जॉन जे हॉपफ़ील्डऔरजेफ्री ई. हिंटनउनके शोध के लिए 8 अक्टूबर, 2024 को भौतिकी में नोबेल पुरस्कार प्राप्त हुआमशीन लर्निंग एल्गोरिदम और तंत्रिका नेटवर्क जो कंप्यूटर को सीखने में मदद करते हैं.उनका काम तंत्रिका नेटवर्क सिद्धांतों को विकसित करने में मौलिक रहा है जो जनरेटिव कृत्रिम बुद्धिमत्ता को रेखांकित करता है।

एक तंत्रिका नेटवर्क एक हैकम्प्यूटेशनल मॉडलपरस्पर जुड़े न्यूरॉन्स की परतों से मिलकर बना है।जैसेआपके मस्तिष्क में न्यूरॉन्स, ये न्यूरॉन्स सूचना के एक टुकड़े को संसाधित करते हैं और भेजते हैं।प्रत्येक तंत्रिका परत डेटा का एक टुकड़ा प्राप्त करती है, इसे संसाधित करती है और परिणाम को अगली परत तक भेजती है।अनुक्रम के अंत तक, नेटवर्क ने डेटा को संसाधित और परिष्कृत करके कुछ अधिक उपयोगी बना दिया है।

हालांकि यह आश्चर्यजनक लग सकता है कि हॉपफील्ड और हिंटन को कंप्यूटर विज्ञान में उपयोग किए जाने वाले तंत्रिका नेटवर्क में उनके योगदान के लिए भौतिकी पुरस्कार मिला, उनका काम भौतिकी के सिद्धांतों में गहराई से निहित है, विशेष रूप से एक उपक्षेत्र जिसे कहा जाता हैसांख्यिकीय यांत्रिकी.

एक कम्प्यूटेशनल के रूप मेंसामग्री वैज्ञानिक, मैं अनुसंधान के इस क्षेत्र को पुरस्कार से सम्मानित होते देख उत्साहित था।होपफील्ड और हिंटन के काम ने मुझे और मेरे सहकर्मियों को जनरेटिव लर्निंग नामक प्रक्रिया का अध्ययन करने की अनुमति दी हैसामग्री विज्ञान, एक ऐसी विधि जो ChatGPT जैसी कई लोकप्रिय तकनीकों के पीछे है।

सांख्यिकीय यांत्रिकी क्या है?

सांख्यिकीय यांत्रिकी भौतिकी की एक शाखा है जो बड़ी संख्या में कणों से बनी प्रणालियों के व्यवहार को समझाने के लिए सांख्यिकीय तरीकों का उपयोग करती है।

व्यक्तिगत कणों पर ध्यान केंद्रित करने के बजाय, शोधकर्ता इसका उपयोग कर रहे हैंसांख्यिकीय यांत्रिकीअनेक कणों के सामूहिक व्यवहार को देखें।यह देखने से कि वे सभी एक साथ कैसे कार्य करते हैं, शोधकर्ताओं को सिस्टम के बड़े पैमाने पर मैक्रोस्कोपिक गुणों जैसे तापमान, दबाव और चुंबकीयकरण को समझने में मदद मिलती है।

उदाहरण के लिए,भौतिक विज्ञानी अर्न्स्ट आइसिंग1920 के दशक में चुंबकत्व के लिए एक सांख्यिकीय यांत्रिकी मॉडल विकसित किया।कल्पित चुम्बकत्व को सामूहिक व्यवहार के रूप में प्रस्तुत करनापरमाणु घूमता हैअपने पड़ोसियों के साथ बातचीत करना।

आइसिंग के मॉडल में, सिस्टम के लिए उच्च और निम्न ऊर्जा अवस्थाएँ हैं, और सामग्री के निम्नतम ऊर्जा अवस्था में मौजूद होने की अधिक संभावना है।

सांख्यिकीय यांत्रिकी में एक प्रमुख विचार हैबोल्ट्ज़मान वितरण, जो यह निर्धारित करता है कि किसी दिए गए राज्य की कितनी संभावना है।यह वितरण किसी सिस्टम की ऊर्जा और तापमान के आधार पर किसी विशेष अवस्था - जैसे ठोस, तरल या गैस - में होने की संभावना का वर्णन करता है।

इज़िंग ने बोल्ट्ज़मैन वितरण का उपयोग करके चुंबक के चरण संक्रमण की सटीक भविष्यवाणी की।उन्होंने उस तापमान का पता लगाया जिस पर पदार्थ चुंबकीय से अचुंबकीय में बदल गया।

चरण परिवर्तन पूर्वानुमानित तापमान पर होते हैं।एक विशिष्ट तापमान पर बर्फ पिघलकर पानी बन जाती है क्योंकि बोल्ट्ज़मैन वितरण भविष्यवाणी करता है कि जब यह गर्म हो जाती हैपानी के अणुअव्यवस्थित या तरल अवस्था में होने की संभावना अधिक होती है।

पदार्थों में, परमाणु स्वयं को व्यवस्थित करते हैंविशिष्ट क्रिस्टल संरचनाएँजो सबसे कम मात्रा में ऊर्जा का उपयोग करते हैं।जब ठंड होती है, तो पानी के अणु कम ऊर्जा अवस्था वाले बर्फ के क्रिस्टल में जम जाते हैं।

इसी प्रकार, जीव विज्ञान में,प्रोटीन कम ऊर्जा वाले आकार में बदल जाते हैं, जो उन्हें वायरस को लक्षित करने वाले ताले और चाबी की तरह विशिष्ट एंटीबॉडी के रूप में कार्य करने की अनुमति देता है।

तंत्रिका नेटवर्क और सांख्यिकीय यांत्रिकी

मौलिक रूप से, सभी तंत्रिका नेटवर्क एक समान सिद्धांत पर काम करते हैं - ऊर्जा को कम करने के लिए।कंप्यूटिंग समस्याओं को हल करने के लिए तंत्रिका नेटवर्क इस सिद्धांत का उपयोग करते हैं।

उदाहरण के लिए, पिक्सेल से बनी एक छवि की कल्पना करें जहाँ आप चित्र का केवल एक भाग ही देख सकते हैं।कुछ पिक्सेल दृश्यमान हैं, जबकि शेष छिपे हुए हैं।यह निर्धारित करने के लिए कि छवि क्या है, आप उन सभी संभावित तरीकों पर विचार करते हैं जिनमें छिपे हुए पिक्सेल दृश्यमान टुकड़ों के साथ फिट हो सकते हैं।वहां से, आप उन सभी में से चुनेंगे जिन्हें सांख्यिकीय यांत्रिकी सभी संभावित विकल्पों में से सबसे संभावित स्थिति कहेगी।

हॉपफील्ड और हिंटन ने सांख्यिकीय यांत्रिकी के विचार के आधार पर तंत्रिका नेटवर्क के लिए एक सिद्धांत विकसित किया।उनसे पहले आइसिंग की तरह, जिन्होंने तंत्रिका नेटवर्क के साथ फोटो समस्या को हल करने के लिए परमाणु स्पिन की सामूहिक बातचीत का मॉडल तैयार किया था, होपफील्ड और हिंटन ने पिक्सल की सामूहिक बातचीत की कल्पना की थी।उन्होंने इन पिक्सल को न्यूरॉन्स के रूप में दर्शाया।

सांख्यिकीय भौतिकी की तरह, एक छवि की ऊर्जा यह दर्शाती है कि पिक्सेल का एक विशेष विन्यास कितना संभावित है।एक हॉपफील्ड नेटवर्कछिपे हुए पिक्सेल की न्यूनतम ऊर्जा व्यवस्था का पता लगाकर इस समस्या का समाधान किया जाएगा।

हालाँकि, सांख्यिकीय यांत्रिकी के विपरीत - जहाँऊर्जाज्ञात परमाणु अंतःक्रियाओं द्वारा निर्धारित होता है - तंत्रिका नेटवर्क डेटा से इन ऊर्जाओं को सीखते हैं।

हिंटनबैकप्रॉपैगेशन नामक तकनीक के विकास को लोकप्रिय बनाया.यह तकनीक मॉडल को इन न्यूरॉन्स के बीच परस्पर क्रिया ऊर्जाओं का पता लगाने में मदद करती है, और यह एल्गोरिदम आधुनिक एआई सीखने का आधार बनता है।

बोल्ट्ज़मान मशीन

होपफील्ड के काम के आधार पर, हिंटन ने एक और तंत्रिका नेटवर्क की कल्पना की, जिसे कहा जाता हैबोल्ट्ज़मान मशीन.इसमें दृश्यमान न्यूरॉन्स होते हैं, जिन्हें हम देख सकते हैं, और छिपे हुए न्यूरॉन्स, जो नेटवर्क को जटिल पैटर्न सीखने में मदद करते हैं।

बोल्ट्ज़मैन मशीन में, आप इस संभावना को निर्धारित कर सकते हैं कि चित्र एक निश्चित तरीके से दिखता है।इस संभावना का पता लगाने के लिए, आप उन सभी संभावित स्थितियों को जोड़ सकते हैं जिनमें छिपे हुए पिक्सेल हो सकते हैं। इससे आपको दृश्यमान पिक्सेल के एक विशिष्ट व्यवस्था में होने की कुल संभावना मिलती है।

मेरे समूह ने काम किया हैजेनरेटिव लर्निंग के लिए क्वांटम कंप्यूटर में बोल्ट्ज़मैन मशीनों को लागू करना।

जेनेरिक लर्निंग में, नेटवर्क नए डेटा नमूने उत्पन्न करना सीखता है जो शोधकर्ताओं द्वारा नेटवर्क को प्रशिक्षित करने के लिए खिलाए गए डेटा से मिलते जुलते हैं।उदाहरण के लिए, यह समान छवियों पर प्रशिक्षित होने के बाद हस्तलिखित संख्याओं की नई छवियां उत्पन्न कर सकता है।नेटवर्क सीखे गए संभाव्यता वितरण से नमूना लेकर इन्हें उत्पन्न कर सकता है।

जेनरेटिव लर्निंग आधुनिक एआई को रेखांकित करती है - यही वह चीज़ है जो पीढ़ी को अनुमति देती हैएआई कला, वीडियो और पाठ.

हॉपफील्ड और हिंटन ने सांख्यिकीय भौतिकी के उपकरणों का लाभ उठाकर एआई अनुसंधान को महत्वपूर्ण रूप से प्रभावित किया है।उनका काम इस बात के बीच समानताएं दिखाता है कि प्रकृति किसी सामग्री की भौतिक अवस्थाओं को कैसे निर्धारित करती है और कैसेतंत्रिका - तंत्रजटिल कंप्यूटर विज्ञान समस्याओं के समाधान की संभावना की भविष्यवाणी करें।

यह आलेख से पुनः प्रकाशित किया गया हैबातचीतक्रिएटिव कॉमन्स लाइसेंस के तहत।को पढ़िएमूल लेख.