कृत्रिम बुद्धिमत्ता: २०२४ चे भौतिकशास्त्राचे नोबेल पारितोषिक

कृत्रिम बुद्धिमत्ता: आपल्या दैनंदिन जीवनात बदल घडवणारी क्रांती आणि २०२४ चे भौतिकशास्त्राचे नोबेल पारितोषिक

आपण दररोज जाणतेअजाणतेपणे कृत्रिम बुद्धिमत्ता (एआय) या तंत्रज्ञानाच्या साहाय्याने स्मार्टफोन, सोशल मीडिया, ऑनलाइन शॉपिंग आणि अनेक इतर सेवांचा वापर करून आपले दैनंदिन जीवन सुकर बनवतो. कृत्रिम बुद्धिमत्ता ही आजच्या युगात सर्वात वेगाने विकसित होणारी आणि आपल्या जीवनात सर्वात मोठा प्रभाव पाडणारी तंत्रज्ञान क्रांती आहे. एआय म्हणजे संगणकांना मानवी बुद्धिमत्तेसारखी कार्ये करण्याची क्षमता देणे. यात शिकणे, समजणे, निर्णय घेणे, समस्या सोडवणे आणि भाषेचे विश्लेषण करणे यांचा समावेश आहे. खाली काही प्रातिनिधीक उदाहरणे दिली आहेत. 

१) ऑनलाइन सर्च आणि रिकामेंडेशन्स: आपण गुगल किंवा बिंग सारखी सर्च इंजिन वापरता तेव्हा, कृत्रिम बुद्धिमत्ता (एआय) अल्गोरिदम तुमच्या सर्च क्वेरींचे विश्लेषण करून संबंधित रिझल्ट्स आपल्यापर्यंत पोहोचवते. नेटफ्लिक्स, ऍमेझॉन आणि स्पोटिफाय सारखे ऑनलाइन प्लॅटफॉर्म आपल्या पूर्वीच्या आवडीनुसार वस्तू, चित्रपट किंवा गाण्यांची शिफारस करण्यासाठी एआय वापरतात. फेसबुक आणि इन्स्टाग्राम सारख्या सोशल मीडिया प्लॅटफॉर्मवर, एआय  आपल्या आवडीनुसार माहिती आणि पोस्ट्स आपल्या न्यूज फीडमध्ये आणते.

२) डिजिटल असीसस्टेन्स: सिरी, अलेक्सा आणि गुगल असिस्टंटसारखी उपकरणे आपल्या आवाजाचे आदेश समजून घेतात आणि आपल्या प्रश्नांची उत्तरे देतात. स्मार्ट थर्मोस्टॅट्स, स्पीकर आणि सुरक्षा यंत्रणेसारखी उपकरणे आपल्या पसंतीनुसार स्वतःच काम करतात. ही सर्व उपकरणे कृत्रिम बुद्धिमत्तेवर चालतात.

३) फोटो आणि व्हिडिओ विश्लेषण: कृत्रिम बुद्धिमत्ता (एआय) चा वापर फोटो आणि व्हिडिओंमधील चेहरे ओळखण्यास, स्वयंचलितपणे फोटो टॅग करण्यास आणि फेस रिकग्निशनद्वारे उपकरणे उघडण्यास केला जातो. याशिवाय, ऑनलाइन इमेज शोधताना एआय अल्गोरिदम दृश्य माहितीचे बारकाईने विश्लेषण करून आपल्याला संबंधित प्रतिमा शोधण्यास मदत करतात.  

४) नैसर्गिक भाषा प्रक्रिया:  गुगल ट्रान्सलेट एआय याचा वापर करून आपण सहजपणे भाषांतर करू शकतो. ग्राहक सेवा चॅटबॉट्स ग्राहकांच्या प्रश्नांची उत्तर देण्यासाठी आणि त्यांच्या समस्या सोडवण्यासाठी कृत्रिम बुद्धिमत्तेचा वापर करतात. कृत्रिम बुद्धिमत्ता तंत्रज्ञान व्हॉइस-टू-टेक्स्ट, टेक्स्ट-टू-व्हॉइस आणि ओसीआर यासारख्या तंत्रज्ञानांचा वापर करून बोललेल्या भाषेचे मजकूरात रूपांतर करण्यास आणि कागदावरील मजकूर डिजिटल स्वरूपात रूपांतरित करण्यास सक्षम आहे.

५) आरोग्यसेवा: वैद्यकीय प्रतिमांचे (जसे की क्ष-किरण, एमआरआय) अचूक आणि जलद विश्लेषण करण्यासाठी कृत्रिम बुद्धिमत्तेचे अल्गोरिदम मोठ्या प्रमाणावर वापरले जातात, ज्यामुळे रोग निदानाची प्रक्रिया अधिक प्रभावी बनते. एआयने औषध शोध आणि विकास या क्षेत्रात क्रांती घडवून आणली आहे. 

६) वाहतूक: कृत्रिम बुद्धिमत्ता (एआय) तंत्रज्ञानाच्या साहाय्याने सेल्फ-ड्रायव्हिंग कारना स्वायत्तपणे वाहतूक व्यवस्थापित करण्यास सक्षम बनवले जात आहे. मोठ्या प्रमाणावर डेटाचे विश्लेषण करून एआय सिस्टम रहदारीचे प्रवाह, वाहनांची गती आणि शहरी वाहतूक व्यवस्थेतील विविध घटकांचे व्यवस्थापन अधिक प्रभावीपणे करू शकतात. यामुळे वाहतूक कोंडी कमी करणे, ऊर्जा वापर कमी करणे आणि शहरी वाहतूक व्यवस्थेची कार्यक्षमता वाढवणे शक्य आहे.

आपल्या दैनंदिन जीवनात एआय कसे समाविष्ठ केले जात आहे याची ही काही उदाहरणे आहेत. एआय तंत्रज्ञान जसजसे पुढे जात आहे, तसतसे आम्ही भविष्यात आणखी अत्याधुनिक आणि व्यापक उपयोग अनुभवू शकतो.

२०२४ चे भौतिकशास्त्रातील नोबेल पारितोषिक अमेरिकेतील प्रिंसटन विद्यापीठाचे जॉन जे. हॉपफील्ड आणि कॅनडा च्या टोरँटो विद्यापीठाच्या जेफ्री ई. हिंटन यांना कृत्रिम बुद्धिमत्तेशी निगडीत मशीन लर्निंगच्या क्षेत्रात त्यांच्या मूलभूत संशोधनासाठी देण्यात आले. त्यांनी भौतिकशास्त्रातील संकल्पनांचा वापर करून आर्टिफ़िशियल न्यूरल नेटवर्क विकसित केले, ज्यामुळे संगणकांना डेटाच्या आधारे स्वतः शिकण्याची ( मशीन लर्निंग तथा यंत्र शिक्षण) क्षमता मिळाली.

एआय च्या क्षेत्रात संशोधन करण्यासाठी भौतिकशास्त्र, गणित आणि संगणक विज्ञान यांचे संयोजन आवश्यक आहे. भौतिकशास्त्र मूलभूत तत्त्वे प्रदान करते, गणित मॉडेलिंग आणि विश्लेषणासाठी साधने प्रदान करते आणि संगणक विज्ञान जटिल समस्यांचे निराकरण करण्यासाठी आवश्यक संगणकीय शक्ती आणि तंत्र प्रदान करते.

भौतिकशास्त्रातील स्टॅटिस्टिकल मेकॅनिक्स आणि संगणक विज्ञानाची मशीन लर्निंग हे दोन्ही क्षेत्रे वेगवेगळ्या दृष्टिकोनातून अनेक कणांच्या प्रणालींचा अभ्यास करतात. स्टॅटिस्टिकल मेकॅनिक्स अणू आणि रेणूंच्या पातळीवर प्रणालींचे वर्णन करते, तर मशीन लर्निंग डेटाच्या आधारे संगणकांना शिकण्याची क्षमता देण्यावर भर देते. दोन्ही क्षेत्रांमध्ये मार्कोव्ह चेन मोंटे कार्लो आणि बोल्ट्झमन वितरण सारख्या अनेक गणिती संकल्पना आणि टूल्स वापरले आहेत. स्टॅटिस्टिकल मेकॅनिक्समधील संकल्पना मशीन लर्निंगमध्ये मॉडेलच्या कार्यक्षमता वाढवण्यासाठी वापरल्या जातात.

हॉपफील्ड यांनी "सहयोगी स्मृती" ही संकल्पना विकसित केली, ज्यामुळे संगणक अपूर्ण माहिती पूर्ण करू शकतात. तर, हिंटन यांनी "बोल्ट्झमन मशीन" विकसित केली, जी डेटाच्या नमुन्यांचे वर्गीकरण करण्यासाठी वापरली जाते.

या शास्त्रज्ञांच्या कार्यामुळे मशीन लर्निंग क्षेत्रात क्रांती झाली. आज, मशीन लर्निंगचा वापर भाषांतर, प्रतिमा ओळख आणि वैद्यकीय निदान यासह अनेक क्षेत्रात होतो. भविष्यात, मशीन लर्निंगचा वापर भौतिकशास्त्र, रसायनशास्त्र आणि इतर अनेक क्षेत्रांमध्ये होण्याची अपेक्षा आहे. याच्या सहाय्याने मानवजातीचे भविष्य उज्ज्वल होऊ शकते, परंतु, एआय च्या विकासामध्ये काही आव्हाने देखील आहेत. उदाहरणार्थ, एआयचा गैरवापर, गोपनीयता आणि नैतिक समस्या यासारख्या आव्हानांवर विचार करणे आवश्यक आहे.

२०२४ च्या भौतिकशास्त्रातील नोबेल पारितोषिकाबद्दल लोकप्रिय माहिती:

यंत्रशिक्षण ही कृत्रिम बुद्धिमत्तेची एक शाखा आहे. यात, संगणकांना डेटाच्या आधारे स्वतः शिकण्याची क्षमता प्रदान केली जाते. उदाहरणार्थ, यंत्रशिक्षण वापरून आपण आपल्या ईमेलमधील स्पॅम आणि महत्त्वाचे ईमेल स्वयंचलितपणे वेगळे करू शकतो.

बरेचदा आपण अनुभवतो की संगणक विविध भाषांमध्ये भाषांतर करू शकतात, प्रतिमांचा अर्थ लावू शकतात आणि अगदी आपल्याशी संवाद साधू शकतात. पण कदाचित तुम्हाला माहीत नसेल की या तंत्रज्ञानामागे मोठ्या प्रमाणात डेटाचे विश्लेषण आणि वर्गीकरण करण्याचे जटिल संशोधन आहे. गेल्या पंधरा ते वीस वर्षांत मशीन लर्निंग या क्षेत्रात झपाट्याने प्रगती झाली आहे आणि यात आर्टिफ़िशियल न्यूरल नेटवर्क या संरचनेचा मोठा वापर होतो. आज आपण जेव्हा कृत्रिम बुद्धिमत्ता या विषयाची चर्चा करतो, तेव्हा बहुतेकदा आपण याच तंत्रज्ञानाकडेच निर्देश करत असतो.

संगणक जरी स्वतः विचार करू शकत नसले तरी, ते आता मानवी मस्तिष्कातील स्मरण शक्ती आणि शिकण्याच्या प्रक्रियेची नक्कल करू शकतात. या वर्षीच्या भौतिकशास्त्राच्या नोबेल पुरस्कार विजेत्यांनी यासाठी महत्त्वपूर्ण योगदान दिले आहे. त्यांनी भौतिकशास्त्रातील मूलभूत तत्त्वांचा वापर करून असे तंत्रज्ञान विकसित केले आहे जे माहिती प्रक्रिया करण्यासाठी नेटवर्कमधील विशिष्ट संरचनांचा वापर करते.

मशीन लर्निंग हे पारंपारिक सॉफ्टवेअरपेक्षा भिन्न आहे. पारंपारिक सॉफ्टवेअर हे एका विशिष्ट सूत्रांनुसार काम करते, जसे आपण एका पाककृतीनुसार पदार्थ बनवतो. त्याला आपण डेटा देतो आणि तो त्या डेटावर आधारित एक विशिष्ट कार्य करतो. पण मशीन लर्निंगमध्ये, संगणक स्वतःच डेटाच्या आधारे शिकतो. हे जसे आपण एका मुलाला शिकवतो तसेच आहे. आपण त्याला अनेक उदाहरणे देतो आणि तो त्या उदाहरणांवरून स्वतःच नियम शिकतो. उदाहरणार्थ, जर आपण एका संगणकाला अनेक मांजरांची आणि कुत्र्यांची छायाचित्रे दाखवली, तर तो स्वतःच मांजर आणि कुत्रा यांच्यातील फरक शिकू शकतो.

आर्टिफ़िशियल न्यूरल नेटवर्क संपूर्ण नेटवर्क संरचना वापरून माहितीवर प्रक्रिया करते. यामागील प्रेरणा मानवी मेंदू कसा कार्य करतो याच्या सखोल समजुतीतून आली आहे. १९४० च्या दशकात, संशोधकांनी मेंदूतील न्यूरॉन्स आणि सायनॅप्सच्या जाळ्यात अंतर्भूत असलेल्या गणिताभोवती विचार करणे सुरू केले. मानसशास्त्रातूनही याला चालना मिळाली, विशेषतः डोनाल्ड हेब यांच्या शिकण्याच्या सिद्धांतामुळे. हेब यांच्या मते, जेव्हा दोन न्यूरॉन्स एकत्र सक्रिय होतात, तेव्हा त्यांच्यातील कनेक्शन मजबूत होते. 

या कल्पनांचा वापर करून, संशोधकांनी आर्टिफ़िशियल न्यूरल नेटवर्क तयार केले. यात, मेंदूतील न्यूरॉन्सची नक्कल नोड्सद्वारे केली जाते, ज्यांना भिन्न मूल्ये दिली जातात. सिनॅप्सची नक्कल नोड्समधील कनेक्शन्सद्वारे केली जाते, जी मजबूत किंवा कमकुवत केली जाऊ शकतात. हेबचे नियम आजही आर्टिफ़िशियल नेटवर्क प्रशिक्षित करण्याच्या प्रक्रियेत एक महत्त्वपूर्ण भूमिका बजावतात.

१९६० च्या दशकाच्या अखेरीस, काही निराशाजनक संशोधन निष्कर्षांमुळे अनेक तज्ञांना असे वाटू लागले होते की आर्टिफ़िशियल न्यूरल नेटवर्क्सचा काहीही उपयोग होणार नाही. मात्र, १९८० च्या दशकात या क्षेत्रात नव्याने उत्साह निर्माण झाला. या दशकात झालेल्या काही महत्त्वपूर्ण शोधांमुळे, विशेषतः या वर्षीच्या नोबेल पुरस्कार विजेत्यांच्या योगदानामुळे, आर्टिफ़िशियल न्यूरल नेटवर्क्सवरील संशोधन पुन्हा जोरात सुरू झाले.

सहयोगी स्मृती

तुम्ही क्वचितच वापरत असलेला एक अनोखा शब्द लक्षात ठेवण्याचा प्रयत्न करत आहात, जसे की सिनेमा आणि लेक्चर हॉलमध्ये आढळणाऱ्या उतार असलेल्या मजल्यासाठी वापरला जाणारा शब्द. तुम्ही तुमच्या मनात विचार करत आहात, 'तो शब्द रॅम्पसारखा होता... कदाचित रेड...अल? नाही, तसा नाही. रेक, होय, तेच!'

योग्य शब्द शोधण्यासाठी समान शब्दांद्वारे शोधण्याची ही प्रक्रिया १९८२ मध्ये जॉन हॉपफिल्ड यांनी शोधलेल्या "सहयोगी स्मृती" च्या तंत्राची आठवण करून देते. हॉपफिल्ड नेटवर्क हे एक प्रकारचे आर्टिफ़िशियल न्यूरल नेटवर्क आहे जे डेटासंग्रहण आणि पुनर्निर्माण करू शकते. जेव्हा या नेटवर्कला अपूर्ण किंवा थोडाफार बदललेला डेटा दिला जातो, तेव्हा ते संग्रहित नमुन्यांपैकी सर्वात जवळचा नमुना शोधण्याची क्षमता धारण करते.

हॉपफिल्ड यांनी पूर्वी भौतिकशास्त्रातील आपले ज्ञान आण्विक जीवशास्त्रातील सैद्धांतिक समस्या सोडवण्यासाठी वापरले होते. एकदा न्यूरोसायन्सवर झालेल्या एका परिषदेत त्यांना आमंत्रित करण्यात आले तेव्हा त्यांचे लक्ष मेंदूच्या संरचनेवर गेले. त्यांनी जे शिकले ते पाहून ते खूप प्रभावित झाले आणि साध्या न्यूरल नेटवर्क्सच्या कार्यपद्धतीबद्दल विचार करू लागले. त्यांना हे समजले की जेव्हा अनेक न्यूरॉन्स एकत्र काम करतात, तेव्हा त्यांच्यापासून काही नवीन आणि अद्भुत गुणधर्म निर्माण होतात, जे एका न्यूरॉनला पाहून कधीच समजू शकत नाहीत.

१९८० मध्ये, हॉपफिल्ड यांनी प्रिन्स्टन विद्यापीठातील आपले पद सोडले. भौतिकशास्त्र या आपल्या अभ्यासाच्या क्षेत्रापेक्षा वेगळ्या क्षेत्रात काम करण्याच्या त्यांच्या इच्छेमुळे हा निर्णय घेतला. त्यानंतर ते दक्षिण कॅलिफोर्नियातील पासाडेना येथील कॅलटेकमध्ये रसायनशास्त्र आणि जीवशास्त्र विभागात प्राध्यापक म्हणून रुजू झाले. येथे त्यांना संगणक संसाधनांचा मुक्तपणे वापर करण्याची संधी मिळाली, ज्याचा उपयोग त्यांनी आर्टिफ़िशियल न्यूरल नेटवर्कवरील आपल्या संशोधनासाठी केला. 

तथापि, त्यांनी भौतिकशास्त्राची आपली नाळ तोडली नाही. त्यांना अनेक सुक्ष्म घटकांनी बनलेल्या प्रणालीत नवीन आणि मनोरंजक घटना कशा उद्भवतात, याचा अभ्यास करण्याची प्रेरणा मिळाली. विशेषतः, चुंबकीय पदार्थांवरील त्यांच्या अभ्यासात त्यांना अणूंच्या स्पिन या गुणधर्माबद्दल अधिक समज मिळाली. प्रत्येक अणू हा एक छोटा चुंबक असल्याने, शेजारच्या अणूंचे स्पिन एकमेकांवर प्रभाव टाकतात आणि त्यामुळे डोमेन (कार्यक्षेत्र) तयार होतात. त्यांनी या स्पिनच्या परस्परसंवादाचे गणिती मॉडेल तयार केले, ज्यामध्ये नोड्स आणि कनेक्शन्स वापरून पदार्थाच्या उत्क्रांतीचे वर्णन केले जाते.

नेटवर्क लँडस्केपमध्ये प्रतिमा जतन करते

हॉपफील्ड नेटवर्क हे एक प्रकारचे आर्टिफ़िशियल न्यूरल नेटवर्क आहे जे डिजिटल प्रतिमा जतन करण्यासाठी वापरले जाते. या नेटवर्कमध्ये असंख्य नोड्स असतात जे एकमेकांशी विविध ताकदींच्या कनेक्शन्सद्वारे जोडलेले असतात. प्रत्येक नोड एक विशिष्ट मूल्य धारण करू शकतो, उदाहरणार्थ, एका ब्लॅक-व्हाईट फोटोतील एक पिक्सेल बायनरी संख्या प्रणालीतील '0' किंवा '1' ने दर्शवला जाऊ शकतो.

हॉपफील्ड यांनी या नेटवर्कच्या एकूण अवस्थेचे वर्णन भौतिकशास्त्रातील स्पिन सिस्टीमच्या ऊर्जेच्या संकल्पनेशी जोडले. एक सूत्र वापरून नेटवर्कची एकूण ऊर्जा मोजली जाते, जी सर्व नोड्सच्या मूल्यांवर आणि त्यांच्यातील कनेक्शन्सच्या ताकदींवर अवलंबून असते.

हॉपफील्ड नेटवर्कला एखादी प्रतिमा दाखवून प्रशिक्षित केले जाते. ही प्रतिमा नेटवर्कमधील नोड्सच्या मूल्यांमध्ये रूपांतरित केली जाते. नंतर, नेटवर्कची कनेक्शन्स अशा प्रकारे समायोजित केली जातात की प्रशिक्षित प्रतिमाची ऊर्जा किमान होईल.

जेव्हा नेटवर्काला एक नवीन, अपूर्ण किंवा खराब प्रतिमा दाखवली जाते, तेव्हा नेटवर्क स्वतःच ही प्रतिमा तयार करण्याचा प्रयत्न करतो. तो प्रत्येक नोडचे मूल्य बदलून पाहतो आणि या बदलामुळे नेटवर्कची एकूण ऊर्जा कमी होते की वाढते हे तपासतो. जर ऊर्जा कमी झाली तर तो बदल स्थायी करतो. ही प्रक्रिया तेव्हापर्यंत चालू राहते जेव्हा नेटवर्क संतुलित असलेल्या स्थिर अवस्थेवर पोहोचते. या स्थिर अवस्थेत, नेटवर्कने मूळ, प्रशिक्षित प्रतिमेची प्रतिकृती तयार केलेली असते.

जर आपण फक्त एक नमुना साठवला, तर ही पद्धत इतकी प्रभावी वाटणार नाही. कदाचित तुम्ही विचार करत असाल की आपण फक्त एक प्रतिमा का साठवू नये आणि ती तपासल्या जात असलेल्या दुसऱ्या प्रतिमेशी का तुलना करू नये? पण हॉपफील्डची पद्धत विशेष म्हणजे एकाच वेळी अनेक प्रतिमा साठवू शकते आणि नेटवर्क सहसा त्यांच्यातील फरक ओळखू शकते.

हॉपफील्डने नेटवर्कद्वारे स्थिर स्थिती शोधण्याची प्रक्रिया एका खड्ड्यात पडलेल्या चेंडूच्या उदाहरणासारखी वर्णन केली आहे. आपण एका उंचवट्यावर चेंडू ठेवल्यास तो सर्वात जवळच्या खड्ड्यात लोटत जाईल आणि तिथेच थांबेल. तसेच, जर आपण नेटवर्कला एखाद्या ज्ञात नमुन्यासारखी माहिती दिली तर ते त्याच्या आंतरिक संरचनेनुसार सर्वात जवळच्या ज्ञात नमुन्याचा शोध घेण्याचा प्रयत्न करेल. याला आपण ऊर्जा लँडस्केपमध्ये खड्डा शोधण्यासारखे म्हणू शकतो. 

हॉपफिल्ड नेटवर्कचा उपयोग नॉयझी किंवा खराब झालेल्या डेटामधून मूळ डेटा पुनर्प्राप्त करण्यासाठी केला जाऊ शकतो.हॉपफिल्ड आणि इतर संशोधकांनी हॉपफिल्ड नेटवर्कमध्ये अधिक जटिलता आणली आहे. या नेटवर्कमधील नोड्स फक्त शून्य किंवा एक या दोन मूल्यांऐवजी विविध मूल्ये धारण करू शकतात. उदाहरणार्थ, एका चित्रात, प्रत्येक नोड एक पिक्सेल दर्शवू शकतो आणि त्या पिक्सेलला अनेक रंग असू शकतात. या सुधारणेमुळे नेटवर्क अधिक जटिल माहिती, जसे की विविध प्रकारची चित्रं, अधिक प्रभावीपणे हाताळू शकते. जर आपल्याकडे कोणत्याही माहितीचे अनेक डेटा पॉइंट्स उपलब्ध असतील, तर हॉपफिल्ड नेटवर्क त्या माहितीला ओळखू शकते आणि पुनर्निर्मित करू शकते.

एकोणिसाव्या शतकातील भौतिकशास्त्र वापरून वर्गीकरण

एखादी प्रतिमा लक्षात ठेवणे सोपे आहे, पण ती काय दर्शवते हे समजून घेण्यासाठी अधिक विचार करावा लागतो.

लहान मुलेही वेगवेगळ्या प्राण्यांना बोट दाखवून, आत्मविश्वासाने सांगू शकतात की तो कुत्रा, मांजर किंवा खारुताई आहे. ते कधीकधी चुकतात, पण बहुतांश वेळा बरोबरच असतात. प्रजाती किंवा सस्तन प्राणी यासारख्या संकल्पनांची कोणतीही सखोल माहिती नसतानाही मूल हे शिकू शकते. काही उदाहरणे बघीतल्यानंतर, मुलाच्या मनात प्राणी किंवा वस्तूंचे वेगवेगळे वर्ग तयार होतात. अशा रीतीने मांजर ओळखण्यास शिकतो, किंवा एखादा शब्द समजतो किंवा खोलीतील सभोवतालच्या वातावरणाचा अनुभव घेऊन काहीतरी बदलले आहे हे समजून जातो.

जेव्हा हॉपफिल्ड यांनी सहयोगी स्मृतीवरील त्यांचा लेख प्रकाशित केला तेव्हा जेफ्री हिंटन अमेरिकेतील पिट्सबर्ग येथील कार्नेगी मेलॉन विद्यापीठात कार्यरत होते. त्यांनी पूर्वी इंग्लंड आणि स्कॉटलंडमध्ये प्रयोगात्मक मानसशास्त्र आणि कृत्रिम बुद्धिमत्ता या क्षेत्रात संशोधन केले होते. हिंटन यांचे लक्ष्य होते की, माहितीचे वर्गीकरण आणि अर्थ लावण्यासाठी यंत्रे ही मानवांप्रमाणेच नमुन्यांची प्रक्रिया करू शकतील का, याचा शोध घेणे. त्यांचे सहकारी, टेरेन्स सेजनोव्स्की, यांनी हॉपफिल्ड नेटवर्क या संकल्पनेला आधार मानून आणि सांख्यिकीय भौतिकशास्त्रातील तत्त्वांचा वापर करून या संकल्पनेत नवीन बदल करण्याचा प्रयत्न केला.

सांख्यिकीय भौतिकशास्त्र (स्टॅटिस्टिकल फिजिक्स) हे अनेक समान कणांनी बनलेल्या वायूच्या रेणूंसारख्या प्रणालींचे वर्णन करते. एका वायूमधील सर्व रेणूंच्या हालचालीवर वेगवेगळे लक्ष देणे अशक्य असले तरी, त्यांच्या हालचालींच्या एकूण परिणामांने निर्माण झालेला वायूवरील दाब किंवा त्याचे तापमान यासारखे गुणधर्म शोधू शकतो. एका विशिष्ट क्षणी, प्रत्येक रेणू वेगवेगळ्या दिशेने आणि वेगाने जात असले तरी सर्व रेणूंच्या या यादृच्छिक हालचालींमुळे वायूचे एकूण गुणधर्म स्थिर राहतात.

असंख्य छोटे घटक एकत्रितपणे कार्य करत असणाऱ्या प्रणालींचे सांख्यिकीय भौतिकशास्त्र विश्लेषण करते. या प्रणालींमध्ये काही अवस्था इतर अवस्थांपेक्षा अधिक संभाव्य असतात. ही संभाव्यता लुडविग बोल्टझमन या भौतिकशास्त्रज्ञाने सांगितल्याप्रमाणे, प्रणालीची उपलब्ध ऊर्जा यावर अवलंबून असते. हिंटनच्या नेटवर्कमध्ये याच तत्त्वाचा वापर करून बोल्टझमन मशीन ही पद्धत १९८५ मध्ये विकसित करण्यात आली.

समान प्रकारची नवीन उदाहरणे शोधणे

बोल्टझमन मशीन सामान्यतः दोन प्रकारच्या नोड्स वापरून बनवली जातात: दृश्यमान नोड्स आणि लपलेले नोड्स. दृश्यमान नोड्सना माहिती दिली जाते, तर लपलेले नोड्स एक लपलेला स्तर तयार करतात. हे लपलेले नोड्स आणि त्यांची जोडणी संपूर्ण नेटवर्कच्या एकूण ऊर्जेत योगदान देतात.

बोल्टझमन मशीन चालू करण्यासाठी, सर्व नोड्सच्या मूल्यांमध्ये (इनपुट) एकाच वेळी बदल करण्याची अट लागू केली जाते. या प्रक्रियेत मशीन अशा स्थितीत पोहोचते जिथे नोड्सच्या नमुन्यात बदल होत असतात, परंतु संपूर्ण नेटवर्कचे गुणधर्म स्थिर राहतात. प्रत्येक संभाव्य नमुन्याची एक विशिष्ट संभाव्यता असते जी बोल्टझमन समीकरणानुसार नेटवर्कच्या एकूण ऊर्जेवर अवलंबून असते. मशीन जेव्हा थांबते तेव्हा ती एक नवीन नमुना तयार करते. यामुळे बोल्टझमन मशीन जनरेटिव्ह मॉडेलचे एक मूलभूत उदाहरण बनते.

बोल्टझमन मशीन शिकण्याची पद्धत थोडी वेगळी आहे. ते सूचनांवरून नव्हे तर उदाहरणांवरून शिकते. नेटवर्कमधील कनेक्शनांच्या मूल्यांमध्ये बदल करून हे प्रशिक्षण दिले जाते. प्रशिक्षणादरम्यान, जेव्हा नेटवर्कला विशिष्ट नमुने दाखवले जातात, तेव्हा मशीन त्या नमुन्यांना अनुरूप असलेले नमुने स्वतः तयार करण्याचा प्रयत्न करते. जेव्हा एकच नमुना अनेक वेळा दाखवला जातो, तेव्हा मशीन त्या नमुन्याला अधिक महत्त्व देते आणि त्यासारखे नमुने तयार करण्याची शक्यता वाढते. याचा अर्थ असा की, प्रशिक्षणादरम्यान जे नमुने दाखवले जातात, त्यासारखेच नवीन नमुने मशीन तयार करू शकते.

प्रशिक्षित बोल्ट्झमन मशीन नवे डेटा देखील ओळखू शकतात, जसे की आपण आपल्या मित्राच्या भाऊ-बहिणीला पाहता आणि त्यांच्यात कुटुंबीय साधर्म्य ओळखता. प्रशिक्षण डेटा सेटमध्ये आलेल्या विशिष्ट वैशिष्ट्यांच्या आधारे, बोल्ट्झमन मशीन नवीन डेटा प्रकारात फरक करू शकतात.

पण, सुरुवातीला बोल्ट्झमन मशीन खूप मंद होते. मात्र, हिंटन यांच्यासारख्या शास्त्रज्ञांनी त्यात सुधारणा करून ते अधिक कार्यक्षम बनवले. त्यांनी मशीनमधील काही कनेक्शन्स कमी केले, ज्यामुळे ते अधिक चांगले काम करू लागले.

१९९० च्या दशकात, अनेक शास्त्रज्ञांनी आर्टिफ़िशियल न्यूरल नेटवर्कवर काम करणे बंद केले, पण हिंटन यांनी या क्षेत्रात संशोधन सुरूच ठेवले. २००६ मध्ये, त्यांनी आणि त्यांच्या सहकाऱ्यांनी बोल्ट्झमन मशीनचा वापर करून एक नवीन पद्धत विकसित केली. या पद्धतीमुळे आर्टिफ़िशियल न्यूरल नेटवर्क चित्रांमधील वैशिष्ट्ये अधिक चांगल्या प्रकारे ओळखू शकले.

आजकाल, बोल्ट्झमन मशीन मोठ्या आर्टिफ़िशियल न्यूरल नेटवर्क चा एक भाग म्हणून वापरले जातात. उदाहरणार्थ, आपल्याला कोणत्या चित्रपटाची शिफारस करायची हे ठरवण्यासाठी याचा उपयोग केला जातो.

मशीन लर्निंग - आज आणि उद्या

जॉन हॉपफिल्ड आणि जेफ्री हिंटन यांनी १९८० च्या दशकात आणि त्यानंतर केलेल्या संशोधनामुळे, विशेषतः आर्टिफ़िशियल न्यूरल नेटवर्क्सवर, आज आपण पाहत असलेली मशीन लर्निंग क्रांती शक्य झाली आहे. मोठ्या प्रमाणात डेटा उपलब्धता आणि संगणन शक्तीतील वाढ यामुळे २०१० च्या सुमारास या क्षेत्रात प्रचंड प्रगती झाली. आज आपण वापरत असलेली बहुस्तरीय आर्टिफ़िशियल न्यूरल नेटवर्क्स, ज्यांना डीप न्यूरल नेटवर्क्स म्हणतात, आणि त्यांना प्रशिक्षित करण्याची पद्धत, ज्याला डीप लर्निंग म्हणतात, या दोन्हीसाठी त्यांचे योगदान महत्त्वपूर्ण आहे.

१९८२ मध्ये हॉपफिल्ड यांनी लिहिलेल्या 'असोसिएटिव्ह मेमरी' या लेखात या क्षेत्रातील एक नवीन दृष्टिकोन मांडला. त्यांनी ३० नोड्स असलेले एक नेटवर्क वापरले. जर सर्व नोड्स एकमेकांशी जोडलेले असतील तर त्यात ४३५ कनेक्शन असतात. प्रत्येक नोडचे स्वतःचे मूल्य (इनपूट) असते आणि प्रत्येक कनेक्शनचे वेगळे सामर्थ्य असते. म्हणजेच, संपूर्ण नेटवर्कमध्ये ५०० पेक्षा कमी पॅरामीटर्स होते. त्यांनी १०० नोड्स असलेले नेटवर्कही तयार करण्याचा प्रयत्न केला, परंतु त्या काळातील संगणकांची मर्यादा याला अडथळा ठरली. याची तुलना आजच्या मोठ्या भाषा मॉडेल्सशी करता येते, जे लाखो कोटी पॅरामीटर्स असलेले विशाल नेटवर्क आहेत.

अनेक संशोधक आता मशीन लर्निंगच्या अनुप्रयोग क्षेत्राचा विकास करत आहेत. या तंत्रज्ञानाच्या वाढत्या वापरामुळे उद्भवलेल्या नैतिक मुद्द्यांवर सध्या व्यापक चर्चा होत असताना, भौतिकशास्त्रात मशीन लर्निंगचा वापर हा एक नवीन आणि रोमांचक क्षेत्र आहे.

भौतिकशास्त्राने मशीन लर्निंगच्या विकासात महत्त्वपूर्ण योगदान दिले आहे. आता आपण पाहतोय की मशीन लर्निंग भौतिकशास्त्राच्या संशोधनातही नवीन शक्यता निर्माण करत आहे. उदाहरणार्थ, हिग्ज बोसॉन शोधण्यासाठी वापरल्या जाणाऱ्या मोठ्या डेटासेट्सचा विश्लेषण करण्यासाठी मशीन लर्निंगचे विस्तृतपणे उपयोग केले गेले. याशिवाय, कृष्णविवर विलीनीकरणामुळे निर्माण होणाऱ्या गुरुत्वीय लहरींचा अभ्यास, एक्सोप्लॅनेट्सचा शोध आणि नवीन मटेरियल्स शोधण्यासाठी मशीन लर्निंगचा उपयोग होत आहे.

अलीकडच्या काळात, रेणू आणि पदार्थांच्या गुणधर्मांचा अंदाज लावण्यासाठीही मशीन लर्निंगचा वापर होऊ लागला आहे. उदाहरणार्थ, प्रथिनांची संरचना आणि नवीन कार्यक्षम सोलर सेल मटेरियल्स शोधण्यासाठी मशीन लर्निंगचा उपयोग होत आहे. हे क्षेत्र अजूनही विकासाच्या प्रारंभिक टप्प्यावर आहे आणि भविष्यात या क्षेत्रातून अनेक नवीन शोध होण्याची अपेक्षा आहे.  

संदर्भ:- नोबेल पुरस्कार वेबसाईट