आकाशगंगा मॉडल से परमाणुओं तक - एआई कार्यान्वयन में सरल चालें कई बार अरबों के सिमुलेशन को गति देती हैं

इस तरह की अत्यंत जटिल प्राकृतिक घटनाओं को मॉडल करने के लिए, जैसे कि उपपरमाण्विक कणों की बातचीत या जलवायु पर कोहरे का प्रभाव, सबसे तेज सुपर कंप्यूटर पर भी खर्च करने में कई घंटे लगते हैं। एमुलेटर, एल्गोरिदम जो विस्तृत सिमुलेशन के परिणामों को जल्दी से अनुमानित करते हैं, इस सीमा के आसपास जाने का एक तरीका प्रदान करते हैं। ऑनलाइन प्रकाशित एक नया काम दिखाता है कि कैसे एआई आसानी से सटीक एमुलेटर का उत्पादन कर सकता है जो विज्ञान के अरबों क्षेत्रों के विभिन्न क्षेत्रों में सिमुलेशन को तेज कर सकता है।

"यह एक बड़ी उपलब्धि है," लिवरमोर नेशनल लेबोरेटरी के एक जलवायु सिम्युलेटर डोनाल्ड लुकास कहते हैं, जो इस काम में शामिल नहीं थे। उनका कहना है कि नई प्रणाली स्वचालित रूप से एमुलेटर बनाती है जो उन लोगों की तुलना में बेहतर और तेजी से काम करते हैं जो उनकी टीम मैन्युअल रूप से विकसित और ट्रेन करती है। नए एमुलेटर का उपयोग उन मॉडलों को बेहतर बनाने के लिए किया जा सकता है जो वे अनुकरण करते हैं और वैज्ञानिकों की दक्षता में वृद्धि करते हैं। अगर काम सहकर्मी की समीक्षा से गुजरता है, तो लुकास कहते हैं, "यह बहुत बदल जाएगा।"

एक सामान्य कंप्यूटर सिमुलेशन गणना कर सकता है, कदम से कदम, भौतिक प्रभाव परमाणुओं, बादलों, आकाशगंगाओं को कैसे प्रभावित करते हैं - वे सब कुछ जो वे अनुकरण करते हैं। मशीन लर्निंग (एमओ) के रूप में एआई के ऐसे संस्करण पर आधारित एमुलेटर प्रकृति के श्रमसाध्य प्रजनन के चरण को छोड़ देते हैं। एक पूर्ण सिमुलेशन के आवश्यक इनपुट और आउटपुट डेटा प्राप्त करने के बाद, एमुलेटर पैटर्न की तलाश करते हैं और यह अनुमान लगाने के लिए सीखते हैं कि इनपुट डेटा के नए सेट के साथ सिमुलेशन क्या करेगा। हालांकि, प्रशिक्षण डेटा बनाने के लिए, कई बार एक पूर्ण सिमुलेशन चलाने के लिए आवश्यक है - अर्थात, वास्तव में क्या emulators से छुटकारा पाना चाहिए।

नए एमुलेटर तंत्रिका नेटवर्क पर आधारित हैं - एमओ सिस्टम मानव मस्तिष्क की संरचना से प्रेरित हैं - और उन्हें बहुत कम सीखने की जरूरत है। तंत्रिका नेटवर्क में सरल कंप्यूटिंग तत्व होते हैं जो एक निश्चित कार्य करने के लिए एक निश्चित तरीके से एक दूसरे से जुड़े होते हैं। आमतौर पर, सीखने की प्रक्रिया में तत्वों की कनेक्टिविटी बदल जाती है। हालांकि, "न्यूरल आर्किटेक्चर की खोज" नामक एक तकनीक आपको किसी दिए गए कार्य के लिए सबसे प्रभावी कनेक्शन योजना निर्धारित करने की अनुमति देती है।

इस तकनीक के आधार पर, डीप एम्यूलेटर नेटवर्क सर्च (DENSE) तकनीक स्टैनफोर्ड यूनिवर्सिटी के कंप्यूटर वैज्ञानिक मेलोडी गुआन द्वारा विकसित एक सामान्य तंत्रिका वास्तुकला खोज योजना पर निर्भर करती है। वह इनपुट और आउटपुट के बीच यादृच्छिक परतों को सम्मिलित करता है, और फिर एक सीमित डेटा सेट पर परिणामस्वरूप कनेक्शन की जांच करता है और प्रशिक्षित करता है। यदि जोड़ा परत परिचालन दक्षता में सुधार करता है, तो भविष्य के नेटवर्क विविधताओं में इसकी उपस्थिति की संभावना बढ़ जाती है। प्रक्रिया को दोहराने से एमुलेटर में सुधार होता है। गुआन का कहना है कि "उत्साह" के साथ वह इस बात का अनुसरण करता है कि वैज्ञानिक खोजों को प्राप्त करने के उद्देश्य से उसके काम का उपयोग कैसे किया जाता है। अध्ययन का नेतृत्व करने वाले ऑक्सफ़ोर्ड विश्वविद्यालय के भौतिक विज्ञानी मुहम्मद कासिम का कहना है कि उनकी टीम ने गुआन के काम पर आधारित है,जैसा कि यह दृष्टिकोण सटीकता और दक्षता के बीच संतुलन हासिल करता है।

शोधकर्ताओं ने DENSE का उपयोग 10 सिमुलेशन के भौतिकी, खगोल विज्ञान, भूविज्ञान और जलवायु विज्ञान के विकासकर्ताओं के लिए किया। एक अनुकरण, उदाहरण के लिए, मॉडल कैसे कालिख और अन्य निलंबित कणों को वातावरण में प्रतिबिंबित करते हैं और सूर्य के प्रकाश को अवशोषित करते हैं, वैश्विक जलवायु को बदलते हैं। उनके काम में हजारों घंटे का कंप्यूटर समय लग सकता है, इसलिए डंकन वाटसन-पैरिस, ऑक्सफोर्ड से एक वायुमंडलीय भौतिकी विशेषज्ञ और अध्ययन के सह-लेखक, कभी-कभी एमओ के साथ एक एमुलेटर का उपयोग करते हैं। हालांकि, उनके अनुसार, एमुलेटर को कॉन्फ़िगर करना मुश्किल है, और यह उच्च-रिज़ॉल्यूशन परिणाम नहीं दे सकता है, चाहे जितना डेटा प्राप्त हो।

डेटा की कमी के बावजूद DENSE एमुलेटर उत्कृष्ट परिणाम दिखाते हैं। जब वे विशेष ग्राफिक्स चिप्स से लैस थे, तो उन्होंने इसी सिमुलेशन की तुलना में 100,000 से 2 बिलियन गुना तक त्वरण दिखाया। इस तरह की त्वरण अक्सर एमुलेटर की विशेषता होती है, लेकिन उनके परिणाम भी बेहद सटीक थे: एक तुलना में, एक खगोलविज्ञानी एमुलेटर के परिणाम 99% से अधिक एक पूर्ण अनुकरण के परिणामों के समान थे, और 10 सिमुलेशन के परिणामों के अनुसार, तंत्रिका नेटवर्क-आधारित एमुलेटर सामान्य लोगों की तुलना में बेहतर परिणाम दिखाते थे। कासिम का कहना है कि उन्हें लगा कि प्रत्येक सिमुलेशन के लिए इसी तरह की सटीकता हासिल करने के लिए DENSE सिमुलेटर को हज़ारों प्रशिक्षण उदाहरणों की आवश्यकता होगी। लेकिन ज्यादातर मामलों में केवल कुछ हजार उदाहरणों का उपयोग करना पड़ा,और निलंबित वायुमंडलीय कणों के मामले में - केवल कुछ दर्जन।

मॉन्ट्रियल विश्वविद्यालय के एक खगोल भौतिकीविद् लॉरेंस पेरौल्ट-लेवासियर ने कहा, "बहुत ही शांत परिणाम, आकाशगंगाओं का अनुकरण करने का नाटक कर रहा है, जिसका प्रकाश अन्य आकाशगंगाओं के कारण गुरुत्वाकर्षण लेंसिंग से गुजरता है। "यह प्रभावशाली है कि एक ही कार्यप्रणाली को ऐसे विभिन्न कार्यों के लिए लागू किया जा सकता है, और वे इसे इतने कम उदाहरणों पर प्रशिक्षित करने में सक्षम थे।"

लुकास का कहना है कि DENSE एमुलेटर, तेज और सटीक होने के अलावा, एक और दिलचस्प उपयोग है। वे परिणामों की सही भविष्यवाणी के लिए मॉडल के सर्वोत्तम मापदंडों को निर्धारित करने के लिए "उलटा समस्याओं" को हल कर सकते हैं। और फिर इन मापदंडों का उपयोग पूर्ण विकसित सिमुलेशन में सुधार के लिए किया जा सकता है।

कासिम का कहना है कि DENSE वैज्ञानिकों को मक्खी पर डेटा की व्याख्या करने की अनुमति भी दे सकता है। उनकी टीम स्टैनफोर्ड में एक विशाल एक्स-रे लेजर द्वारा बनाई गई चरम स्थितियों के तहत प्लाज्मा व्यवहार का अध्ययन कर रही है, जहां प्रयोग का समय बहुत मूल्यवान है। उनके डेटा का वास्तविक समय में विश्लेषण करना असंभव है - उदाहरण के लिए, एक प्लाज्मा के तापमान और घनत्व का अनुकरण करने के लिए - चूंकि आवश्यक सिमुलेशन में कई दिन लग सकते हैं, जो कि लेजर का उपयोग करने वाले शोधकर्ताओं के पास नहीं है। हालांकि, उनके अनुसार, DENSE एमुलेटर तेजी से डेटा की व्याख्या कर सकता है ताकि वह प्रयोग को बदल सके। "हमें उम्मीद है कि भविष्य में हम लगभग तुरंत विश्लेषण करने में सक्षम होंगे।"