कृत्रिम बुद्धिमत्ता: २०२४ चे भौतिकशास्त्राचे नोबेल पारितोषिक

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

दररोज जाणतेअजाणतेपणे आपण आर्टिफिशिअल इंटीलिजन्स (एआय) अर्थात कृत्रिम बुद्धिमत्ता या तंत्रज्ञानाच्या साहाय्याने स्मार्टफोनच्या माध्यमातून, सोशल मीडिया, ऑनलाइन शॉपिंग आणि अनेक इतर सेवांचा वापर करून आपले जीवन सुकर बनवतो. कृत्रिम बुद्धिमत्ता ही आजच्या घडीची सर्वात वेगाने विकसित होणारी आणि मानवी जीवनावर प्रभाव पाडणारी तंत्रज्ञान क्रांती मानली जाते. एआय म्हणजे संगणकांना मानवी बुद्धिमत्तेसारखी कार्ये करण्याची क्षमता देणे. यात शिकणे, समजणे, निर्णय घेणे, समस्यांचे निराकरण आणि भाषेचे विश्लेषण करणे यांचा समावेश आहे. आपण जेथे एआय वापरतो त्याची खाली काही प्रातिनिधीक उदाहरणे दिली आहेत.

१) ऑनलाइन सर्च आणि रिकमेंडेशन्स: आपण गुगल किंवा बिंग सारखी सर्च इंजिन वापरतो तेव्हा, एआय अल्गोरिदम तुमच्या सर्च क्वेरींचे विश्लेषण करून संबंधित उच्च अग्रक्रमाच्या रिझल्ट्सची यादी 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 पाठवते.

२) डिजिटल असीसस्टन्स: सिरी, अलेक्सा आणि गुगल असिस्टंटसारखी उपकरणे आपल्या आवाजाचे आदेश समजून घेतात आणि आपल्या प्रश्नांची अधिक संभाव्य 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: फोटो आणि व्हिडिओंमधील चेहरे ओळखण्यास, स्वयंचलितपणे फोटो टॅग करण्यास आणि फेस रिकग्निशनद्वारे उपकरणे उघडण्यास एआय चा वापर केला जातो. याशिवाय, ऑनलाइन इमेज शोधताना एआय अल्गोरिदम दृश्य माहितीचे बारकाईने विश्लेषण करून आपल्याला संबंधित प्रतिमा शोधण्यास मदत करतात.  

४) नैसर्गिक भाषा प्रक्रिया:  एआय वर आधारित असलेले गुगल ट्रान्सलेट वापरून आपण सहजपणे भाषांतर करू शकतो. ग्राहक सेवा चॅटबॉट्स ग्राहकांच्या प्रश्नांची उत्तर देण्यासाठी आणि त्यांच्या शंकांचे निरसन करण्यासाठी एआय चा वापर करतात. यामुळे आता व्हॉइस-टू-टेक्स्ट, टेक्स्ट-टू-व्हॉइस आणि ओसीआर यासारख्या तंत्रज्ञानांचा वापर करून बोललेल्या भाषेचे मजकूरात आणि कागदावरील मजकूर डिजिटल स्वरूपात रूपांतरित करणे शक्य झाले आहे.

५) आरोग्यसेवा: वैद्यकीय प्रतिमांचे (जसे की क्ष-किरण, एमआरआय) अचूक आणि जलद विश्लेषण करण्यासाठी एआयचे 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: एआय तंत्रज्ञानाच्या साहाय्याने विना चालक 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 करत आहेत. यामुळे वाहतूक कोंडी कमी करणे, ऊर्जा वापर कमी करणे आणि शहरी वाहतूक व्यवस्थेची कार्यक्षमता वाढवणे शक्य झाले आहे.

आपल्या दैनंदिन जीवनात एआय कसे वापरले जात आहे याची ही प्रातिनिधीक उदाहरणे आहेत. एआय तंत्रज्ञान जसजसे पुढे जात आहे, तसतसे आपण आणखी आश्चर्यकारक 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 यंत्रशिक्षण) क्षमता मिळाली.

एआय च्या क्षेत्रात संशोधन करण्यासाठी भौतिकशास्त्र, गणित आणि संगणक विज्ञान या शास्त्रांची जोड आवश्यक आहे. भौतिकशास्त्रातील मूलभूत तत्वांसाठी गणितशास्त्र मॉडेल आणि विश्लेषणासाठी टूल विकसित करते तर संगणकशास्त्र तत्वाधिष्ठित प्रश्नांचे निराकरण करण्यासाठी आवश्यक प्रोग्रामिंग विकसित करते.

भौतिकशास्त्रातील स्टॅटिस्टिकल मेकॅनिक्स आणि संगणक विज्ञानाची मशीन लर्निंग या  दोन्ही विषयात वेगवेगळ्या दृष्टिकोनातून कणांच्या प्रणालीचा अभ्यास होतो. स्टॅटिस्टिकल मेकॅनिक्स अणू आणि रेणूंच्या पातळीवर प्रणालींचे वर्णन करते, तर मशीन लर्निंग कृत्रिम न्यूरॉन्स (डेटा) च्या आधारे संगणकांना शिकण्याची क्षमता देण्यावर भर देते. दोन्ही ठिकाणी 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: 

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

आपणास माहीत आहे की संगणकाच्या साहाय्याने विविध भाषांमध्ये भाषांतर, प्रतिमांचे विश्लेषण आणि अगदी आपल्याशी संवाद साधने शक्य झाले आहे. पण कदाचित आपण अनभिज्ञ असतो की या तंत्रज्ञानामागे मोठ्या प्रमाणात डेटाचे विश्लेषण आणि वर्गीकरण करण्याचे क्लिष्ट संशोधन आहे. गेल्या दोन दशकात आर्टिफिशियल न्यूरल नेटवर्क (एएनएन) या संरचनेचा मोठा वापर असलेल्या मशीन लर्निंग या क्षेत्रात झपाट्याने प्रगती झाली आहे. कृत्रिम बुद्धिमत्तेच्या मुळाशी बहुतेकदा हेच तंत्रज्ञान आहे.

संगणक जरी स्वत: विचार करू शकत नसले तरी ते आता मानवी मेंदूच्या स्मृती आणि शिकण्याच्या प्रक्रियेची अधिक चांगल्या प्रकारे नक्कल करू शकतात. यंदाच्या भौतिकशास्त्रातील नोबेल विजेत्यांनी या क्षेत्रात महत्त्वपूर्ण योगदान दिले आहे. त्यांनी मेंदूतील न्यूरॉन्सप्रमाणेच कृत्रिम न्यूरल नेटवर्कमधील विशिष्ट संरचना वापरून माहितीवर प्रक्रिया (इन्फर्मेशन प्रोसेसिंग) करण्यासाठी भौतिकशास्त्राच्या मूलभूत तत्त्वांचा वापर करून तंत्रज्ञान विकसित केले आहे.

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

एएनएन संपूर्ण नेटवर्क संरचना वापरून माहितीवर प्रक्रिया करते. यामागील प्रेरणा मानवी मेंदू कसा कार्य करतो याच्या सखोल अर्थबोधातून आली आहे. १९४० च्या दशकात, संशोधकांनी मेंदूतील न्यूरॉन्स आणि सायनॅप्सच्या जाळ्यात अंतर्भूत असलेल्या क्लिष्ट गणितीय संबंधांचा शोध घेण्यास सुरुवात केली. विशेष करून डोनाल्ड हेब यांच्या अध्ययन सिद्धांतामुळे मानसशास्त्रातूनही याला चालना मिळाली. हेब यांच्या मते, जेव्हा दोन न्यूरॉन्स एकत्र सक्रिय होतात, तेव्हा त्यांच्यातील सांधा मजबूत होतो अन्यथा तो कमकुवत असतो. 

या कल्पनांचा वापर करून, संशोधकांनी आर्टिफ़िशियल न्यूरल नेटवर्क तयार केले. यात, मेंदूतील न्यूरॉन्सची नक्कल नोड्सद्वारे केली जाते, ज्यांना भिन्न इनपुट 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

मानसशास्त्रात, सहयोगी स्मृतीला असंबंधित वस्तूंमधील संबंध शिकण्याची आणि लक्षात ठेवण्याची क्षमता म्हणून परिभाषित केले जाते. समजा, सिनेमा किंवा लेक्चर हॉलमधील उतार असलेल्या मजल्यासाठी वापरला जाणारा तो अनोखा शब्द तुम्हाला आठवत नाहीये. 'हंप' सारखा काहीतरी होता... कदाचित रोड...अल? नाही, तसा नाही. रेक, नाही.. रॅम्प होय, बरोबर तोच !' असे बरोबर उत्तराच्या निकटचे शब्द आपण आठवायचा प्रयत्न करत असता.

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 डेटा संग्रहित करू शकते आणि तो पुन्हा तयार करू शकते. जर या नेटवर्कला अपूर्ण किंवा थोडाफार बदललेला डेटा दिला गेला, तर नेटवर्क आपल्या संग्रहित नमुन्यांपैकी सर्वात जवळचा नमुना शोधून काढते.

हॉपफिल्ड यांनी पूर्वी भौतिकशास्त्रातील आपला अनुभव आण्विक जीवशास्त्रातील सैद्धांतिक समस्या सोडवण्यासाठी वापरला होता. एकदा न्यूरोसायन्सवर झालेल्या एका परिषदेत त्यांची नजर मेंदूच्या संरचनेवर पडली. तेव्हा मेंदूची संरचना तसेच कार्यपद्धती समजल्यावर ते खूप प्रभावित झाले आणि या कार्यपद्धतीचा वापर कृत्रिम न्यूरल नेटवर्कच्या सहाय्याने त्यांच्या डोक्यातील कल्पनेसाठी वापरला जाऊ शकतो हे त्यांना कळून चुकले. त्यांच्या मते जेव्हा अनेक न्यूरॉन्स एकत्र काम करतात, तेव्हा त्यांच्यापासून काही नवीन आणि अद्भुत गुणधर्म निर्माण होतात, जे एका न्यूरॉनला पाहून कधीच समजू शकत नाहीत. म्हणून त्यांनी एका न्यूरॉनऐवजी अनेक न्यूरॉनचे कृत्रिम नेटवर्क तयार करण्याची कल्पना मांडली.

१९८० मध्ये, जॉन हॉपफिल्ड यांनी भौतिकशास्त्रापेक्षा वेगळ्या क्षेत्रात काम करण्याच्या इराद्याने प्रिन्स्टन विद्यापीठातील पद सोडले. त्यानंतर ते कॅलटेकमध्ये रसायनशास्त्र आणि जीवशास्त्र विभागात प्राध्यापक म्हणून रुजू झाले. येथे त्यांना संगणक संसाधनांचा मोठ्या प्रमाणात वापर करण्याची संधी मिळाली, ज्याचा उपयोग त्यांनी आर्टिफ़िशियल न्यूरल नेटवर्कवरील आपल्या अभिनव 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 सांध्यांद्वारे 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 प्रतिमासाठीची नेटवर्कची 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.

फेसबुक मध्ये माय अवतार पझल नावाची एक गेम आहे ज्यामध्ये आपल्या प्रोफाइल पिक्चर वरून कम्प्युटर आपल्या चेहऱ्याच्या वेगवेगळ्या अवतारातील प्रतिमा क्षणार्धात तयार करते. आपल्याला स्वतःच्या चेहऱ्याचे वेगवेगळे रूपांतर पाहून खूप मजा येते आणि आपण क्षणभर त्या नवीन रूपात स्वतःला ढकलून पाहतो. ही कृत्रिम बुद्धिमत्तेने तयार केलेली प्रतिमा ही अनेक संभाव्य संयोजनांचा वापर करून तयार केली जाते. या प्रक्रियेत कमीतकमी ऊर्जा खर्च होते.

जर आपण फक्त एकच नमुना कम्प्युटर मध्ये जतन केला, तर ही पद्धत इतकी लक्षणीय वाटणार नाही. कदाचित तुम्ही विचार करत असाल की आपण फक्त एक प्रतिमा का जतन करून तिची तपासल्या जात असलेल्या दुसऱ्या प्रतिमेशी तुलना का करू नये? पण हॉपफिल्डची पद्धत यापेक्षा खूपच वेगळी आहे. ही पद्धत एकाच वेळी अनेक प्रतिमा साठवू शकते आणि या नेटवर्कला त्यांच्यातील फरक सहज ओळखता येतो. 

हॉपफील्डने नेटवर्कद्वारे स्थिर अवस्था शोधण्याच्या प्रक्रियेची तुलना उंच सखल पृष्ठभागावरून घसरणाऱ्या आणि घर्षणामुळे हालचाल मंदावून थांबणाऱ्या चेंडूच्या उदाहरणाशी केली आहे. आपण जर एखाद्या उंचवट्यावरून चेंडू सोडल्यास तो सर्वात जवळच्या खोलगट भागात जाऊन थांबेल. त्याचप्रमाणे, जर आपण नेटवर्कला एखाद्या ज्ञात नमुन्याची माहिती दिली तर ते स्वतःच्या आंतरिक संरचनेनुसार त्याच्या सर्वात मिळत्या जुळत्या ज्ञात नमुन्याचा शोध घेण्याचा प्रयत्न करेल, जेथे नेटवर्कची ऊर्जा न्यूनतम असेल. याला आपण ऊर्जा भूदृश्यातील सर्वात खोल बिंदू शोधणे असेही म्हणू शकतो.

हॉपफिल्ड नेटवर्कचा उपयोग खराब झालेल्या किंवा नॉइज़ी डेटामधून मूळ डेटा पुनर्प्राप्त करण्यासाठी केला जातो. हॉपफिल्ड आणि इतर संशोधकांनी या नेटवर्कमध्ये अधिक जटिलता आणून, ते अधिक सक्षम बनवले आहे. या नेटवर्कमधील नोड्स फक्त 'शून्य' किंवा 'एक' ही दोनच मूल्ये धारण करण्याऐवजी, विविध मूल्ये धारण करू शकतात. उदाहरणार्थ, एका चित्रात, प्रत्येक नोड एक पिक्सेल दर्शवू शकतो आणि त्या पिक्सेलला अनेक रंग असू शकतात. यामुळे नेटवर्क विविध प्रकारची जटिल माहिती, जसे की विविध प्रकारची चित्रं, अधिक प्रभावीपणे हाताळू शकते. जर आपल्याकडे कोणत्याही माहितीचे अनेक डेटा पॉइंट्स उपलब्ध असतील, तर हॉपफिल्ड नेटवर्क त्या माहितीचे ओळखून पुनर्निर्माण 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 मुले देखील वेगवेगळ्या प्राण्यांकडे बोट दाखवून, आत्मविश्वासाने सांगू शकतात की तो कुत्रा, मांजर किंवा खारूताई आहे. ते कधीकधी चुकतीलही, पण बहुतांश वेळा त्यांचे उत्तर बरोबरच असते. प्रजाती किंवा सस्तन प्राणी यासारख्या संकल्पनांची कोणतीही सखोल माहिती नसतानाही मुले हे सहजपणे शिकू शकतात. काही उदाहरणे बघितल्यानंतर, मुलाच्या मनात प्राणी किंवा वस्तूंचे वेगवेगळे वर्ग तयार होतात. अशाच प्रकारे, ते मांजर ओळखण्यास, एखादा शब्द समजून घेण्यास किंवा खोलीतील बदललेल्या वातावरणाचा अनुभव घेण्यास शिकतात.

जेव्हा हॉपफिल्ड यांनी सहयोगी स्मृतीवरील त्यांचा लेख प्रकाशित केला तेव्हा जेफ्री हिंटन अमेरिकेतील पिट्सबर्ग येथील कार्नेगी मेलॉन विद्यापीठात कार्यरत होते. त्यांनी याआधी इंग्लंड आणि स्कॉटलंडमध्ये प्रयोगात्मक मानसशास्त्र आणि कृत्रिम बुद्धिमत्तेवर संशोधन केले होते. हिंटन यांचे लक्ष्य होते की, यंत्रे मानवांप्रमाणेच माहितीचे वर्गीकरण आणि अर्थ लावण्यासाठी नमुन्यांची ओळख करू शकतील का, हे शोधणे. त्यांचे सहकारी, टेरेन्स सेजनोव्स्की, यांनी हॉपफिल्ड नेटवर्क या संकल्पनेत सांख्यिकीय भौतिकशास्त्रातील तत्त्वांचा वापर करून नवीन बदल करण्याचा प्रयत्न केला.

सांख्यिकीय भौतिकशास्त्र (स्टॅटिस्टिकल फिजिक्स) हे अनेक समान कणांनी बनलेल्या प्रणालींचे, जसे की वायूतील रेणूंचे, भौतिक गुणधर्म समजून घेण्यासाठी वापरले जाते. प्रत्येक रेणू वेगवेगळ्या दिशेने आणि वेगाने गतिमान असला तरी, सर्व रेणूंच्या या यादृच्छिक हालचालींचा एकत्रित परिणाम म्हणून वायूचे गुणधर्म स्थिर राहतात. सर्व रेणूंच्या व्यक्तिगत हालचालींचे निरीक्षण करणे कठीण असले तरी, या हालचालींचा एकूण परिणाम म्हणून आपण वायूचा दाब, ऊर्जा, तापमान आणि विशिष्ट उष्णता क्षमता यांसारखे गुणधर्म मोजू शकतो.

असंख्य छोटे घटक एकत्रितपणे अस्तित्वात असणाऱ्या प्रणालींचे सांख्यिकीय भौतिकशास्त्रात विश्लेषण करून त्यांच्या विविध अवस्थांची संभाव्यता मोजली जाते. या प्रणालींमध्ये काही अवस्था इतर अवस्थांपेक्षा अधिक संभाव्य असतात; हे त्या प्रणालींमध्ये उपलब्ध ऊर्जेच्या प्रमाणावर अवलंबून असते हे लुडविग बोल्टझमन यांनी मांडलेल्या समीकरणाद्वारे स्पष्ट केले जाते. हिंटनच्या नेटवर्कमध्ये याच समीकरणाचा वापर करून 'बोल्टझमन मशीन' ही पद्धत १९८५ मध्ये विकसित केली गेली.

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 एकाच वेळी बदल केले जातात. या प्रक्रियेत मशीन अशा स्थितीत पोहोचते जिथे नोड्सच्या मूल्यांमध्ये बदल होत असतात, परंतु संपूर्ण नेटवर्कची स्थिती स्थिर राहते. प्रत्येक संभाव्य स्थितीची एक विशिष्ट संभाव्यता असते जी बोल्टझमन समीकरणानुसार नेटवर्कच्या एकूण ऊर्जेवर अवलंबून असते. जेव्हा मशीन स्थिर होते तेव्हा ती एक नवीन नमुना तयार करते. यामुळे बोल्टझमन मशीन एक मूलभूत जनरेटिव्ह मॉडेल म्हणून ओळखली जाते.

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 बोल्टझमन मशीन पूर्वी पाहिलेल्या माहितीतील परिचित नमुने ओळखू शकते. जसे आपण आपल्या मित्राच्या भावंडांमध्ये साधर्म्य पाहतो, तसेच बोल्टझमन मशीनही प्रशिक्षणादरम्यान पाहिलेल्या माहितीशी संबंधित नवीन माहिती ओळखू शकते आणि माहितीतील फरकही शोधू शकते.

बोल्ट्झमन मशीन सुरुवातीला खूप मंद होत्या. मात्र, हिंटन यांच्यासारख्या शास्त्रज्ञांनी त्यांमध्ये सुधारणा करून त्यांना अधिक वेगवान बनवले. त्यांनी मशीनमधील काही कनेक्शन्स कमी करून ही कामगिरी साध्य केली.

१९९० च्या दशकात, आर्टिफ़िशियल न्यूरल नेटवर्क्सवरील संशोधन मंदावले असताना, हिंटन यांनी या क्षेत्रात काम करणे सुरूच ठेवले. त्यांच्या आणि त्यांच्या सहकाऱ्यांच्या बोल्ट्झमन मशीन संबंधित संशोधनामुळे या क्षेत्रात एक नवीन युग उजाडले. त्यांनी विकसित केलेल्या नवीन पद्धतीत बोल्टझमन मशीनचा वापर करून नेटवर्क्सना प्रशिक्षित केले जाऊ शकते. यामुळे नेटवर्क्सला चित्रांमधील वैशिष्ट्ये अधिक प्रभावीपणे ओळखता येऊ लागले. बोल्टझमन मशीनचा वापर चित्रपट किंवा टीव्ही मालिकांची शिफारस करण्यासाठी वापरल्या जाणाऱ्या मोठ्या डेटाचे विश्लेषण करण्यासाठी केला जाऊ शकतो.

मशीन लर्निंग - आज आणि उद्या

आर्टिफ़िशियल न्यूरल नेटवर्क्सच्या क्षेत्रात जॉन हॉपफिल्ड आणि जेफ्री हिंटन यांचे १९८० च्या दशकातील संशोधन आजच्या मशीन लर्निंग क्रांतीचे पायाभूत काम आहे. मोठ्या प्रमाणात डेटा आणि संगणन शक्ती उपलब्ध झाल्याने २०१० नंतर या क्षेत्रात प्रचंड प्रगती झाली. डीप न्यूरल नेटवर्क्स आणि डीप लर्निंग या तंत्रांचा विकासामध्ये हॉपफिल्ड आणि हिंटन यांच्या संशोधनाचे महत्त्वपूर्ण योगदान 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 भौतिकशास्त्रातील संशोधनासाठी उपयोगी ठरत आहे. उदाहरणार्थ, हिग्ज बोसॉन शोधण्यासाठी वापरल्या जाणाऱ्या मोठ्या डेटासेट्सचे  विश्लेषण करण्यासाठी मशीन लर्निंगचा विस्तृतपणे उपयोग केला जातोय. याशिवाय, कृष्णविवर टक्करांमधून उत्पन्न होणाऱ्या गुरुत्वीय लहरींचा अभ्यास, एक्सोप्लॅनेट्सचा शोध आणि नवीन कार्यक्षम मटेरियल्स तसेच नवीन औषधे शोधण्यासाठी मशीन लर्निंगचा उपयोग होत आहे. 

अलीकडच्या काळात, रेणू आणि पदार्थांच्या गुणधर्मांचा अंदाज लावण्यासाठीही मशीन लर्निंगचा वापर होऊ लागला आहे. उदाहरणार्थ, प्रथिनांची संरचना शोधण्यासाठी मशीन लर्निंगचा उपयोग होत आहे. २०२४ चे रसायनशास्त्रातील नोबेल पारितोषिक डेमिस हसाबिस, डेव्हिड बेकर आणि जॉन एम. जम्पर यांना कृत्रिम बुद्धिमत्तेच्या साहाय्याने केलेल्या प्रथिनांच्या संशोधनातील योगदानाबद्दल देण्यात आले आहे. डेमिस हसाबिस आणि जम्पर यांनी कृत्रिम बुद्धिमत्तेचा वापर करून जवळजवळ सर्व ज्ञात प्रथिनांच्या संरचनेचा अंदाज लावला तर बेकर यांनी नवीन प्रथिने तयार करण्याचा मार्ग शोधला आहे.

हे क्षेत्र अजूनही विकासाच्या प्रारंभिक टप्प्यावर आहे आणि भविष्यात या क्षेत्रातून अनेक नवीन शोध होण्याची अपेक्षा आहे. 

संदर्भ:- नोबेल पुरस्कार वेबसाईट