समाचारं

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

मशीन हृदय रिपोर्ट

मशीन हृदय सम्पादकीय विभाग

एतत् प्रथमवारं मनुष्यैः दर्शितं यत् तंत्रिकाजालः स्वस्य मानचित्रं निर्मातुम् अर्हति ।

कल्पयतु यत् भवन्तः विचित्रनगरे सन्ति यद्यपि प्रथमं परितः वातावरणं अपरिचितं भवति तथापि भवन्तः परितः अन्वेषणं कर्तुं शक्नुवन्ति तथा च अन्ते भवतः मस्तिष्के पर्यावरणस्य नक्शां आकर्षितुं शक्नुवन्ति, यस्मिन् भवनानि, वीथीः, चिह्नानि इत्यादयः सन्ति ये परस्परं संवादं कुर्वन्ति। तयोः मध्ये स्थितिसम्बन्धः । मस्तिष्के स्थानिकनक्शानां निर्माणस्य एषा क्षमता मनुष्येषु उच्चक्रमप्रकारस्य संज्ञानस्य अन्तर्निहितं भवति: उदाहरणार्थं, भाषा मस्तिष्के नक्शासदृशैः संरचनाभिः संकेतिता इति सिद्धान्तितः अस्ति

परन्तु उन्नततमाः कृत्रिमबुद्धिः, तंत्रिकाजालं च कृशवायुतः एतादृशं मानचित्रं निर्मातुम् न शक्नुवन्ति ।

कम्प्यूटेशनल् जीवविज्ञानस्य सहायकप्रोफेसरः, हेरिटेज मेडिकल रिसर्च इन्स्टिट्यूट् इत्यस्य शोधकः च मैट् थॉमसनः अवदत् यत् "अस्मिन् भावः अस्ति यत् अत्यन्तं उन्नताः कृत्रिमबुद्धिप्रतिमानाः अपि यथार्थतया बुद्धिमन्तः न सन्ति। ते अस्माकं सदृशानां समस्यानां समाधानं कर्तुं न शक्नुवन्ति; ते अप्रमाणितगणितीयपरिणामान् सिद्धं कर्तुं न शक्नुवन्ति नूतनान् विचारान् जनयितुं न शक्नोति” इति ।

"वयं मन्यामहे यत् ते अवधारणात्मके अन्तरिक्षे नेविगेट् कर्तुं न शक्नुवन्ति इति कारणतः; जटिलसमस्यानां समाधानं अवधारणात्मके अन्तरिक्षे गन्तुं इव अस्ति, यथा नेविगेशनम्। एआइ यत् करोति तत् अधिकं रोट् लर्निंग् इव अस्ति -- भवन्तः तस्मै निवेशं ददति तथा च भवन्तं प्रतिक्रियां ददाति। परन्तु भिन्नविचारानाम् संश्लेषणं कर्तुं न शक्नोति” इति ।

अधुना एव थॉमसन प्रयोगशालायाः नूतनपत्रे ज्ञातं यत् तंत्रिकाजालपुटाः स्थानिकनक्शानां निर्माणार्थं "भविष्यवाणीसङ्केतनम्" इति एल्गोरिदम् इत्यस्य उपयोगं कर्तुं शक्नुवन्ति । नेचर मशीन इंटेलिजेन्स् इति पत्रिकायां १८ जुलै दिनाङ्के एतत् पत्रं प्रकाशितम् ।

• कागज पता: https://www.nature.com/articles/s42256-024-00863-1
• कोड पता: https://github.com/jgornet/predictive-coding-recovers-maps

स्नातकस्य छात्रस्य जेम्स् गोर्नेट् इत्यस्य नेतृत्वे द्वयोः माइनक्राफ्ट् इति क्रीडायां वातावरणं निर्मितम्, यत्र वृक्षाः, नद्यः, गुहाः च इत्यादीनि जटिलतत्त्वानि समाविष्टानि आसन् । ते क्षेत्रे यादृच्छिकरूपेण गच्छन्तीनां खिलाडयः भिडियो रिकार्ड् कृतवन्तः, तेषां भिडियानां उपयोगेन भविष्यवाणीकोडिंग् एल्गोरिदम् इत्यनेन सुसज्जितस्य तंत्रिकाजालस्य प्रशिक्षणं कृतवन्तः ।

तेषां ज्ञातं यत् तंत्रिकाजालं ज्ञातुं शक्नोति यत् माइनक्राफ्ट-जगति वस्तूनि कथं परस्परं संगठितानि सन्ति तथा च अन्तरिक्षेण गच्छन् तस्य वातावरणस्य "अनुमानं" कर्तुं शक्नोति

भविष्यवाणी कोडिंग् एल्गोरिदमस्य तथा Minecraft क्रीडायाः संयोजनेन तंत्रिकाजालं सफलतया "शिक्षितम्" यत् कथं स्थानिकनक्शाः निर्मातव्याः ततः एतेषां स्थानिकनक्शानां उपयोगेन विडियोस्य अनन्तरं फ्रेम्सस्य पूर्वानुमानं करणीयम् परिणामः आसीत् यत् मध्ये केवलं 0.094% औसतवर्गदोषः आसीत् पूर्वानुमानितं प्रतिबिम्बं च अन्तिमप्रतिबिम्बं च .

किं च, दलेन तंत्रिकाजालं (आन्तरिकसंरचनायाः परीक्षणस्य समकक्षं) "चालू" कृत्वा ज्ञातं यत् विविधवस्तूनाम् प्रतिनिधित्वं परस्परं सापेक्षतया स्थानिकरूपेण संगृहीतं भवति अन्येषु शब्देषु, ते माइनक्राफ्ट् वातावरणस्य मानचित्रं तंत्रिकाजाले संगृहीतं दृष्टवन्तः ।

तंत्रिकाजालम् मानवनिर्मातृभिः दत्तानि मानचित्रं मार्गदर्शनं कर्तुं शक्नोति, यथा जीपीएस-उपयोगेन स्वयमेव चालयितुं शक्नुवन्ति काराः, परन्तु...एतत् प्रथमवारं मनुष्यैः दर्शितं यत् तंत्रिकाजालः स्वस्य मानचित्रं निर्मातुम् अर्हति . सूचनां स्थानिकरूपेण संग्रहीतुं व्यवस्थितुं च एषा क्षमता अन्ततः तंत्रिकाजालस्य अधिकं "स्मार्ट" भवितुं साहाय्यं करिष्यति, येन ते मनुष्याणां सदृशानां यथार्थतया जटिलसमस्यानां समाधानं कर्तुं शक्नुवन्ति

एषा परियोजना कृत्रिमबुद्धेः यथार्थस्थानिकजागरूकताक्षमतां प्रदर्शयति, ये अद्यापि OpenAI’s Sora इत्यादिषु प्रौद्योगिकीषु न दृश्यन्ते, उत्तरस्य केचन विचित्रदोषाः सन्ति ।

जेम्स् गोर्नेट् कैल्टेक् इत्यस्मिन् कम्प्यूटेशनल् एण्ड् न्यूरल सिस्टम्स् (CNS) विभागे छात्रः अस्ति, यस्मिन् तंत्रिकाविज्ञानं, यन्त्रशिक्षणं, गणितं, सांख्यिकी, जीवविज्ञानं च विषयः अस्ति

"सीएनएस कार्यक्रमः वास्तवतः जेम्स् इत्यस्य कृते अद्वितीयं कार्यं कर्तुं स्थानं प्रदाति यत् अन्यत्र सम्भवं न स्यात्" इति थॉमसनः अवदत् । “वयं जैविकप्रेरितं यन्त्रशिक्षणपद्धतिं गृह्णामः यत् कृत्रिम-तंत्रिका-जालपुटेषु मस्तिष्कस्य गुणानाम् उल्टा-इञ्जिनीयरिङ्गं कर्तुं शक्नोति, तथा च वयं आशास्महे यत् वयं क्रमेण मस्तिष्कं अवगन्तुं शक्नुमः | work.

तंत्रिकाजालं यत् भविष्यवाणीं कोडिंग् करोति

भविष्यवाणी-सङ्केतन-अनुमान-समस्यासु अन्तर्निहित-स्थानिक-प्रतिनिधित्वात् प्रेरिताः, शोधकर्तारः भविष्यवाणी-सङ्केतन-एजेण्टस्य गणना-कार्यन्वयनं विकसितवन्तः, आभासी-वातावरणस्य अन्वेषणं कुर्वन् एजेण्ट्-द्वारा ज्ञातस्य स्थानिक-प्रतिनिधित्वस्य अध्ययनं च कृतवन्तः

ते प्रथमं माइनक्राफ्ट् इत्यस्मिन् मालमो वातावरणस्य उपयोगेन वातावरणं निर्मितवन्तः । भौतिकपर्यावरणस्य आयामाः ४० × ६५ टाइल्स् भवन्ति तथा च दृश्यदृश्यस्य त्रयः पक्षाः समाविष्टाः सन्ति: गुहा वैश्विकदृश्यचिह्नं प्रदाति, वनं दृश्यदृश्यानां मध्ये समानतां निर्माति, सेतुयुक्ता नदी च दृश्यदृश्यं सीमितं करोति पर्यावरणम् (चित्रम् १ क) ।

एजेण्टः यादृच्छिकरूपेण नमूनाकृतस्थानानां मध्ये लघुतममार्गं अन्वेष्टुं A* अन्वेषणेन निर्धारितं मार्गं अनुसृत्य प्रत्येकस्मिन् मार्गे दृश्यप्रतिबिम्बं प्राप्नोति

भविष्यवाणी कोडिंग् कर्तुं लेखकेन एन्कोडर-डिकोडर कन्वोल्यूशनल न्यूरल नेटवर्क् निर्मितम् एन्कोडरः ResNet-18 आर्किटेक्चरं स्वीकरोति, डिकोडरः च ट्रांसपोज्ड् कन्वोल्यूशनल ResNet-18 आर्किटेक्चरं स्वीकरोति (चित्रम् 1b) एन्कोडर-डिकोडर-आर्किटेक्चर् U-Net आर्किटेक्चरस्य उपयोगं करोति यत् एन्कोडेड्-गुप्त-एककान् डिकोडर-मध्ये प्रसारयति । बहु-शिरः ध्यान-प्रक्रियाकरणं अतीतानां दृश्य-निरीक्षण-इतिहासानां संकेतनार्थं गुप्त-एकक-अनुक्रमानाम् संकेतनं करोति । बहुशिरः ध्यानस्य h = 8 शिरः भवति । D = C × H × W आयामयुक्तस्य, ऊर्ध्वता H, चौड़ाई W, चैनल C च युक्तस्य कोडिंग् गुप्त-एककस्य कृते एकस्य शिरस्य आयामाः d = C × H × W/h भवन्ति

भविष्यवाणी एन्कोडर् वास्तविकनिरीक्षणानाम् पूर्वानुमानितनिरीक्षणानाञ्च मध्ये औसतवर्गदोषं न्यूनीकृत्य भविष्यवाणीसङ्केतनस्य अनुमानं कुर्वन्ति । भविष्यवाणी एन्कोडरं नेस्टेरोव गतिना सह ढाल अवरोह अनुकूलनस्य उपयोगेन 82,630 नमूनासु 200 युगानां कृते प्रशिक्षितं, 5 × 10 ^ (-6 भारक्षयः), 10 ^ (-1) शिक्षणदरेण, OneCycle मार्गेण पारितः च शिक्षणदरानुसूची अस्ति समायोजितम् । अनुकूलितस्य भविष्यवाणीसङ्केतकस्य पूर्वानुमानितप्रतिबिम्बस्य वास्तविकप्रतिबिम्बस्य च मध्ये औसतवर्गदोषः ०.०९४ भवति, यत्र उत्तमदृश्यनिष्ठा भवति (चित्रम् १ ग)

अधिकविवरणार्थं मूलपत्रं पश्यन्तु।

https://techxplore.com/news/2024-07-तंत्रिका-जाल-माइनक्राफ्ट.html

https://www.tomshardware.com/tech-industry/artificial-intelligence/neural-network-github-उपरि-उपलब्ध-minecraft-कोड-सह-नक्शा-निर्माणं-शिक्षते