நோபல் பரிசிலும் செயற்கை நுண்ணறிவு!

நோபல் பரிசிலும் செயற்கை நுண்ணறிவு!

• “அடிப்படை அறிவியல் ஆய்வு​களுக்கும் கண்டு​பிடிப்பு​களுக்கும் வழிவகுக்கும் இயந்திரக் கற்றல் (machine learning) முறைக்கு அடித்​தளமான ‘செயற்கை நரம்பியல் வலையமைப்பு’ (artificial neural networks) கண்டு​பிடிப்​புக்காக இந்த ஆண்டின் இயற்பியல் நோபல் பரிசு வழங்கப்​பட்​டுள்ளது. அமெரிக்​காவின் பிரின்ஸ்டன் பல்கலைக்​கழகத்தைச் சேர்ந்த ஜான் ஹாப்ஃபீல்ட் (John J. Hopfield, 90), கனடாவின் டொரன்டோ பல்கலைக்​கழகத்தைச் சேர்ந்த ஜெஃப்ரி ஹின்டன் (Geoffrey E. Hinton, 77) ஆகியோ​ருக்கு இவ்விருது பகிர்ந்​தளிக்​கப்​படு​கிறது.

செயற்கை நரம்பியல் வலையமைப்பு:

• இன்றைய சூழலில், செயற்கை நுண்ணறிவு என்பது அனைவரும் அறிந்த ஒன்றாக, மாணவர்கள் விரும்பிப் படிக்கும் ஒரு துறையாக உள்ளது. செயற்கை நுண்ணறிவு என்று பொதுவாகச் சொல்லப்​பட்​டாலும், ‘செயற்கை நரம்பியல் வலையமைப்பு’ (artificial neural networks) கொண்டு அரங்கேறும் இயந்திரக் கற்றல் நடவடிக்கைதான் இதில் சுட்டப்​படு​கிறது.
• செயற்கை நரம்பியல் வலையமைப்பு எவ்வாறு செயல்​படு​கிறது எனப் பார்ப்​போம். நீங்கள், யூடியூப் பார்த்து, பிரியாணி செய்யப்​போகிறீர்கள் என்று வைத்துக்​கொள்​வோம். இவ்வளவு அரிசி எடுக்க வேண்டும், வெங்காயம் இவ்வளவு வதங்க வேண்டும், எவ்வளவு மசாலா சேர்க்க வேண்டும் என்று வரிசை​யாகச் சொல்லி​விடு​கிறார்கள். அப்படியே அதைக் கவனித்துச் செய்தால், முதல் முறையிலேயேகூட உங்களால் நல்ல பிரியாணி செய்துவிட முடியும்.
• பிற மென்பொருள்கள் இப்படித்தான் செயல்​படு​கின்றன. அதாவது, இதைச் செய், இந்த நேரத்தில் செய் என்று நாம் ஒவ்வொன்றாக மென்பொருளுக்குச் சொல்லி வைத்திருக்​கிறோம். அது அவ்வாறே செய்து​விடும். உதாரணமாக, கணிப்பான் (calculator) மென்பொருள். எண்களை அழுத்​தினால், கூட்டல்​/கழித்தல் குறியீடுகளை அழுத்​தினால் தகுந்த விடை வந்து​விடும். செயற்கை நுண்ணறிவு வருவதற்கு முன்பு, மென்பொருள்கள் இப்படித்தான் இயங்கிவந்தன.
• செயற்கை நரம்பியல் வலையமைப்பு இவற்றி​லிருந்து மாறுபட்டது. ஒரு சமையலர் இருக்​கிறார். இதுவரை பிரியாணி செய்த​தில்லை என்றாலும், அவரிடம் பிரியாணி இந்தச் சுவையில் இருக்கும் என்று விவரிப்பதன் மூலமும், அதனுடைய ஒளிப்​படத்தைக் காண்பிப்பதன் மூலமும், அவருடைய அனுபவ அறிவால் ஊகித்து, ஒரு பிரியாணியைச் செய்துவிட முடியும்.
• ஏன், சமையல் பொருள்​களின் அளவைக் கொஞ்சம் கொஞ்சம் கூடக்​குறையச் சரிபார்த்து, நீங்கள் இதுவரை சுவைத்​திருந்​ததைவிட அருமையான பிரியாணி​யைக்கூட அவரால் செய்ய முடியும்​தானே? நாம் உள்ளீடாகக் கொடுக்கும் தரவுகளை வைத்து, அதன் சாதக பாதகங்​களைக் கணக்கில்​கொண்டு, செயற்கை நுண்ணறிவு இப்படித்தான் சொந்தமாக ஊகித்துச் செயல்​படு​கிறது.
• நாம் மூளையைக் கொண்டு சிந்திக்​கிறோம். ஓர் இயந்திரத்தால் எப்படிச் சிந்திக்க முடிகிறது? மனித மூளையில் நியூரான்கள் என்று சொல்லப்​படும் கம்பி போன்ற அமைப்புகள் கோடிக்​கணக்கில் உள்ளன. இந்த நியூரான்​களின் ஒன்றிணைந்த செயல்​பாட்​டினால் நம்மால் ஒரு முடிவை எடுக்க முடிகிறது. உதாரணமாக, நாம் வாசிக்​கும்​போது, ‘கண்கள் எங்கே பார்க்க வேண்டும்’, ‘புத்​தகத்தை எங்கே வைக்க வேண்டும்’, ‘கண்களுக்கு எவ்வளவு வெளிச்சம் வேண்டும்’ என்று பல காரணிகள் உள்ளன.
• ஒவ்வொரு வேலைக்​கும், இவ்வளவு வேண்டும் என்று நம் சிந்தனைக்குத் தகுந்​தவாறு, கண்களுக்கான நியூரான், கைகளுக்கான நியூரான் என்று ஒவ்வொரு நியூரானும், நமக்குத் தேவையானதைத் தனித்​தனி​யாகத் தராசில் வைத்துக் கணக்குப் பார்க்​கும். பிறகு, அவை ஒன்றிணைந்து இந்தத் தருணத்​துக்கு இதுதான் சரியானது என்று முடிவைச் சொல்லும். நாம் அதன்படி செயல்​படு​கிறோம்.
• செயற்கை நரம்பியல் வலையமைப்​பிலும், இவ்வாறு பல்வேறு நியூரான்கள் வடிவமைக்​கப்​பட்​டுள்ளன. ஏற்கெனவே பார்த்த உதாரணத்தை எடுத்​துக்​கொள்​வோம். ஒரு மனித மூளை எப்படி மசாலா, காய்கறி, உப்பின் அளவு இவ்வளவு இருக்க வேண்டும் என்று சரிபார்க்​கிறதோ அதேபோல, இந்தச் செயற்கை நியூரான்கள் ஒவ்வொரு பொருளுக்கும் ஒரு ‘மதிப்பைக் (value)’ கொடுக்​கும். மசாலா​வுக்கு 10, காய்கறிக்கு 15, உப்புக்கு 4 என்று தோராயமாக மதிப்பு வைத்துக்​கொள்​வோம்.
• இந்த மதிப்பில் கிடைத்த விடையை நாம் உள்ளீடாகக் கொடுக்கும் பயிற்சித் தரவோடு சரிபார்க்​கும். பொருந்தி வரவில்லை என்றால், இந்த மதிப்புகளை மாற்றி மாற்றிப் பார்த்து, பொருந்​தும்வரை மாற்றிச் சீர் செய்யும். இப்படித்தான் செயற்கை நுண்ணறிவு நமது பயிற்சித் தரவுகளின் அடிப்​படையில் செய்முறையைத் தானே வகுத்​துக்​கொள்​கிறது.

ஹாப்ஃபீல்ட்டும், ஹின்டனும்:

• ஜான் ஹாப்ஃபீல்ட் அடிப்​படையில் ஓர் இயற்பிய​லாளர். 1982ஆம் ஆண்டு ஒரு வலையமைப்பைக் கண்டு​பிடித்தார் - ஹாப்ஃபீல்ட் வலையமைப்​பினால், படிமங்களை (patterns) சேமித்து​வைக்க முடியும்; அவற்றி​லிருந்து தேவைப்​படும்போது மீளுரு​வாக்கம் செய்து, அந்தப் படிமங்​களைப் பயன்படுத்த முடியும்.
• முற்றுப்​பெறாத சில சொற்களை, படங்களைக் கொடுத்​தால், தன்னிடம் உள்ள படிமங்​களில் உள்ளீட்டுக்கு ஒத்த படிமத்தை அதனால் எடுத்துத் தர முடிந்தது. ‘கிளைக’ளை வரைந்து கொடுத்​தால், இது ஒரு மரத்தின் படமாக இருக்​கலாம் என்று கணித்து, தான் சேமித்து வைத்திருந்​ததில் இருந்து அதேபோல கிளைகளைக் கொண்ட ஒரு மரத்தின் படத்தை எடுத்​துக்​கொடுத்து​விடும்.
• இவற்றைப் பயன்படுத்தி, உயிரியல் துறைக்குத் தேவையான ஆய்வுகளை ஹாப்ஃபீல்ட் செய்து​வந்​தார். அப்போது ஒரு மாநாட்டில் கலந்து​கொண்​ட​போது, மூளை நரம்பியல் எப்படிச் செயல்​படு​கிறது என்று அறிந்​து​கொண்டு, அதனால் ஈர்க்​கப்​பட்​டார். தனித்​தனி​யாகச் செயல்​படும் நியூரான்கள், ஒன்றிணை​யும்போது எப்படி ஓர் அற்புதமான முடிவைத் தருகிறது என்று அறிந்து, தன்னுடைய ஆய்வில் அதைப் பயன்படுத்​தினார். பிரின்ஸ்டன் பல்கலைக்​கழகத்தில் பணியாற்றிக்​கொண்​டிருந்த அவர், தன்னுடைய ஆய்வு சக இயற்பியல் ஆய்வாளர்​களின் பணியில் இருந்து பெரிதும் மாறுபடு​கிறது என்பதால், கால்டெக் பல்கலைக்​கழகத்​தில், வேதி மற்றும் உயிரியல் துறையில் இணைந்து பணியாற்றினார்.
• அங்கிருந்த கணினிகளின் துணைகொண்டு அவரால் நரம்பியல் வலையமைப்பு ஆய்வைச் செவ்வனே செய்ய முடிந்தது. ஆயினும், மொத்தமாக இயற்பியலை அவர் விட்டு​விட​வில்லை. அணுக்கள் இணைந்து ஒரு பொருளை உருவாக்​கும்​போது, எவ்வாறு காந்தப்புலம் மாறுபடு​கிறது என்பதற்கான ஆய்விலும் நரம்பியல் வலையமைப்பைப் பயன்படுத்தி புதிய முடிவு​களைக் கண்டறிந்​தார்.
• ஹாப்ஃபீல்ட் தன்னுடைய ஆய்வு முடிவுகளை வெளியிட்​ட​போது, ஹின்டன் கார்னகி மெலன் பல்கலைக்​கழகத்தில் பணிபுரிந்​து​வந்​தார். இங்கிலாந்​தி​லும், ஸ்காட்​லாந்​திலும் உளவியல், செயற்கை நுண்ணறிவு குறித்துப் பயின்​றிருந்த இவர், மனிதர்​களைப் போலவே இயந்திரங்​களும் படிமங்​களைக் கற்றுக்​கொண்டு சிந்தித்துச் செயல்பட முடியுமா என்பதில் ஆர்வம் கொண்டிருந்​தார்.
• புள்ளி​யியல் இயற்பியலின் (statistical physics) அடிப்​படையான நிகழ்​தகவைப் (probability) பயன்படுத்தி, எந்தத் தருணத்தில் எவ்வாறு செயல்பட வேண்டும் என்று இயந்திரத்​துக்குப் பயிற்று​வித்​தார். இந்த ஆய்வின் முடிவுகளை ‘போல்ட்​ஸ்மேன் இயந்திரம்’ என்னும் பெயரில் வெளியிட்​டார். இப்படியாக, செயற்கை நுண்ணறிவில் தன் பணிகளைத் தொடங்கிய ஜெஃப்ரி ஹின்டன், ‘செயற்கை நுண்ணறி​வின் தந்தை’ என்று அழைக்​கப்​படுவது குறிப்​பிடத்​தக்கது.

நோபல் விருது:

• இயற்பியலுக்கா? கணினி அறிவியலுக்கா? - சொற்களை உள்ளீடாகக் கொடுத்தால் படங்களை உருவாக்குவது, கட்டுரை எழுதித் தருவது என்று செயற்கை நுண்ணறிவு, நம் அன்றாட வாழ்வில் ஒன்றாகக் கலந்து​விட்டது. ஆனால், இத்தோடு நின்று​விட​வில்லை அதன் பயன்பாடு. மங்கலான படங்களைக் கொடுத்தால் துல்லிய​மாகக் கண்டு​பிடித்துத் தருவதால், காவல் துறைக்​கும், தொலைநோக்கி எடுத்துத் தரும் படங்களைப் புரிந்​து​கொண்டு வான் இயற்பியலுக்கும் என்று பல இடங்களிலும் செயற்கை நுண்ணறிவு பயன்படு​கிறது.
• கடந்த 30 ஆண்டு​களில் செயற்கை நுண்ணறிவுப் பயன்பாட்​டினால் லட்சக்​கணக்கான ஆய்வுக் கட்டுரைகள் வெளிவந்​திருப்பது, அனைத்து அறிவியல் தொழில்​நுட்பத் துறையிலும், செயற்கை நுண்ணறிவின் பயன்களை எடுத்​துரைக்​கிறது. இவ்வளவு பயன்கள் இருப்​பினும், செயற்கை நுண்ணறி​வினால் ஏற்படும் அபாயங்களை வெளிப்​படையாக மக்களுக்கு எடுத்​துரைப்​ப​தற்​காகவே, அத்துறையின் தந்தை என அறியப்​படும் ஜெஃப்ரி ஹின்டன், தன் துறை சார்ந்த பணிகளை மேற்கொண்டு வந்த கூகுள் நிறுவனத்தில் இருந்து மே மாதம் 2023ல் விலகினார் என்பது கவனத்​துக்​குரியது.
• ஒரு காலத்தில் இயந்திரங்கள் மனிதர்களை விஞ்சி​விடும் அபாயம் இருக்​கிறது என்றும், இயந்திரங்கள் தங்களுக்குத் தேவையான மென்பொருள்​களைத் தாமே எழுதிக்​கொள்ளும் என்பதால், நம்மால் அவற்றைக் கட்டுப்​படுத்த முடியாமல் போகும் நிலை வரலாம் என்றும் அவர் தொடர்ந்து எச்சரித்து​வரு​கிறார்.
• அடிப்படை ‘புள்​ளி​யியல் இயற்பியல்’ என்பதா​லும், பல்வேறு இயற்பியல் ஆய்வு​களுக்குச் செயற்கை நுண்ணறிவு பயன்பட்​டிருக்​கிறது என்பதா​லும், செயற்கை நுண்ணறி​வுக்கு, இவ்வாண்டின் இயற்பியல் விருது கொடுக்​கப்​பட்​டிருக்​கிறது. ஆனால், இதில் கணினி அறிவியலின் பங்குதான் அதிகம் இருப்​ப​தால், இது இயற்பியலுக்கான விருது கிடையாது என்று சில ஆய்வாளர்கள் அதிருப்தி தெரிவித்​திருப்​பதும் கவனிக்​கத்​தக்​கது!

நன்றி: இந்து தமிழ் திசை (16 – 10 – 2024)