रॉयल स्वीडिश एकेडमी ऑफ साइंसेज़ द्वारा वर्ष 2024 का भौतिकी का नोबेल पुरस्कार जॉन हॉपफील्ड और जेफ्री हिंटन को दिया गया है। इनके अभूतपूर्व कार्य आधुनिक आर्टिफिशियल न्यूरल नेटवर्क (ANN) और मशीन लर्निंग (ML) का आधार हैं।
इनके कार्यों का भौतिकी से लेकर जीव विज्ञान, वित्तीय क्षेत्र, चिकित्सा और आर्टिफिशियल इंटेलिजेंस (AI) जैसे विभिन्न क्षेत्रों पर गहरा प्रभाव है, जिसमें OpenAI का ChatGPT (जेनरेटिव प्री-ट्रेन्ड ट्रांसफॉर्मर) भी शामिल है।
जॉन हॉपफील्ड का योगदान:
हॉपफील्ड नेटवर्क:
जॉन हॉपफील्ड को हॉपफील्ड नेटवर्क बनाने के लिए जाना जाता है, जो एक प्रकार का आवर्ती तंत्रिका नेटवर्क (आरएनएन) है जो एएनएन और एआई में मूलभूत रहा है।
1980 के दशक में विकसित हॉपफील्ड नेटवर्क को कृत्रिम नोड्स (कृत्रिम न्यूरॉन्स) के नेटवर्क में सरल बाइनरी पैटर्न (0 और 1) को संग्रहीत करने के लिये डिज़ाइन किया गया।
इस नेटवर्क की एक प्रमुख विशेषता एसोसिएटिव मेमोरी है जिससे यह अपूर्ण या विकृत इनपुट से पूरी जानकारी प्राप्त करने में सक्षम है (इसी प्रकार मानव मस्तिष्क किसी परिचित संवेदना, जैसे कि गंध से प्रेरित होकर यादों को बनाए रखता है)।
हॉपफील्ड नेटवर्क, हेब्बियन लर्निंग (तंत्रिका मनोविज्ञान की एक अवधारणा जहाँ न्यूरॉन्स के बीच बार-बार होने वाली अंतःक्रियाएँ उनके कनेक्शन को मज़बूत बनाती हैं) पर आधारित है।
परमाणु व्यवहार के साथ समानताओं को आकर्षित करते हुए, हॉपफील्ड ने सांख्यिकीय भौतिकी का उपयोग करके इस नेटवर्क में ऊर्जा राज्यों को कम करके पैटर्न मान्यता और शोर में कमी की दिशा में काम किया, जो जैविक मस्तिष्क के कार्यों की नकल करके तंत्रिका नेटवर्क और कृत्रिम बुद्धिमत्ता (एआई) के विकास में एक बड़ी सफलता है।
प्रभाव:
हॉपफील्ड की मॉडल प्रणाली का उपयोग कम्प्यूटेशनल कार्यों को हल करने, पैटर्न को पूरा करने और छवि प्रसंस्करण में सुधार करने के लिए किया जाता है।
जेफ्री हिंटन का योगदान क्या है:
प्रतिबंधित बोल्ट्जमैन मशीन (RBM)
हॉपफील्ड के काम के आधार पर, 2000 के दशक में हिंटन ने प्रतिबंधित बोल्ट्जमैन मशीनों (RBM) के लिए एक लर्निंग एल्गोरिदम विकसित किया, जिसने न्यूरॉन्स की कई परतों को जोड़कर गहरी शिक्षा को सक्षम किया।
आरबीएम स्पष्ट निर्देशों के बजाय उदाहरणों से सीखने में सक्षम थे। इसने मशीन को पहले से सीखी गई जानकारी के साथ समानता के आधार पर नए पैटर्न को पहचानने में सक्षम बनाया। गैर-मान्यता प्राप्त श्रेणियों (यदि वे सीखने के पैटर्न के अनुरूप हैं) को बोल्ट्जमैन मशीनों द्वारा पहचाना जा सकता है।
अनुप्रयोग:
हिंटन के काम ने स्वास्थ्य देखभाल निदान से लेकर वित्तीय मॉडलिंग और यहां तक कि चैटबॉट जैसी एआई तकनीकों तक कई क्षेत्रों में सफलता हासिल की है।
नोट:
भौतिकी में 2023 का नोबेल पुरस्कार प्रायोगिक भौतिकी के क्षेत्र में अभूतपूर्व काम के लिए पियरे एगोस्टिनी, फेरेन्क क्राउज़ और ऐनी एल. हुइलियर को दिया गया था।
आर्टिफिशियल न्यूरल नेटवर्क (ANN):
आर्टिफिशियल न्यूरल नेटवर्क (ANN) मस्तिष्क की संरचना से प्रेरित होते हैं, जहां जैविक न्यूरॉन्स जटिल कार्यों को करने के लिए आपस में जुड़ते हैं। ANN में कृत्रिम न्यूरॉन्स (नोड्स) सामूहिक रूप से जानकारी को संसाधित करते हैं, जिससे मस्तिष्क सिनेप्स के समान डेटा को प्रणाली के माध्यम से प्रवाहित करने की अनुमति मिलती है।
ANN की सामान्य संरचना:
आवर्ती तंत्रिका नेटवर्क (RNN)
आवर्ती तंत्रिका नेटवर्क (RNN) को मशीन लर्निंग (ML) मॉडल बनाने के लिए अनुक्रमिक या समय श्रृंखला डेटा पर प्रशिक्षित किया जाता है जो अनुक्रमिक इनपुट के आधार पर अनुक्रमिक भविष्यवाणियां या वर्तमान निष्कर्ष बना सकता है।
कन्वोलुशनल न्यूरल नेटवर्क (CNN):
ग्रिड जैसे डेटा (e.g., छवियों) के लिए डिज़ाइन किया गया CNN छवियों और ऑब्जेक्ट पहचान कार्यों के वर्गीकरण के लिए त्रि-आयामी डेटा का उपयोग करता है।
फीडफॉरवर्ड न्यूरल नेटवर्क:
सबसे सरल वास्तुकला, जहां जानकारी पूरी तरह से जुड़ी परतों के साथ इनपुट से आउटपुट तक एक दिशा में प्रवाहित होती है।
यह आवर्ती और संवहनी तंत्रिका नेटवर्क की तुलना में आसान है।
स्वचालित एनकोडर:
अप्रशिक्षित सीखने के लिए उपयोग किया जाता है, ये इनपुट डेटा एकत्र करते हैं, इसे संपीड़ित करते हैं ताकि केवल सबसे महत्वपूर्ण भाग अधिशेष रहें, और फिर इस संपीड़ित संस्करण से मूल डेटा का पुनर्निर्माण करें।
जेनरेटिव एडवर्सरियल नेटवर्क (GAN):
ये एक शक्तिशाली प्रकार के न्यूरल नेटवर्क हैं जिनका उपयोग अनसुपरवाइज्ड लर्निंग के लिये किया जाता है। इनमें दो नेटवर्क होते हैं: एक जेनरेटर, जो नकली डेटा बनाता है, और एक डिस्क्रिमिनेटर, जो वास्तविक और नकली डेटा के बीच अंतर करता है।
इस प्रतिकूल प्रशिक्षण (एक मशीन लर्निंग तकनीक जो मॉडलों को अधिक सुदृढ़ करने में सहायक है) के माध्यम से, GAN यथार्थवादी, उच्च गुणवत्ता वाले नमूने उत्पन्न करते हैं।
ये बहुमुखी AI उपकरण हैं, जो छवि संश्लेषण, शैली हस्तांतरण और टेक्स्ट-टू-इमेज संश्लेषण में व्यापक रूप से उपयोग किये जाते हैं, जो जनरेटिव मॉडलिंग में क्रांतिकारी परिवर्तन लाते हैं।
मशीन लर्निंग:
यह आर्टिफिशियल इंटेलिजेंस (AI) की एक शाखा है जो कंप्यूटर को अनुभवों से सीखने और समय के साथ उनकी सटीकता में सुधार करने में सक्षम बनाने के लिए डेटा और एल्गोरिदम का उपयोग करती है।
प्रचालन तन्त्र:
निर्णय लेने की प्रक्रिया:
निर्णय प्रक्रिया: एल्गोरिदम इनपुट के आधार पर डेटा की भविष्यवाणी या वर्गीकरण करते हैं, जिसे लेबल या बिना लेबल किया जा सकता है।
त्रुटि कार्यः यह कार्य सटीकता का आकलन करने के लिए ज्ञात उदाहरणों के खिलाफ मॉडल की भविष्यवाणियों का मूल्यांकन करता है।
मॉडल अनुकूलन की प्रक्रियाः यह मॉडल सटीकता के स्वीकार्य स्तर तक पहुंचने तक अपनी भविष्यवाणियों में सुधार करने के लिए अपने वजन को समायोजित करता है।
पदानुक्रमः AI में मशीन लर्निंग भी शामिल है। मशीन लर्निंग में गहन शिक्षण शामिल है; यह गहन शिक्षण तंत्रिका नेटवर्क पर निर्भर करता है।
डीप लर्निंगः मशीन लर्निंग का एक सबसेट, जो विभिन्न परतों (डीप न्यूरल नेटवर्क) के साथ न्यूरल नेटवर्क का उपयोग करता है और लेबल किए गए डेटासेट की आवश्यकता के बिना असंरचित डेटा को संसाधित कर सकता है।
तंत्रिका नेटवर्कः परतों (इनपुट, अदृश्य, आउटपुट) में संरचित एक विशिष्ट प्रकार का मशीन लर्निंग मॉडल जो मानव मस्तिष्क के काम करने के तरीके की प्रतिलिपि बनाता है।
जटिलता: जैसे-जैसे तंत्रिका नेटवर्क से एआई संक्रमण होता है, कार्यों की जटिलता और विशिष्टता बढ़ जाती है, और गहन शिक्षण और तंत्रिका नेटवर्क व्यापक एआई ढांचे के भीतर विशेष उपकरणों के रूप में उभरते हैं।
