धीमी मस्तिष्क गतिविधि पर आधारित एआई

इज़राइल के बार-इलान विश्वविद्यालय में वैज्ञानिकों ने तंत्रिका संस्कृतियों और बड़े पैमाने पर सिमुलेशन पर उन्नत प्रयोगों का उपयोग करके एक नया अल्ट्राफास्ट कृत्रिम बुद्धिमत्ता बनाने के लिए किया है। यह नया एआई मानवों की धीमी मस्तिष्क गतिविधि पर आधारित है। इन मस्तिष्क गतिविधियों में आज हमारे पास मौजूद सर्वोत्तम शिक्षण एल्गोरिदम की तुलना में बेहतर शिक्षण दर है।

मशीन लर्निंग वास्तव में हमारे मस्तिष्क की गतिविधियों पर आधारित है और उनसे जुड़ी हुई है। आधुनिक कंप्यूटरों की गति और उनके बड़े डेटा सेट के साथ, हम विभिन्न क्षेत्रों में मानव विशेषज्ञों के समान गहरे शिक्षण एल्गोरिदम बनाने में सक्षम हुए हैं। हालांकि, इन शिक्षण एल्गोरिदम में मानव मस्तिष्क की तुलना में अलग-अलग विशेषताएं हैं।

विश्वविद्यालय के वैज्ञानिकों की टीम ने अपना काम साइंटिफिक रिपोर्ट्स पत्रिका में प्रकाशित किया। उन्होंने तंत्रिका विज्ञान और उन्नत कृत्रिम बुद्धिमत्ता एल्गोरिदम को जोड़ने के लिए काम किया, जो दशकों से उपेक्षित क्षेत्र रहा है।

बार-इलान विश्वविद्यालय के भौतिकी विभाग और गोंडा (गोल्डस्मीड) बहुस्त्रीय मस्तिष्क अनुसंधान अध्ययन के प्रोफेसर इदो कांटर, और अध्ययन के प्रमुख लेखक, ने दोनों क्षेत्रों पर टिप्पणी की।

“वर्तमान वैज्ञानिक और तकनीकी दृष्टिकोण यह है कि तंत्रिका विज्ञान और मशीन लर्निंग दो अलग-अलग क्षेत्र हैं जो स्वतंत्र रूप से आगे बढ़ रहे हैं,” उन्होंने कहा। “पारस्परिक प्रभाव की अनुपस्थिति आश्चर्यजनक है।”

“मस्तिष्क में न्यूरॉन्स की संख्या एक典型िक डिस्क आकार के आधुनिक व्यक्तिगत कंप्यूटरों में बिट्स की संख्या से कम है, और मस्तिष्क की गणना गति एक घड़ी की सेकंड हाथ की तरह है, यहां तक कि 70 वर्ष पूर्व आविष्कृत पहले कंप्यूटर से भी धीमी है,” उन्होंने कहा।

“इसके अलावा, मस्तिष्क के शिक्षण नियम बहुत जटिल हैं और वर्तमान कृत्रिम बुद्धिमत्ता एल्गोरिदम में शिक्षण चरणों के सिद्धांतों से दूर हैं।”

प्रोफेसर कांटर एक अनुसंधान टीम के साथ काम करते हैं, जिसमें हरुत उजान, शिरा सार्डी, अमीर गोल्डेंटल, और रोनी वर्डी शामिल हैं।

जब मस्तिष्क गतिविधि की बात आती है, तो वे एसिंक्रोनस इनपुट से निपटते हैं क्योंकि भौतिक वास्तविकता बदलती रहती है और विकसित होती रहती है। इसके कारण, तंत्रिका कोशिकाओं के लिए कोई सिंक्रोनाइजेशन नहीं है। यह कृत्रिम बुद्धिमत्ता एल्गोरिदम से अलग है, जो सिंक्रोनस इनपुट पर आधारित हैं। अलग-अलग इनपुट एक ही फ्रेम में और उनके समय को आमतौर पर अनदेखा किया जाता है।

प्रोफेसर कांटर ने इस गतिविधि की व्याख्या की।

“जब आप आगे देखते हैं, तो आप तुरंत एक फ्रेम देखते हैं जिसमें कई वस्तुएं होती हैं। उदाहरण के लिए, ड्राइविंग करते समय आप कारें, पैदल यात्री पारित करने के स्थान, और सड़क संकेत देखते हैं, और आप आसानी से उनके क्रम और सापेक्ष स्थिति की पहचान कर सकते हैं,” उन्होंने कहा। “जैविक हार्डवेयर (शिक्षण नियम) एसिंक्रोनस इनपुट से निपटने और उनकी सापेक्ष जानकारी को परिष्कृत करने के लिए डिज़ाइन किया गया है।”

इस अध्ययन का एक बिंदु यह है कि अल्ट्राफास्ट शिक्षण दरें चाहे वह एक छोटा नेटवर्क हो या एक बड़ा नेटवर्क, दोनों में समान हैं। शोधकर्ताओं के अनुसार, “जटिल मस्तिष्क की शिक्षण योजना का नुकसान वास्तव में एक लाभ है।”

अध्ययन यह भी दिखाता है कि शिक्षण चरणों के बिना सीखना संभव है। यह एसिंक्रोनस इनपुट पर आधारित स्व-अनुकूलन के माध्यम से प्राप्त किया जा सकता है। मानव मस्तिष्क में, यह प्रकार का सीखना डेंड्राइट्स में होता है, जो तंत्रिका कोशिकाओं के छोटे विस्तार होते हैं, और प्रत्येक न्यूरॉन के विभिन्न टर्मिनलों में। यह पहले भी देखा गया है। पहले, यह माना जाता था कि डेंड्राइटिक सीखने के तहत नेटवर्क गतिविधि कमजोर भार द्वारा नियंत्रित होती है।

यह नया शोध और निष्कर्ष कई अलग-अलग चीजों का मतलब हो सकता है। ये कुशल गहरे शिक्षण एल्गोरिदम और बहुत धीमी मस्तिष्क गतिविधि के समान हो सकते हैं, जो तेज़ कंप्यूटरों के साथ एक नए उन्नत कृत्रिम बुद्धिमत्ता वर्ग को बनाने में मदद कर सकते हैं।

अध्ययन तंत्रिका विज्ञान और कृत्रिम बुद्धिमत्ता के क्षेत्रों के बीच सहयोग के लिए भी प्रोत्साहित करता है, जो दोनों क्षेत्रों को आगे बढ़ने में मदद कर सकता है। शोध समूह के अनुसार, “हमारे मस्तिष्क के मौलिक सिद्धांतों के अंतर्दृष्टि भविष्य की कृत्रिम बुद्धिमत्ता के केंद्र में एक बार फिर से होने चाहिए।”