చిన్న జీవుల మెదడులను రూపొందించిన "లిక్విడ్" న్యూరల్ నెట్‌వర్క్‌ను గత సంవత్సరం MIT పరిశోధకులు ఆవిష్కరించారు. డ్రైవింగ్ మరియు ఫ్లయింగ్ వంటి ఆచరణాత్మక, భద్రత-క్లిష్టమైన పనుల కోసం, మేము ఉద్యోగంలో నేర్చుకోగల మరియు మారుతున్న పరిస్థితులకు అనుగుణంగా ఉండే పటిష్టమైన, అనుకూలమైన యంత్ర అభ్యాస నమూనాల తరగతి గురించి మాట్లాడుతున్నాము. ఈ "లిక్విడ్" న్యూరల్ నెట్‌వర్క్‌ల అనుకూలత మన ఇంటర్‌కనెక్టడ్ ప్రపంచం యొక్క కమ్యూనికేషన్‌ను బలపరుస్తుంది, అంటే గుండె మరియు మెదడు పర్యవేక్షణ, వాతావరణ అంచనా మరియు స్టాక్ ధరల వంటి వివిధ సమయ-శ్రేణి డేటా-ఇంటెన్సివ్ పనుల కోసం మెరుగైన నిర్ణయం తీసుకోవడం.
అయినప్పటికీ, ఈ నమూనాలలో న్యూరాన్లు మరియు సినాప్సెస్ సంఖ్య పెరిగేకొద్దీ, అవి గణనపరంగా ఖరీదైనవిగా మారతాయి మరియు సంక్లిష్ట గణితాన్ని వాటి ప్రధాన భాగంలో పరిష్కరించడానికి గజిబిజిగా ఉండే కంప్యూటర్ ప్రోగ్రామ్‌లు అవసరం. మరియు అనేక భౌతిక దృగ్విషయాల మాదిరిగానే, ఈ అంకగణితాన్ని పరిష్కరించడం పరిమాణంతో కష్టతరం అవుతుంది, దీనికి పరిష్కారాన్ని చేరుకోవడానికి చాలా చిన్న దశలను లెక్కించడం అవసరం.
అదే శాస్త్రవేత్తల బృందం కొత్త తరగతి వేగవంతమైన మరియు సమర్థవంతమైన AI సిస్టమ్‌లను బహిర్గతం చేయడానికి సినాప్సెస్ ద్వారా రెండు న్యూరాన్‌ల కనెక్షన్‌లో అంతర్లీనంగా ఉన్న అవకలన సమీకరణాన్ని పరిష్కరించడం ద్వారా ఈ అడ్డంకిని తగ్గించడానికి ఒక మార్గాన్ని కనుగొంది. ఈ మోడ్‌లు లిక్విడ్ న్యూరల్ నెట్‌వర్క్‌ల కంటే చాలా వేగంగా మరియు స్కేలబుల్‌గా ఉన్నప్పటికీ, అవి ఒకే విధమైన అనువైన, కారణ, బలమైన మరియు వివరించదగిన లక్షణాలను పంచుకుంటాయి.
ఫలితంగా, శిక్షణ తర్వాత కూడా అవి చిన్నవిగా మరియు అనువైనవిగా ఉంటాయి - స్థిరంగా ఉన్న అనేక సాంప్రదాయ నమూనాల వలె కాకుండా - ఈ రకమైన న్యూరల్ నెట్‌వర్క్ కాలక్రమేణా డేటాపై అంతర్దృష్టులను పొందే ఏ పనికైనా ఉపయోగించవచ్చు.
"క్లోజ్డ్ ఫారమ్ కంటిన్యూస్ టైమ్" (CfC) న్యూరల్ నెట్‌వర్క్ మోడల్‌లు ఈవెంట్-బేస్డ్ సీక్వెన్షియల్ ఇమేజ్ ప్రాసెసింగ్, సిమ్యులేటెడ్ వాకింగ్ రోబోట్ యొక్క ఫిజికల్ డైనమిక్స్‌ను మోడలింగ్ చేయడం మరియు మానవ కార్యకలాపాల గుర్తింపుతో సహా వివిధ రకాల పనులలో తమ స్టేట్ ఆఫ్ ది ఆర్ట్ కౌంటర్‌పార్ట్‌లను అధిగమించాయి. మోషన్ సెన్సార్లు. ఉదాహరణకు, మెడికల్ ప్రిడిక్షన్ టాస్క్ కోసం 8.000 మంది రోగుల నమూనాపై కొత్త మోడల్‌లు 220 రెట్లు వేగంగా ఉన్నాయి.
కంప్యూటర్ సైన్స్ అండ్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ లాబొరేటరీ (CSAIL) డైరెక్టర్ మరియు కొత్త పేపర్ యొక్క సీనియర్ రచయిత అయిన MIT ప్రొఫెసర్ డానియెలా రస్ ప్రకారం, “మేము 'CfCs' అని పిలుస్తున్న కొత్త మెషీన్ లెర్నింగ్ మోడల్స్, అవకలన సమీకరణాన్ని భర్తీ చేస్తూ సంఖ్యాపరమైన ఏకీకరణపై దృష్టి సారించాయి. ఇది క్లోజ్డ్-ఫారమ్ విధానంతో న్యూరాన్ యొక్క గణనను వివరిస్తుంది. అవసరం లేకుండానే ద్రవ మెష్‌ల యొక్క అందమైన లక్షణాలను కలిగి ఉంటుంది “CfC నమూనాలు సమర్థవంతమైనవి, కారణమైనవి, సంగ్రహించబడినవి మరియు శిక్షణ ఇవ్వడానికి మరియు అంచనా వేయడానికి వివరించదగినవి. అవి భద్రతకు అవసరమైన అప్లికేషన్‌ల కోసం నమ్మకమైన మెషిన్ లెర్నింగ్‌కు తలుపులు తెరుస్తాయి.
మేము అవకలన సమీకరణాలను ఉపయోగించి ప్రపంచంలోని మారుతున్న స్థితిని లేదా కాలక్రమేణా ఒక దృగ్విషయాన్ని లెక్కించగలము, అయితే మనం దీన్ని కాలక్రమేణా దశలవారీగా మాత్రమే చేయగలము. సరైన పరిష్కారాన్ని కనుగొనడం కోసం బృందం వారి గణిత ఉపాయాల సంచుల ద్వారా చమత్కరించారు.
కాలక్రమేణా సహజ దృగ్విషయాలను మోడల్ చేయడానికి మరియు మానవ కార్యకలాపాలను గుర్తించడం లేదా రోబోట్ అనుసరించే మార్గం వంటి గత మరియు ప్రస్తుత ప్రవర్తనను అర్థం చేసుకోవడానికి ఒకే గణన దశలో మొత్తం సిస్టమ్ యొక్క మొత్తం వివరణను మోడల్ చేసే "క్లోజ్డ్ ఫారమ్" పరిష్కారం.
వారి నమూనా ఈ సమీకరణాన్ని గతంలో లేదా భవిష్యత్తులో ఏ సమయంలోనైనా లెక్కించడానికి అనుమతిస్తుంది. అంతే కాదు, అవకలన సమీకరణాన్ని దశలవారీగా పరిష్కరించాల్సిన అవసరం లేదు కాబట్టి గణన చాలా వేగంగా ఉంటుంది.
డ్రైవింగ్ ఇన్‌పుట్‌ను అందించడానికి కారులో నిర్మించిన కెమెరాను ఉపయోగించే ఎండ్-టు-ఎండ్ న్యూరల్ నెట్‌వర్క్‌ను ఊహించండి. కారు యొక్క స్టీరింగ్ కోణం వంటి అవుట్‌పుట్‌లను ఉత్పత్తి చేయడానికి నెట్‌వర్క్ శిక్షణ పొందింది. 2020లో, బృందం 19 న్యూరాన్‌ల ద్వారా నడపబడే కారును మరియు 19-నోడ్ ఫ్లూయిడ్ న్యూరల్ నెట్‌వర్క్‌లను ఉపయోగించి ఒక చిన్న సెన్సింగ్ మాడ్యూల్‌ను రూపొందించగలిగింది. సిస్టమ్‌లోని ప్రతి నోడ్ అవకలన సమీకరణం ద్వారా వివరించబడింది. క్లోజ్డ్ ఫారమ్ సొల్యూషన్ సిస్టమ్ యొక్క వాస్తవ డైనమిక్స్ యొక్క మంచి ఉజ్జాయింపు కాబట్టి, ఈ మెష్‌లో దాన్ని మార్చడం వలన మీరు వెతుకుతున్న ప్రవర్తన సరిగ్గా ఉంటుంది. తత్ఫలితంగా, వారు తక్కువ న్యూరాన్‌లతో సమస్యను పరిష్కరించగలరు, ప్రక్రియను వేగంగా మరియు తక్కువ గణనతో ఖర్చు చేస్తారు.
మూలం మరియు తదుపరి పఠనం: techxplore.com/news/2022-11-brain-dynamics-flexible-machine-learning.html
Günceleme: 21/11/2022 14:03
వ్యాఖ్యానించిన మొదటి వ్యక్తి అవ్వండి