Physical neural networks with trainable nonlinear connections for continuous control
यह शोध पत्र एक भौतिक न्यूरल नेटवर्क आर्किटेक्चर प्रस्तुत करता है जो एनालॉग बैंड-पास फिल्टर का उपयोग करके प्रत्येक कनेक्शन पर प्रशिक्षित गैर-रेखीय कार्यों (trainable nonlinear functions) को स्थापित करता है, यह प्रदर्शित करते हुए कि यह दृष्टिकोण पारंपरिक मल्टीलेयर पर्सेप्ट्रॉन्स की तुलना में काफी कम मापदंडों और कनेक्शनों के साथ उच्च-सटीकता वाले निरंतर नियंत्रण कार्यों को प्राप्त करता है और साथ ही अल्ट्रा-लो-पावर हार्डवेयर कार्यान्वयन को सक्षम बनाता है।
मूल पेपर CC BY 4.0 (https://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
आधुनिक कंप्यूटिंग की दुनिया में, मशीनें पैटर्न पहचानने में अविश्वसनीय रूप से कुशल हो गई हैं, जैसे कि फोटो में चेहरों की पहचान करना या भाषाओं का अनुवाद करना। ये सिस्टम, जिन्हें न्यूरल नेटवर्क कहा जाता है, आमतौर पर डिजिटल प्रोसेसर पर आधारित होते हैं जो एक-एक करके नंबरों को प्रोसेस करते हैं। हालाँकि, अनुसंधान का एक बढ़ता हुआ क्षेत्र यह सवाल कर रहा है कि क्या हम इन सोचने वाली मशीनों को इलेक्ट्रॉनिक घटकों के कच्चे भौतिक विज्ञान (raw physics) का उपयोग करके बना सकते हैं। एक मानक कंप्यूटर पर मस्तिष्क का अनुकरण करने के बजाय, शोधकर्ता यह प्रयास कर रहे हैं कि क्या हम "भौतिक न्यूरल नेटवर्क" बना सकते हैं जहाँ हार्डवेयर सीधे तौर पर सोचता है। चुनौती यह रही है कि अधिकांश भौतिक प्रणालियों को अपने डिजिटल समकक्षों की तरह कार्य करने के लिए मजबूर किया जाता है, जो सूचना को संसाधित करने के लिए सरल, निश्चित नियमों का उपयोग करते हैं। यह अक्सर उन अद्वितीय, जटिल व्यवहारों को बर्बाद कर देता है जो वास्तविक इलेक्ट्रॉनिक उपकरणों में स्वाभाविक रूप से मौजूद होते हैं, जैसे कि एक विशिष्ट प्रकार का स्विच इस बात पर अलग तरह से प्रतिक्रिया दे सकता है कि सिग्नल कितनी तेज़ी से आता है या वह कितना शक्तिशाली है। वैज्ञानिकों के सामने प्रश्न यह है कि क्या वे इन प्राकृतिक विचित्रताओं के विरुद्ध लड़ने के बजाय, उन्हें बुद्धिमत्ता के मूल निर्माण खंडों के रूप में उपयोग कर सकते हैं।
यूनाइटेड किंगडम के विभिन्न विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने की दिशा में एक साहसी कदम उठाया है। उन्होंने एक नए प्रकार का भौतिक नेटवर्क विकसित किया जहाँ दो बिंदुओं के बीच प्रत्येक एकल कनेक्शन केवल एक साधारण संख्या नहीं है, बल्कि एक प्रशिक्षित, लचीला फलन (function) है। एक मानक नेटवर्क की कल्पना करें जहाँ नोड्स के बीच के तार केवल पाइप हैं जिन्हें अधिक या कम पानी को बहने देने के लिए खोला या बंद किया जा सकता है। इस नए सिस्टम में, पाइप स्वयं अपना आकार और व्यवहार बदल सकते हैं, पानी के प्रवाह को फ़िल्टर और नया आकार दे सकते हैं। शोधकर्ताओं ने इन कनेक्शनों को एनालॉग इलेक्ट्रॉनिक फिल्टरों का उपयोग करके बनाया, जो ध्वनि या बिजली की विभिन्न आवृत्तियों (frequencies) के प्रति अलग तरह से प्रतिक्रिया करते हैं। इन फिल्टरों को कनेक्शन के "मस्तिष्क" के रूप में कार्य करने के लिए प्रशिक्षित करके, उन्होंने एक ऐसा सिस्टम बनाया जहाँ भौतिक उपकरण गणना का भारी काम करता है, न कि केवल सिग्नल को आगे भेजता है।
टीम ने इस दृष्टिकोण का परीक्षण कई वास्तविक दुनिया के कार्यों पर किया जिनमें सुचारू, निरंतर समायोजन की आवश्यकता होती है, जैसे कि रोबोटिक हाथ की गति को नियंत्रित करना, चलते हुए कार्ट पर पोल को संतुलित करना, और सौर पैनल से सबसे कुशल बिजली आउटपुट खोजना। प्रत्येक मामले में, उन्होंने अपने नए भौतिक नेटवर्क की तुलना मानक डिजिटल नेटवर्क से की। परिणाम आश्चर्यजनक थे। सुचारू, निरंतर गतिविधियों वाले कार्यों के लिए, भौतिक नेटवर्क ने डिजिटल नेटवर्क के समान सटीकता प्राप्त की, लेकिन बहुत कम हिस्सों के साथ। कुछ मामलों में, भौतिक नेटवर्क ने मानक डिजिटल मॉडल की तुलना में आवश्यक कनेक्शनों और मापदंडों (parameters) के केवल एक अंश का ही उपयोग किया। यह दक्षता महत्वपूर्ण है क्योंकि कम कनेक्शनों का अर्थ है बनाने, प्रोग्राम करने और बिजली चलाने के लिए कम हार्डवेयर। जब शोधकर्ताओं ने अनुमान लगाया कि सौर पैनल नियंत्रक के लिए इस तकनीक से बने समर्पित चिप द्वारा कितनी ऊर्जा खर्च की जाएगी, तो उन्होंने अनुमान लगाया कि यह लगभग 35 माइक्रोवाट का उपयोग करेगा। यह वर्तमान में इसी तरह के एज-कंप्यूटिंग कार्यों के लिए उपयोग किए जाने वाले छोटे माइक्रोकंट्रोलरों की तुलना में लगभग दो क्रम (orders of magnitude) कम है, जो अविश्वसनीय रूप से कम-शक्ति वाले बुद्धिमान उपकरणों की ओर एक मार्ग सुझाता है।
यह सुनिश्चित करने के लिए कि उनके निष्कर्ष किसी एक विशिष्ट प्रकार के सर्किट का संयोग मात्र नहीं हैं, शोधकर्ताओं ने एक अन्य प्रकार के इलेक्ट्रॉनिक घटक जिसे मेमरिस्टर (memristor) कहा जाता है, का उपयोग करके उसी नेटवर्क का सिमुलेशन भी किया, जो अपने इतिहास के आधार पर अपना प्रतिरोध (resistance) बदलता है। इस पूरी तरह से अलग भौतिक सामग्री के साथ भी, नेटवर्क ने मानक डिजिटल मॉडल पर अपना लाभ बनाए रखा। यह सुझाव देता है कि लाभ आर्किटेक्चर से आता है—प्रशिक्षित, नॉनलीनियर कनेक्शनों का उपयोग करना—न कि किसी एक प्रकार के हार्डवेयर से। शोधकर्ताओं ने यह भी प्रदर्शित किया कि वे अपने नेटवर्क के गणितीय मॉडल को ले सकते हैं, उसके सेटिंग्स को सीधे भौतिक हार्डवेयर में अनुवादित कर सकते हैं, और यह बिना डिवाइस पर पुन: प्रशिक्षित किए तुरंत काम कर सकता है। उन्होंने 35,000 से अधिक व्यक्तिगत कनेक्शनों पर इस हस्तांतरण का परीक्षण किया, और भौतिक हार्डवेयर ने उच्च सटीकता के साथ सिम्युलेटेड भविष्यवाणियों से मेल खाया।
हालाँकि, अध्ययन ने यह भी स्पष्ट किया कि यह नया दृष्टिकोण कहाँ सबसे अच्छा नहीं है। जब शोधकर्ताओं ने नेटवर्क का परीक्षण उन कार्यों पर किया जिनमें तीक्ष्ण, बाइनरी निर्णय लेने की आवश्यकता होती है, जैसे कि कपड़ों की छवियों को वर्गीकृत करना या दो अलग-अलग कार्यों के बीच चयन करना, तो भौतिक नेटवर्क ने मानक डिजिटल नेटवर्क की तुलना में कोई स्पष्ट लाभ नहीं दिखाया। शोधकर्ता बताते हैं कि ऐसा इसलिए है क्योंकि उनका सिस्टम सुचारू, निरंतर परिवर्तनों में उत्कृष्टता प्राप्त करने के लिए डिज़ाइन किया गया है, जबकि बाइनरी निर्णय अक्सर तीक्ष्ण सीमाओं पर निर्भर करते हैं जो पारंपरिक नेटवर्क के लिए बनाना आसान होता है। यह अंतर महत्वपूर्ण है: यह नई तकनीक हर कंप्यूटिंग समस्या के लिए एक जादुई समाधान नहीं है, बल्कि एक विशेष उपकरण है जो तब चमकता है जब कार्य संभावनाओं के एक सुचारू परिदृश्य (landscape) को नेविगेट करने से संबंधित हो।
यह कार्य इस बारे में हमारे सोचने के तरीके में एक महत्वपूर्ण बदलाव का प्रतिनिधित्व करता है कि बुद्धिमान मशीनें कैसे बनाई जाएं। भौतिक उपकरणों को सरल, अनुमानित डिजिटल स्विच की तरह व्यवहार करने के लिए मजबूर करने के बजाय, शोधकर्ताओं ने दिखाया है कि हम उन उपकरणों के जटिल, प्राकृतिक व्यवहारों का उपयोग अपने काम के लिए कर सकते हैं। प्रत्येक कनेक्शन पर एक सीखने योग्य, नॉनलीनियर फंक्शन रखकर, उन्होंने हार्डवेयर की भौतिक सीमाओं को एक कम्प्यूटेशनल शक्ति में बदल दिया है। यह दृष्टिकोण सघन, कम-शक्ति वाले नेटवर्क बनाने का एक आशाजनक मार्ग प्रदान करता है जो निरंतर, वास्तविक दुनिया के नियंत्रण कार्यों को संभालने में सक्षम हैं जो रोबोटिक्स, ऊर्जा प्रबंधन और स्वायत्त प्रणालियों के लिए आवश्यक हैं। परिणाम बताते हैं कि कुशल मशीन लर्निंग का भविष्य केवल हमारे हार्डवेयर को हमारे सॉफ्टवेयर जैसा बनाने में नहीं, बल्कि हमारे हार्डवेयर को बिल्कुल वैसा ही होने देने में है जैसा वह वास्तव में 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।