Probabilistic Circuits as Reasoning Machines in Artificial Intelligence (Part I)
यह संचयी हैबिलिटेशन थीसिस का पहला भाग अनिश्चितता के तहत एआई (AI) तर्क और शिक्षण के लिए एक सुलभ ढांचे के रूप में प्रोबेबिलिस्टिक सर्किट्स का समर्थन करता है, जो उनके मूलभूत सिद्धांत, शिक्षण एल्गोरिदम, स्केलेबल कार्यान्वयन, और डीप एवं सिम्बोलिक मशीन लर्निंग प्रतिमानों के साथ एकीकरण पर एक दशक के शोध को संश्लेषित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मशीनों को सोचने के योग्य बनाने की खोज में, वैज्ञानिक लंबे समय से बुद्धिमत्ता के लिए सबसे अच्छी भाषा पर बहस करते रहे हैं। एक समूह कठोर तर्क (logic) का पक्ष लेता है, जहाँ तथ्य पूर्ण होते हैं और निष्कर्ष सख्त नियमों का पालन करते हैं। दूसरा पक्ष न्यूरल नेटवर्क का समर्थन करता है, ऐसी प्रणालियाँ जो मानव मस्तिष्क की तरह भारी मात्रा में डेटा में पैटर्न पहचानकर सीखती हैं। लेकिन एक तीसरा, पुराना मार्ग भी है जो अनिश्चितता को ठीक किए जाने वाले दोष के रूप में नहीं, बल्कि दुनिया की एक मौलिक विशेषता के रूप में देखता है। यह दृष्टिकोण प्रायिकता (probability) पर निर्भर करता है, जो एक ऐसा गणितीय ढांचा है जो सिस्टम को यह कहने की अनुमति देता है कि, "मैं निश्चित नहीं हूँ, लेकिन विभिन्न परिणामों की संभावना इस प्रकार है।" यह जोखिम, मौसम का अनुमान लगाने, या लक्षणों को निदान के विरुद्ध तौलने वाले डॉक्टर की भाषा है। प्रायिकता की शक्ति ज्ञात और अज्ञात को मिलाने की इसकी क्षमता में निहित है, जो नए साक्ष्य आने पर विश्वासों को अपडेट करती है। हालाँकि, दशकों से, इस सुरुचिपूर्ण भाषा का उपयोग व्यवहार में करना कठिन रहा है। जबकि प्रायिकता के साथ तर्क करने के नियम सरल हैं, वास्तविक दुनिया की जटिल समस्याओं के लिए गणना करना अक्सर कंप्यूटर के लिए असंभव संख्या में चरणों को पूरा करने जैसा होता है, जिसमें ब्रह्मांड की आयु से भी अधिक समय लग सकता है।
ग्राज़ यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ता रॉबर्ट पेहरज़ ने इस कम्प्यूटेशनल बाधा को हल करने के लिए पिछले एक दशक तक काम किया है। उनका कार्य एक विशिष्ट प्रकार के मॉडल पर केंद्रित है जिसे 'प्रोबेबिलिस्टिक सर्किट' कहा जाता है। एक विशाल, शाखाओं वाले पेड़ की कल्पना करें जहाँ प्रत्येक पत्ती सूचना का एक सरल टुकड़ा है, और प्रत्येक शाखा इन टुकड़ों को मिलाकर दुनिया की एक पूर्ण तस्वीर बनाती है। मानक मॉडलों में, किसी विशिष्ट परिदृश्य की संभावना की गणना करने के लिए इस पेड़ के माध्यम से हर संभव पथ का पता लगाना आवश्यक होता है, जो पेड़ के बढ़ने के साथ तेजी से कठिन होता जाता है। पेहरज़ का शोध दर्शाता है कि इन शाखाओं के जुड़ने के तरीके पर कुछ सख्त संरचनात्मक नियम लागू करके, हम पूरी गणना को तेज़ और सटीक बना सकते हैं। ये नियम सुनिश्चित करते हैं कि मॉडल कभी भी हर संभावना को गिनने की कोशिश में फंसा न रहे। इसके बजाय, यह जटिल प्रश्नों के उत्तर तुरंत दे सकता है, जैसे लक्षणों के एक सेट के लिए सबसे संभावित कारण का अनुमान लगाना या डेटा के ढेर के आधार पर किसी विशिष्ट घटना की प्रायिकता निर्धारित करना।
पेहरज़ के योगदान का मूल यह अहसास है कि ये सर्किट केवल एक नया आविष्कार नहीं हैं, बल्कि कई मौजूदा विधियों के लिए एक एकीकृत भाषा हैं। वह दिखाते हैं कि विभिन्न मॉडल, जैसे कि अरिथमेटिक सर्किट से लेकर सम-प्रोडक्ट नेटवर्क तक, वास्तव में एक ही अंतर्निहित संरचना के अलग-अलग नाम हैं। उन्हें एक सुसंगत परिवार के रूप में मानकर, वह एक सेट मानक उपकरण विकसित करने में सक्षम हुए हैं जो व्यापक रूप से काम करते हैं। उनकी एक प्रमुख खोज यह है कि इन सर्किटों को "स्मूथ" (smooth) और "डिकम्पोजेबल" (decomposable) बनाया जा सकता है। सरल शब्दों में, इसका अर्थ है कि मॉडल इस तरह व्यवस्थित है कि यह कभी भी दो सूचनाओं को गुणा करने की कोशिश नहीं करता जो एक ही अज्ञात कारक पर निर्भर हों, और यह कभी भी दो अलग-अलग संभावनाओं को नहीं जोड़ता जो तथ्यों के अलग-अलग सेट को कवर करती हों। ये संरचनात्मक प्रतिबंध कंप्यूटर की गणनाओं के लिए एक ट्रैफिक सिस्टम की तरह कार्य करते हैं, जो ट्रैफिक जाम को रोकते हैं और सुनिश्चित करते हैं कि सूचना पेड़ के निचले हिस्से से ऊपरी हिस्से तक सुचारू रूप से प्रवाहित हो।
इस संगठन के कारण, कंप्यूटर उन कार्यों को कर सकता है जिन्हें पहले बहुत कठिन माना जाता था। उदाहरण के लिए, यह किसी स्थिति के औसत परिणाम की गणना कर सकता है या प्रेक्षणों के एक सेट के लिए एकल सबसे संभावित स्पष्टीकरण पा सकता है, वह भी एक सेकंड के अंश में। पेहरज़ ने यह भी दिखाया है कि इन सर्किटों को डेटा से सीखना कैसे सिखाया जाए। उन्होंने ऐसे तरीके विकसित किए हैं जो मॉडल को अपने आंतरिक भार (weights) को स्वचालित रूप से समायोजित करने की अनुमति देते हैं, जिससे बिना अनुमान लगाए डेटा के लिए सबसे अच्छा फिट पाया जा सके। इसके अलावा, उन्होंने सिद्ध किया है कि इन सर्किटों को अन्य शक्तिशाली, लेकिन कम्प्यूटेशनल रूप से भारी मशीन लर्निंग उपकरणों के साथ जोड़ा जा सकता है। समस्या के आसान हिस्सों को संभालने के लिए प्रोबेबिलिस्टिक सर्किट को एक तेज़, विश्वसनीय इंजन के रूप में उपयोग करके, और कठिन हिस्सों को धीमे, अधिक जटिल मॉडलों को सौंपकर, पूरा सिस्टम शक्तिशाली और कुशल दोनों बन जाता है। यह हाइब्रिड दृष्टिकोण शोधकर्ताओं को ऐसे मॉडल बनाने की अनुमति देता है जो न केवल सटीक हैं बल्कि अपने तर्क को समझाने में भी सक्षम हैं।
यह कार्य सांख्यिकीय शिक्षण (statistical learning) और प्रतीकात्मक तर्क (symbolic logic) के बीच के अंतर को भी पाटता है। पेहरज़ ने प्रदर्शित किया कि इन सर्किटों को निर्णय वृक्षों (decision trees) में बदला जा सकता है, जो नियमों के आधार पर निर्णय लेने की एक क्लासिक विधि है। यह संबंध सिस्टम को लापता डेटा को सहजता से संभालने की अनुमति देता है; यदि सूचना का एक हिस्सा गायब है, तो सर्किट बस उस शाखा को अनदेखा कर सकता है और विफल होने के बजाय एक वैध उत्तर प्रदान कर सकता है। उन्होंने इन विचारों को साइबर सुरक्षा के क्षेत्र में भी लागू किया, जिसमें गुप्त एन्क्रिप्शन कुंजियों को उजागर करने के लिए बिजली की खपत जैसे भौतिक साइड-चैनलों का विश्लेषण करने के लिए सर्किटों का उपयोग किया गया। इन परीक्षणों में, सर्किट-आधारित दृष्टिकोण पिछले तरीकों की तुलना में शोर (noise) के प्रति काफी अधिक सफल और मजबूत था।
अपने पूरे शोध के दौरान, पेहरज़ ने इस क्षेत्र की एक आम गलतफहमी को दूर किया है: यह विचार कि आपको एक ऐसे मॉडल को चुनना होगा जो गणना करने में आसान हो या एक ऐसे मॉडल को जो जटिल वास्तविकता का वर्णन करने के लिए पर्याप्त अभिव्यंजक (expressive) हो। उनके परिणाम दिखाते हैं कि यह एक गलत विकल्प है। हालांकि एक प्रोबेबिलिस्टिक सर्किट के लिए कुछ प्रकार के डेटा का संक्षिप्त रूप से प्रतिनिधित्व करने की सीमाएं हैं, उन्होंने दिखाया है कि कई व्यावहारिक अनुप्रयोगों के लिए, ये मॉडल अधिक जटिल और अग्रह्य (intractable) विकल्पों जितने ही अच्छे या उससे भी बेहतर हैं। उन्होंने यह भी स्पष्ट किया है कि अनॉर्मलाइज्ड वेट्स (unnormalized weights) जैसी कुछ विशेषताएं जोड़ने से वास्तव में मॉडल की शक्ति नहीं बढ़ती है, जो इन प्रणालियों के डिजाइन को सरल बनाने में मदद करता है।
इस कार्य का अंतिम लक्ष्य ऐसी कृत्रिम बुद्धिमत्ता बनाना है जो न केवल स्मार्ट हो बल्कि विश्वसनीय और समझने योग्य भी हो। प्रायिकता के कठोर नियमों पर आधारित करके और यह सुनिश्चित करके कि गणनाएं सटीक और तेज़ की जा सकें, पेहरज़ का शोध उन मशीनों के लिए एक आधार प्रदान करता है जो उसी आत्मविश्वास के साथ अनिश्चितता के तहत तर्क कर सकती हैं जैसा कि एक मानव विशेषज्ञ कर सकता है। यह दृष्टिकोण कई आधुनिक एआई प्रणालियों की "ब्लैक बॉक्स" प्रकृति से आगे बढ़ता है, जिससे यह देखना संभव होता है कि एक निष्कर्ष तक कैसे पहुँचा गया। जैसे-जैसे इन विधियों को डीप लर्निंग फ्रेमवर्क में एकीकृत किया जाता है और अन्य तकनीकों के साथ जोड़ा जाता है, वे आर्टिफिशियल इंटेलिजेंस को अधिक भरोसेमंद बनाने का वादा करते हैं, जो गति या सटीकता से समझौता किए बिना दुनिया की अव्यवस्थित और अनिश्चित वास्तविकता को संभालने में सक्षम है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।