तंत्रिका नेटवर्क के भीतर स्व-प्रतिबिंब की शक्ति: कृत्रिम बुद्धिमत्ता की दक्षता और प्रदर्शन में एक छलांग

विविधता की भूमिका विभिन्न क्षेत्रों में, जीव विज्ञान से सामाजिक विज्ञान तक, एक चर्चा का विषय रही है। हालांकि, उत्तरी कैरोलिना स्टेट यूनिवर्सिटी के नॉनलाइनियर आर्टिफिशियल इंटेलिजेंस लेबोरेटरी (एनएआईएल) से एक हालिया अध्ययन इस वार्ता में एक आकर्षक आयाम खोलता है: कृत्रिम बुद्धिमत्ता (एआई) तंत्रिका नेटवर्क के भीतर विविधता।

स्व-प्रतिबिंब की शक्ति: तंत्रिका नेटवर्क को आंतरिक रूप से ट्यून करना

विलियम डिटो, एनसी स्टेट में भौतिकी के प्रोफेसर और एनएआईएल के निदेशक, और उनकी टीम ने एक एआई सिस्टम बनाया जो “आंतरिक दृष्टि” प्राप्त कर सकता है और अपने तंत्रिका नेटवर्क को समायोजित कर सकता है। यह प्रक्रिया एआई को अपने न्यूरॉन्स की संख्या, आकार, और कनेक्शन ताकत का निर्धारण करने की अनुमति देती है, जिससे विभिन्न प्रकार के न्यूरॉन्स और ताकत के साथ उप-नेटवर्क की संभावना होती है।

“हमने एक परीक्षण प्रणाली बनाई जिसमें एक गैर-मानव बुद्धिमत्ता, एक कृत्रिम बुद्धिमत्ता, को यह देखने के लिए कि क्या एआई विविधता को विविधता की कमी पर चुनेगा और क्या इसका चयन एआई के प्रदर्शन में सुधार करेगा,” डिटो कहते हैं। “मुख्य बात यह थी कि एआई को अपने आप में देखने और सीखने की क्षमता देना।”

पारंपरिक एआई के विपरीत, जो स्थिर, समान न्यूरॉन्स का उपयोग करता है, डिटो का एआई अपने “नियंत्रण नॉब” के साथ अपने “मस्तिष्क” को नियंत्रित कर सकता है, जिससे यह मेटा-सीखने में संलग्न हो सकता है, जो इसकी सीखने की क्षमता और समस्या-समाधान कौशल को बढ़ाता है। “हमारा एआई विविध या समान न्यूरॉन्स के बीच चुनाव कर सकता था,” डिटो कहते हैं, “और हमने पाया कि हर बार एआई ने विविधता को अपने प्रदर्शन को मजबूत करने के तरीके के रूप में चुना।”

पारंपरिक कृत्रिम तंत्रिका नेटवर्क से विविध तंत्रिका नेटवर्क तक, सीखे हुए विविध तंत्रिका नेटवर्क तक की प्रगति। लाइन मोटाई वजन का प्रतिनिधित्व करती है

प्रदर्शन मेट्रिक्स: विविधता एकरूपता पर विजय प्राप्त करती है

शोध दल ने एक मानक संख्यात्मक वर्गीकरण अभ्यास के साथ एआई के प्रदर्शन को मापा और उल्लेखनीय परिणाम प्राप्त किए। पारंपरिक एआई, जो स्थिर और समान तंत्रिका नेटवर्क का उपयोग करते हैं, ने 57% सटीकता दर हासिल की। इसके विपरीत, मेटा-सीखने, विविध एआई ने 70% सटीकता हासिल की।

डिटो के अनुसार, विविधता-आधारित एआई जटिल कार्यों को हल करने में 10 गुना अधिक सटीकता दिखाता है, जैसे कि एक पेंडुलम की लहर की भविष्यवाणी करना या आकाशगंगाओं की गति। “वास्तव में, हमने यह भी देखा कि जैसे ही समस्याएं अधिक जटिल और अराजक होती जाती हैं, प्रदर्शन में सुधार और भी अधिक नाटकीय रूप से होता है, एक एआई की तुलना में जो विविधता को अपनाता नहीं है,” वे बताते हैं।

निहितार्थ: कृत्रिम बुद्धिमत्ता विकास में एक परिवर्तन

इस अध्ययन के निष्कर्ष कृत्रिम बुद्धिमत्ता प्रौद्योगिकियों के विकास के लिए दूरगामी निहितार्थ रखते हैं। वे वर्तमान में प्रचलित ‘एक-आकार-फिट-सभी’ तंत्रिका नेटवर्क मॉडल से गतिशील, स्व-調整 मॉडल में परिवर्तन का सुझाव देते हैं।

“हमने दिखाया है कि यदि आप एक एआई को अपने आप में देखने और सीखने की क्षमता देते हैं, तो यह अपनी आंतरिक संरचना — अपने कृत्रिम न्यूरॉन्स की संरचना — को विविधता को अपनाने और अपनी सीखने और समस्या-समाधान क्षमता को कुशलता से और अधिक सटीक रूप से सुधारने के लिए बदल देगा,” डिटो निष्कर्ष निकालते हैं। यह स्वायत्त वाहनों से लेकर चिकित्सा निदान तक उन अनुप्रयोगों में विशेष रूप से प्रासंगिक हो सकता है जिनमें उच्च स्तर की अनुकूलन और सीखने की आवश्यकता होती है।

यह शोध न केवल विविधता के अंतर्निहित मूल्य पर प्रकाश डालता है, बल्कि कृत्रिम बुद्धिमत्ता अनुसंधान और विकास के लिए नए मार्ग भी खोलता है, जो गतिशील और अनुकूल तंत्रिका वास्तुकला की आवश्यकता पर जोर देता है। ऑफिस ऑफ नेवल रिसर्च और अन्य सहयोगियों से चल रहे समर्थन के साथ, अगले चरण का अनुसंधान उत्सुकता से प्रतीक्षित है।

आंतरिक रूप से विविधता के सिद्धांतों को अपनाकर, कृत्रिम बुद्धिमत्ता प्रणाली प्रदर्शन और समस्या-समाधान क्षमता में काफी लाभ प्राप्त कर सकती है, जो संभावित रूप से मशीन लर्निंग और कृत्रिम बुद्धिमत्ता विकास के हमारे दृष्टिकोण को क्रांतिकारी बना सकती है।