एआई मॉडल और प्लेटफ़ॉर्म

शोधकर्ता “विकासवादी एल्गोरिदम” के साथ एक नई दृष्टिकोण का प्रस्ताव करते हैं

Alex McFarland
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुविकासवादी एल्गोरिदम ने उपन्यास सिनैप्टिक प्लास्टिसिटी नियमों की खोज की जो ज्ञात सीखने…
और देखें
  • विकासवादी एल्गोरिदम ने उपन्यास सिनैप्टिक प्लास्टिसिटी नियमों की खोज की जो ज्ञात सीखने की प्रक्रियाओं से बेहतर प्रदर्शन करते हैं।
  • सीखने-के-लिए-विकसित होने वाले दृष्टिकोण ने कंप्यूटरों को तीन परिदृश्यों में स्पष्ट प्रतिक्रिया के बिना कार्यों को हल करने में सक्षम बनाया।
  • यह विधि तेज़ अनुकूली मशीनों और स्वस्थ तथा रोगग्रस्त मस्तिष्क कार्यप्रणाली में गहरी अंतर्दृष्टि का वादा करती है।

जबकि हमारे वर्तमान कंप्यूटर आमतौर पर पूर्व-प्रोग्राम की गई क्रियाओं को करते हैं, यह हमारे मस्तिष्क के विपरीत है, जो अत्यधिक अनुकूलनीय हैं। हमारी अनुकूलनीयता मुख्य रूप से सिनैप्टिक प्लास्टिसिटी पर निर्भर करती है, जिसमें सिनैप्स न्यूरॉन्स के बीच कनेक्शन बिंदु होते हैं। न्यूरोसाइंटिस्ट सिनैप्टिक प्लास्टिसिटी से गहराई से प्रभावित होते हैं क्योंकि यह सीखने की प्रक्रियाओं और स्मृति की कुंजी है।

न्यूरोसाइंस और कृत्रिम बुद्धिमत्ता (एआई) में शोधकर्ता इन अंतर्निहित प्रक्रियाओं की तंत्र के लिए मॉडल विकसित करते हैं ताकि वे मस्तिष्क को बेहतर ढंग से समझ सकें। ये मॉडल हमें जैविक जानकारी प्रसंस्करण में अंतर्दृष्टि प्राप्त करने में मदद करते हैं, और वे मशीनों को तेजी से सीखने में मदद करने के लिए महत्वपूर्ण हैं।

“विकासवादी एल्गोरिदम”

बर्न विश्वविद्यालय के शारीरिक विज्ञान संस्थान में शोधकर्ताओं ने अब “विकासवादी एल्गोरिदम” पर आधारित एक नई दृष्टिकोण विकसित की है, और ये कंप्यूटर प्रोग्राम जैविक विकास की प्रक्रिया की नकल करके समाधान की तलाश करते हैं।

शोध टीम का नेतृत्व बर्न विश्वविद्यालय के शारीरिक विज्ञान संस्थान और हाइडेलबर्ग विश्वविद्यालय के किरचहॉफ फिजिक्स संस्थान में डॉ. मिहाई पेट्रोविकी ने किया था।

अध्ययन पत्रिका में प्रकाशित किया गया थाईलाइफ।

इसका अर्थ है कि जैविक फिटनेस, जो एक जीव के पर्यावरण के अनुकूल होने की डिग्री है, विकासवादी एल्गोरिदम के लिए एक मॉडल हो सकता है। इन एल्गोरिदम के साथ, एक उम्मीदवार समाधान की “फिटनेस” यह निर्भर करती है कि यह कितनी अच्छी तरह अंतर्निहित समस्या का समाधान कर सकता है।

तीन सीखने के परिदृश्य

नई दृष्टिकोण को “विकसित करने के लिए सीखना” या “अनुकूलनीय होना” कहा जाता है। टीम ने तीन पारंपरिक सीखने के परिदृश्यों पर ध्यान केंद्रित किया, जिनमें से पहले में एक कंप्यूटर को एक निरंतर इनपुट धारा में एक दोहराने वाले पैटर्न का पता लगाना था बिना अपने प्रदर्शन के बारे में प्रतिक्रिया प्राप्त किए।

दूसरे परिदृश्य में कंप्यूटर को एक वांछित व्यवहार को करने पर आभासी पुरस्कार मिले।

तीसरे परिदृश्य में “मार्गदर्शक सीखना” शामिल था, जहां कंप्यूटर को यह बताया गया था कि उसका व्यवहार कितना वांछित व्यवहार से भिन्न था।

बर्न विश्वविद्यालय के शारीरिक विज्ञान संस्थान से डॉ. जैकब जॉर्डन सह-लेखक और प्रथम लेखक हैं।

“इन सभी परिदृश्यों में, विकासवादी एल्गोरिदम सिनैप्टिक प्लास्टिसिटी के तंत्र का पता लगाने में सक्षम थे और इस प्रकार एक नई कार्य का सफलतापूर्वक समाधान किया,” डॉ. जॉर्डन ने कहा।

एल्गोरिदम ने मजबूत रचनात्मकता का प्रदर्शन किया।

डॉ. मैक्सिमिलियन श्मिट अध्ययन के सह-प्रथम लेखक हैं।

“उदाहरण के लिए, एल्गोरिदम ने एक नई प्लास्टिसिटी मॉडल का पता लगाया जिसमें हमने परिभाषित संकेतों को एक नए संकेत में जोड़ा गया था। वास्तव में, हम देखते हैं कि इस नए संकेत का उपयोग करने वाले नेटवर्क पहले से ज्ञात नियमों की तुलना में तेजी से सीखते हैं,” डॉ. श्मिट ने कहा।

“हम ई2एल को जैविक सीखने के सिद्धांतों में गहरी अंतर्दृष्टि प्राप्त करने और शक्तिशाली कृत्रिम सीखने वाली मशीनों की प्रगति को तेज करने के लिए एक आशाजनक दृष्टिकोण के रूप में देखते हैं,” पेट्रोविकी ने कहा।

“हमें उम्मीद है कि यह तंत्रिका तंत्र में सिनैप्टिक प्लास्टिसिटी पर शोध को तेज करेगा,” डॉ. जॉर्डन ने कहा।

टीम का कहना है कि नए निष्कर्ष स्वस्थ और बीमार मस्तिष्क के काम करने के तरीके में गहरी अंतर्दृष्टि प्रदान करेंगे, और वे उपयोगकर्ताओं के अनुकूल होने में सक्षम बुद्धिमान मशीनों के विकास में मदद कर सकते हैं।

Alex McFarland

Alex Unite.AI के एआई‑संचालित समाचार संचालन का नेतृत्व करते हैं, पत्रकारिता, अनुसंधान और स्वचालन को मिलाकर कृत्रिम बुद्धिमत्ता की समय पर और स्केलेबल कवरेज को समर्थन देते हैं। उनका काम यह सुनिश्चित करने में मदद करता है कि उभरते एआई विकास को प्रभावी ढंग से उजागर किया जाए, जबकि प्रकाशन के संपादकीय मानकों को बनाए रखा जाए।