், வானியல், மரபணுவியல், பொருட்கள் அறிவியல் மற்றும் உயர் ஆற்றல் இயற்பியல் போன்ற துறைகளில், இயந்திர கற்றல் தற்போது வழக்கமான ஒரு நடைமுறையாக மாறியுள்ளது. இதில், கணினிகள் மனிதர்களால் தனியாகக் கண்டறிய முடியாத தகவல்களைப் பெரும் அளவிலான தரவுத் தொகுப்புகளில் இருந்து அலறி ஆராய்கின்றன. இந்த தொழில்நுட்பத்தின் சக்தியுடன் கூட, இப்போது இது நவீன சமூகத்தில் பரவலாகக் பயன்படுவதற்கான ஒரு முக்கியக் காரணம், PyTorch, TensorFlow போன்ற மென்பொருள் கருவிகள் அனைவருக்கும் எளிமையாகக் கிடைப்பது மற்றும் மக்களுக்கு இலவசமாகக் கிடைக்கும் ஆன்லைன் பாடநெறிகள் மற்றும் பயிற்சிகள் ஆகியவற்றின் விளைவாக இருக்கலாம். 

மெஷின் லெர்னிங் விஞ்ஞானிகளை மாற்றமுடியுமா?

தற்போதைய நிலைபடி, பதில் இல்லை. சரியான கேள்விகளை உருவாக்க தேவையான கற்பனை, ஒரு முடிவின் முக்கியத்துவத்தை உணரும் உணர்திறன், மற்றும் படைப்பாற்றல் ஆகியவை, இன்றும் மனிதர்களுக்கே உரித்தான திறன்களாக இருக்கின்றன. மெஷின் லெர்னிங் மாதிரிகள் மாதிரிகளை (patterns) கண்டறிவதில் சிறந்து விளங்கினாலும், அவை ஏன் அந்த மாதிரிகள் ஏற்படுகின்றன என்பதைக் குறைவாகவே விளக்குகின்றன.

இது நிரந்தரமான எல்லையாக இருக்க வேண்டியதில்லை. எதிர்காலத்தில், கணினி அமைப்புகள் தரவுகள் மட்டுமன்றி, முழுமையான அறிவியல் இலக்கியங்களை அதாவது வெளியிடப்பட்ட ஆய்வுக் கட்டுரைகள், விமர்சனங்கள், 교டைபுத்தகங்கள் ஆகியவற்றை கொண்டு பயிற்சி பெறக்கூடிய அளவுக்கு வளரலாம். ஒருநாள், ஒரே ஒரு AI விஞ்ஞானி கட்டுரைகளை வாசித்து முக்கிய கருத்துகளை எடுத்துரைத்து, திறந்த கேள்விகளை அடையாளம் கண்டு, புதிய பரிசோதனைகளை பகுப்பாய்வு செய்து, ஆய்வுக் கட்டுரைகளையும் வரைந்து கற்பனை முதல் வெளியீடு வரை முழுமையான அறிவியல் செயல்முறையை தானாக மேற்கொள்ளக்கூடிய நிலைக்கு வரலாம்.

இன்னும் அந்த நிலைக்கு நாம் சென்றுகொண்டிருக்கவில்லை. ஆனால் அடித்தளங்களை நாம் இப்போது அமைத்து கொண்டிருக்கிறோம். இன்றைய அறிவியல் அடிப்படையிலான மெஷின் லெர்னிங் என்பது ஆதரவாக செயல்படுவதைப் பற்றி: நம்முடைய சக்தியை விரிவுபடுத்துவது, முன்னேற்றங்களை வேகமாக்குவது, மற்றும் நாமே எதிர்பார்க்காத மாதிரிகளை காட்டி எங்களை ஆச்சரியப்படுத்துவது. அறிவியல் முடிவடைவதில்லை; மேலும், எதை கணக்கிட முடியுமென்பதைவிட, நாம் என்ன கற்பனை செய்ய முடிகிறோம் என்பதே எதிர்கால எல்லையை வரையறுக்கும்.