नव विकसित कृत्रिम तंत्रिका नेटवर्क तेजी से भौतिकी समस्या का समाधान करने के लिए तैयार

सर आइज़क न्यूटन से लेकर, तीन-शरीर समस्या ने गणितज्ञों और भौतिकी शोधकर्ताओं को परेशान किया है। जैसा कि साइंसअलर्ट व्याख्या करता है, “तीन-शरीर समस्या तीन गुरुत्वाकर्षण रूप से परस्पर क्रिया करने वाले शरीरों – जैसे पृथ्वी, चंद्रमा और सूर्य, की गति की गणना करने के लिए दी जाती है, जो उनकी प्रारंभिक स्थिति और वेग के आधार पर होती है।”

सतह पर, यह समस्या एक सरल लगती है, लेकिन वास्तव में यह एक अत्यंत कठिन समस्या है। एक परिणाम यह था कि समुद्र में स्थिति की गणना करने के लिए समुद्री क्रोनोमीटर की शुरुआत हुई, न कि तीन-शरीर समस्या को हल करने के लिए चंद्रमा और तारों द्वारा स्थिति की गणना करने के लिए।

ब्रह्मांड के अध्ययन में तेजी से प्रगति के साथ, तीन-शरीर समस्या शोधकर्ताओं के लिए एक महत्वपूर्ण हिस्सा बन गई जब वे यह जानने की कोशिश करते हैं कि “कैसे ब्लैक होल द्विआयामी एकल ब्लैक होल के साथ परस्पर क्रिया करते हैं, और वहां से कैसे ब्रह्मांड की सबसे मौलिक वस्तुएं एक दूसरे के साथ परस्पर क्रिया करती हैं।”

इन गणनाओं को एक उचित समय में संभव बनाने के लिए, वैज्ञानिकों और शोधकर्ताओं ने गहरे कृत्रिम तंत्रिका नेटवर्क (ANN) का उपयोग करने का सहारा लिया। इस नई प्रणाली का विकास एक टीम द्वारा किया गया था, जिसमें यूनिवर्सिटी ऑफ एडिनबर्ग और यूनिवर्सिटी ऑफ कैम्ब्रिज, यूनाइटेड किंगडम, पुर्तगाल में यूनिवर्सिटी ऑफ एवेरो और नीदरलैंड में लाइडेन यूनिवर्सिटी के शोधकर्ता शामिल थे।

इस टीम द्वारा विकसित ANN को मौजूदा तीन-शरीर समस्याओं के डेटाबेस और वैज्ञानिकों द्वारा पहले से हल की गई समस्याओं के चयन पर प्रशिक्षित किया गया था।

परिणाम अत्यधिक आशाजनक थे। प्रशिक्षित ANN 100 मिलियन गुना तेजी से मौजूदा तकनीकों की तुलना में समाधान खोजने में सक्षम होने का वादा करता है।

परिणामी शोध पत्र, “न्यूटन बनाम मशीन: गहरे तंत्रिका नेटवर्क का उपयोग करके तीन-शरीर समस्या का समाधान” यह कहता है, “एक प्रशिक्षित ANN मौजूदा संख्यात्मक सॉल्वर को बदल सकता है, जो कई-शरीर प्रणालियों के तेजी से और स्केलेबल सिमुलेशन को सक्षम बनाता है, जो ब्लैक होल द्विआयामी प्रणालियों के निर्माण या घने तारा समूहों में कोर-पतन की उत्पत्ति जैसी उत्कृष्ट घटनाओं पर प्रकाश डालता है।”

साइंसअलर्ट नोट करता है कि “शोधकर्ताओं ने प्रक्रिया को सरल बनाने के लिए केवल तीन समान-द्रव्यमान कणों को एक विमान में शामिल किया, सभी शून्य वेग के साथ शुरू हुआ, और फिर एक मौजूदा तीन-शरीर समस्या सॉल्वर ब्रूटस को 10,000 बार चलाया (9,900 प्रशिक्षण के लिए और 100 सत्यापन के लिए)।”

प्रशिक्षण के बाद, नया ANN ने प्रभावशाली परिणाम दिए। इसे 5,000 नए दृश्यों के साथ काम करने के लिए दिया गया और यह लगभग पूरी तरह से ब्रूटस द्वारा प्राप्त परिणामों से मेल खाता था।

हालांकि अध्ययन अभी तक सहकर्मी द्वारा समीक्षा की जानी बाकी है, जो क्षेत्र में ज्ञान और अनुभव वाले वैज्ञानिकों द्वारा की जानी है, और यह अभी भी एक प्रमाण-ऑफ-кон्सेप्ट है, यह दिखाता है कि प्रशिक्षित तंत्रिका नेटवर्क “ब्रूटस और इसी तरह की प्रणालियों के साथ काम कर सकते हैं, जब तीन-शरीर गणनाएं हमारे वर्तमान मॉडलों के लिए बहुत जटिल हो जाती हैं।”

जैसा कि इस शोध टीम अपने पत्र में निष्कर्ष निकालती है, “अंततः, हम कल्पना करते हैं कि नेटवर्क को अधिक समृद्ध अराजक समस्याओं, जैसे 4 और 5-शरीर समस्या पर प्रशिक्षित किया जा सकता है, जो कम्प्यूटेशनल बोझ को और भी कम कर देगा।”