इंटेलिजेंस रिपोर्ट

MIT शोधकर्ताओं ने अव्यवस्थित प्रणालियों के AI मॉडल में भौतिकी की सख्त सीमाएं जोड़ीं

एक प्रोजेक्शन लेयर मौसम, जलवायु और टर्बुलेंस के मशीन लर्निंग पूर्वानुमानों को बहुत लंबे सिमुलेशन में भी यथार्थवादी दायरे में रखती है।

INSIGHTEX Editorial Desk

पढ़ने में 2 मिनट

MIT शोधकर्ताओं ने अव्यवस्थित प्रणालियों के AI मॉडल में भौतिकी की सख्त सीमाएं जोड़ींइंटेलिजेंस रिपोर्ट

क्या हुआ

MIT News की रिपोर्ट के अनुसार, MIT की Laboratory for Information and Decision Systems (LIDS) की एक टीम ने ऐसा तरीका विकसित किया है, जो मौसम, जलवायु और टर्बुलेंट प्रवाह जैसी अव्यवस्थित (केऑटिक) प्रणालियों के मशीन लर्निंग मॉडल को भौतिक रूप से असंभव पूर्वानुमान देने से रोकता है। यह शोधपत्र Proceedings of the National Academy of Sciences पत्रिका में प्रकाशित हुआ है और इसके लेखक स्नातक छात्र Sunbochen Tang तथा प्रोफेसर Navid Azizan और Themistoklis Sapsis हैं।

इस विधि में मॉडल ऊर्जा जैसे एक फ़ंक्शन के साथ एक सीमा भी सीखता है, जिसका उद्देश्य उसके अव्यवस्थित व्यवहार को समेटे रखना है। जोड़ी गई एक प्रोजेक्शन लेयर ऊर्जा के क्षय को कठोर बाध्यता के रूप में लागू करती है, इसलिए उस सीमा के पार ऊर्जा जैसी राशि को घटना ही पड़ता है और सिमुलेशन वापस भीतर खिंच आता है। टीम का कहना है कि यह इस बात की सैद्धांतिक गारंटी देता है कि पूर्वानुमान किसी भी लंबाई के पूर्वानुमान-काल में सीमाबद्ध रहेंगे।

सरल पाठ्यपुस्तकीय उदाहरणों से लेकर जटिल बहुआयामी प्रणालियों तक, जानी-मानी भौतिक प्रणालियों पर किए गए परीक्षणों में यह तरीका वास्तविक परिणामों के काफ़ी करीब रहा, जबकि पारंपरिक तरीके जल्दी ही भटक गए। शोधपत्र के साथ ओपन-सोर्स कोड उपलब्ध है। Azizan ने कहा कि यह लेयर मॉडल-अज्ञेयवादी है, यानी किसी भी मॉडल के साथ काम कर सकती है। Tang ने कहा कि टीम आगे इसे वास्तविक मौसम के डेटा-आधारित मॉडल पर आज़माने की योजना बना रही है। टीम के सदस्यों के एक अनुवर्ती शोधपत्र को इस वर्ष के Learning for Dynamics and Control सम्मेलन में Best Paper Award मिला।

पृष्ठभूमि

अव्यवस्थित प्रणालियां अपनी प्रारंभिक परिस्थितियों के प्रति अत्यंत संवेदनशील होती हैं, और सीखे गए मॉडलों में छोटी त्रुटियां जमा होते-होते इतनी बढ़ सकती हैं कि आउटपुट बेहिसाब बढ़ने लगे। Tang ने कहा कि पहले के उपाय प्रशिक्षण के दौरान दंड या प्रोत्साहन पर निर्भर थे, जो मॉडल के नए इनपुट से सामना होने पर कोई आश्वासन नहीं देते। उन्होंने यह भी जोड़ा कि मूल्यों को मनमानी सीमाओं पर बस काट देने से मॉडल डेटा से जटिल विशेषताएं सीखने में असमर्थ हो सकता है।

स्रोतMIT News

ब्रीफ़िंग

टेक का पूरा सप्ताह, एक ईमेल में।

हर सप्ताह वे रिपोर्ट्स जो आपके समय के लायक हैं। कभी भी अनसब्सक्राइब करें।