समाचारं

चीनसमाचारसेवा, बीजिंग, १७ अगस्त (रिपोर्टरः सन ज़िफा) "बहिर्जातजटिलता-आधारित" सामान्यकृत्रिमबुद्धिः (AI) मार्गः असह्यगणनासंसाधनं ऊर्जायाः उपभोगं च, अपर्याप्तव्याख्यानक्षमता च इत्यादीनां समस्यानां सामनां करोति इति समस्यां दृष्ट्वा संस्थानम् of Automation, Chinese Academy of Sciences ली गुओकी तथा जू बो इत्येतयोः शोधदलेन सिंघुआ विश्वविद्यालयस्य पेकिङ्ग् विश्वविद्यालयस्य च अन्यैः विद्वांसैः सह मस्तिष्कस्य न्यूरॉन्सस्य जटिलगतिशीललक्षणानाम् आकर्षणं कृत्वा मस्तिष्कसदृशं न्यूरॉन् मॉडलनिर्माणपद्धतिं प्रस्तावितं "आधारितं endogenous complexity" इति तेषां नवीनतमसंशोधने ।

इयं नूतना मस्तिष्कप्रेरिता कम्प्यूटिंगपद्धतिः पारम्परिकप्रतिमानानाम् बाह्यविस्तारेण उत्पद्यमानायाः कम्प्यूटिंगसम्पदां उपभोगसमस्यायाः सुधारं कर्तुं शक्नोति, तथा च कृत्रिमबुद्धेः विकासाय तंत्रिकाविज्ञानस्य प्रभावीप्रयोगस्य उदाहरणमपि प्रददाति अन्तर्राष्ट्रीयव्यावसायिकशैक्षणिकपत्रिकायां "प्रकृति कम्प्यूटेशनल साइंस" इत्यत्र अद्यतने एव प्रासंगिकपरिणामपत्राणि प्रकाशितानि ।

सहकारदलेन उक्तं यत् अधिकसामान्यकृत्रिमबुद्धेः निर्माणं, आदर्शस्य व्यापकं सामान्यं च संज्ञानात्मकक्षमतां दातुं च कृत्रिमबुद्धिक्षेत्रस्य वर्तमानविकासाय महत्त्वपूर्णाः लक्ष्याः सन्ति। बृहत् मॉडलानां कृते वर्तमानकाले लोकप्रियः मार्गः "स्केलिंग् लॉ" इत्यस्य आधारेण बृहत्तरं, गहनतरं, व्यापकं च तंत्रिकाजालं निर्मातुं वर्तते, यत् "बहिर्जातजटिलतायाः आधारेण" सामान्यबुद्धिकार्यन्वयनपद्धतिः इति वक्तुं शक्यते, परन्तु एषः मार्गः अस्थायित्वम् इत्यादीनां समस्यानां सामना करोति गणनासंसाधनं ऊर्जा-उपभोगं च अपर्याप्तव्याख्याक्षमता च।

अस्मिन् अध्ययने सहकारिदलेन प्रथमं स्पाइकिंग् न्यूरल नेटवर्क न्यूरॉन् एलआईएफ मॉडल् तथा एच् एच् मॉडल् इत्येतयोः मध्ये गतिशीललक्षणयोः समतुल्यता प्रदर्शिता, तथा च अग्रे सैद्धान्तिकरूपेण सिद्धं कृतं यत् एच् एच् न्यूरॉन्स विशिष्टसंयोजनसंरचनानां सह चतुर्भिः समय-विभिन्न-मापदण्डैः सह अन्तरक्रियां कर्तुं शक्नुवन्ति of LIF न्यूरॉन्स (tv-LIF) समतुल्य भवति।

एतस्य समतुल्यतायाः आधारेण दलेन सूक्ष्म-वास्तुकला-निर्माणं कृत्वा कम्प्यूटिंग-एककस्य अन्तःजटिलतायां सुधारः कृतः, येन एच् एच्-जाल-प्रतिरूपः बृहत्तर-परिमाणस्य LIF-जाल-प्रतिरूपस्य गतिशील-लक्षणानाम् अनुकरणं कर्तुं शक्नोति, लघु-जाल-वास्तुकलायां च समानं परिणामं प्राप्तुं शक्नोति गणना कार्य। तदनन्तरं, दलेन चतुर्णां tv-LIF न्यूरॉन्भ्यः निर्मितं "HH मॉडल्" (tv-LIF2HH) इत्येतत् s-LIF2HH मॉडल् इत्यत्र अधिकं सरलीकृतम्, तथा च अनुकरणप्रयोगद्वारा जटिलगतिशीलव्यवहारानाम् आकर्षणे अस्य सरलीकृतस्य मॉडलस्य प्रभावशीलतायाः सत्यापनम् अभवत्

अस्य अध्ययनस्य प्रयोगात्मकपरिणामाः दर्शयन्ति यत् एच् एच् संजालप्रतिरूपस्य s-LIF2HH संजालप्रतिरूपस्य च प्रतिनिधित्वक्षमतायां दृढतायां च समानं प्रदर्शनं भवति, येन जटिलकार्यनिबन्धने अन्तःजातजटिलताप्रतिरूपस्य प्रभावशीलतायाः विश्वसनीयतायाः च सत्यापनम् अस्ति तस्मिन् एव काले अध्ययनेन एतदपि ज्ञातं यत् एच् एच् संजालप्रतिरूपं संसाधनस्य उपभोगस्य गणनायां अधिकं कुशलं भवति, स्मृतेः उपयोगं गणनासमयं च महत्त्वपूर्णतया न्यूनीकरोति, तस्मात् समग्रगणनादक्षतायां सुधारः भवति

सहकारिदलेन सूचना-अड़चन-सिद्धान्तस्य माध्यमेन स्वस्य शोध-परिणामानां व्याख्यानं कृतम् तथा च विश्वासः आसीत् यत् एतत् शोधं तंत्रिका-विज्ञानस्य जटिल-गतिशील-लक्षणानाम् एकीकरणाय नूतनाः पद्धतीः सैद्धान्तिक-समर्थनं च प्रदाति, तथा च व्यावहारिक-अनुप्रयोगेषु कृत्रिम-बुद्धि-प्रतिमानानाम् अनुकूलनं, कार्य-प्रदर्शन-सुधारं च प्रदाति व्यवहार्य समाधानम्।

रिपोर्ट्-अनुसारं, सहकारिदलेन सम्प्रति बृहत्तर-परिमाणस्य एच् एच्-जालस्य बहु-शाखा-बहु-विभाग-न्यूरोन-इत्यस्य च अधिक-अन्तर्जात-जटिलता-युक्तेषु शोधं कृतम् अस्ति, येन बृहत्-माडलस्य कम्प्यूटिंग्-दक्षतायां कार्य-प्रक्रिया-क्षमतायां च अधिकं सुधारः भविष्यति, व्यावहारिकं च साक्षात्कारः भविष्यति इति अपेक्षा अस्ति अनुप्रयोगाः दृश्ये शीघ्रं अवतरणं। (उपरि)

(China News Network) ९.