কৃত্রিম নিউরাল নেটওয়ার্কগুলি মস্তিষ্কের নিউরাল স্ট্রাকচার দ্বারা অনুপ্রাণিত হওয়ার সাধারণ বিবৃতি কেবল আংশিকভাবে সত্য।
এটি সত্য যে নরবার্ট ভিয়েনার, ক্লোড শ্যানন, জন ফন নিউমান এবং অন্যান্যরা তখন বৈদ্যুতিন মস্তিষ্ক নামে পরিচিত যা বিকাশ করে ব্যবহারিক এআইয়ের দিকে যাত্রা শুরু করেছিলেন। এটাও সত্য
- কৃত্রিম নেটওয়ার্কগুলিতে অ্যাক্টিভেশন নামে পরিচিত ফাংশন রয়েছে,
- জৈবিক নিউরনগুলির মতো বহু থেকে বহু সম্পর্কের ক্ষেত্রে তারযুক্ত এবং
- একটি অনুকূল আচরণ শিখতে ডিজাইন করা হয়েছে,
তবে এটি মিলের পরিমাণ of কৃত্রিম নেটওয়ার্কগুলিতে এমএলপি (মাল্টিলেয়ার পারসেপ্ট্রন) বা আরএনএন (পুনরাবৃত্ত নিউরাল নেটওয়ার্ক) যেমন কোষগুলি মস্তিষ্কের নেটওয়ার্কগুলির কোষের মতো নয়।
ক্রিয়াকলাপযুক্ত জিনিসগুলির অ্যারেতে প্রথম সফ্টওয়্যার ছোঁড়া পেরেসট্রন নিউরনের অ্যারে ছিল না। এটি গ্রেডিয়েন্টগুলির সাথে জড়িত বেসিক ফিডব্যাকের প্রয়োগ ছিল, যেহেতু জেমস ওয়াটের সেন্ট্রিফুগাল গভর্নর গৌস দ্বারা গাণিতিকভাবে মডেলিং করেছিলেন তখন থেকেই ইঞ্জিনিয়ারিংয়ে প্রচলিত ছিল। ক্রমাগত আনুমানিকতা, একটি নীতি যা বহু শতাব্দী ধরে ব্যবহৃত হয়ে আসছে, ক্রমবর্ধমানভাবে একটি অ্যাটেনুয়েশন ম্যাট্রিক্স আপডেট করার জন্য নিযুক্ত করা হয়েছিল। ম্যাট্রিক্স আউটপুট উত্পাদন করতে অনুরূপ অ্যাক্টিভেশন ফাংশনগুলির একটি অ্যারে ভেক্টরকে খাওয়ানোর মাধ্যমে গুন করা হয়েছিল। এটাই.
মাল্টি-লেয়ার টপোলজিতে দ্বিতীয় মাত্রায় প্রক্ষেপণটি উপলব্ধি করে সম্ভব হয়েছিল যে জ্যাকবীয় একটি সংশোধনমূলক সংকেত তৈরি করতে ব্যবহার করতে পারেন যা স্তরগুলিকে যথাযথভাবে নেতিবাচক প্রতিক্রিয়া হিসাবে বিতরণ করা হলে, এর ক্রমটির মনোযোগ ম্যাট্রিক্স টিউন করতে পারে বোধগম্যতা এবং সামগ্রিকভাবে নেটওয়ার্ক সন্তোষজনক আচরণের উপর রূপান্তরিত করে। পারসেপ্ট্রনগুলির ক্রমে প্রতিটি উপাদানকে একটি স্তর বলা হয়। প্রতিক্রিয়া প্রক্রিয়া এখন ফিরে প্রচার বলা হয়।
নেটওয়ার্কটি সংশোধন করতে ব্যবহৃত গণিতকে গ্রেডিয়েন্ট বংশোদ্ভূত বলা হয় কারণ এটি পানির সন্ধানের জন্য ভূখণ্ডের গ্রেডিয়েন্ট ব্যবহার করে কোনও ডিহাইড্রেটেড অন্ধের মতো, এবং এটি করার বিষয়গুলিও একই রকম। জল মিশ্রণের চেয়ে মিঠা জল পাওয়া এবং মৃত্যুর দিকে ধাবিত হওয়ার আগে তিনি স্থানীয় মিনিমা (নিম্ন পয়েন্ট) খুঁজে পেতে পারেন।
নতুন টপোলজগুলি হ'ল ডিজিটাল চিত্র পুনরুদ্ধার, মেল বাছাই এবং গ্রাফিক্স অ্যাপ্লিকেশনগুলিতে টোপোলজিসের সিএনএন পরিবার তৈরির জন্য ব্যবহৃত ইতিমধ্যে বিদ্যমান কনভ্যুলশন কাজের সংযোজন এবং অপ্টিমাইজেশনের মানদণ্ড তৈরির জন্য প্রথম বছরের রসায়ন থেকে রাসায়নিক ভারসাম্যের মতো উদ্ভাবনী ব্যবহার টপোলজির জ্যান পরিবার।
ডিপ বেশিরভাগ এআই প্রসঙ্গের মধ্যে অসংখ্যের সমার্থক প্রতিশব্দ। এটি কখনও কখনও উচ্চ স্তরের টপোলজিতে (ভেক্টর-ম্যাট্রিক্স পণ্য, অ্যাক্টিভেশন এবং কনভোলশনের উপরে) জটিলতা অনুভব করে।
স্নেহ বিজ্ঞানীরা কয়েক দশক আগে স্তন্যপায়ী মস্তিষ্কের টিস্যুতে যে স্নায়বিক বিজ্ঞানীরা আবিষ্কার করেছিলেন তার থেকে এই গভীর নেটওয়ার্কগুলি কতটা আলাদা তা সচেতন যারা তাদের দ্বারা সক্রিয় গবেষণা চলছে। জিনোমিক দৃষ্টিকোণ থেকে মস্তিষ্কে সার্কিটারি এবং নিউরো-কেমিস্ট্রি শিখার কারণেই আজ আরও অনেক ডিফারেন্টিটার আবিষ্কার করা হচ্ছে।
- নিউরাল প্লাস্টিকতা ... ডেনড্রাইট এবং অ্যাক্সিয়াম বৃদ্ধি, মৃত্যু, পুনর্নির্দেশ এবং অন্যান্য রূপের কারণে সার্কিট টপোলজিতে পরিবর্তন
- টপোলজিকাল জটিলতা ... সংখ্যক অ্যাকোমিয়াম ক্রাইসক্রসকে মিথস্ক্রিয়া ছাড়াই এবং ইচ্ছাকৃতভাবে ক্রস-টক (স্বতন্ত্র) থেকে রক্ষা করা হয় সম্ভবত তাদের সংযোগ করতে দেওয়া অসুবিধে হবে [নোট 1]
- রাসায়নিক সংকেত ... স্তন্যপায়ী মস্তিস্কের কয়েক ডজন নিউরো-ট্রান্সমিটার এবং নিউরো-রেগুলেশন যৌগ রয়েছে যার সার্কিট্রিতে আঞ্চলিক প্রভাব রয়েছে [দ্রষ্টব্য 2]
- অর্গানেলস ... জীবন্ত কোষগুলির অনেকগুলি কাঠামো রয়েছে এবং এটি জানা যায় যে নিউরনে সংকেত সংক্রমণের সাথে বিভিন্ন ধরণের জটিল সম্পর্ক রয়েছে
- অ্যাক্টিভেশনের সম্পূর্ণ ভিন্ন রূপ ... সাধারণ কৃত্রিম স্নায়বিক জালগুলিতে সক্রিয়করণগুলি কেবলমাত্র পরিসীমা এবং ডোমেন উভয়েরই জন্য সাধারণ স্কেলারগুলির সাথে ফাংশন হয় ... স্তন্যপায়ী নিউরনগুলি প্রশস্ততা এবং আগত সংকেতের আপেক্ষিক সাময়িক নৈকট্য উভয়েরই কাজ করে [নোট 3]
[1] টপোলজি বিদ্রূপভাবে উভয়ই আর্কিটেকচারের একটি উপসেট (বিল্ডিং ডিজাইন, নেটওয়ার্ক প্রভিশন, ডাব্লুডাব্লুডাব্লু বিশ্লেষণ, এবং শব্দার্থক নেটওয়ার্কগুলির ক্ষেত্রে), তবুও একই সময়ে টপোলজি স্থাপত্যের চেয়ে অনেক বেশি, উভয়ের এআই এর মূল কেন্দ্রস্থলে গণিত এবং নিয়ন্ত্রণ সিস্টেমে কার্যকর বাস্তবায়ন
[২] ডিএনএ তথ্য প্রচারের সাথে আন্তঃসম্পর্কিত, ইকোসিস্টেম এবং মস্তিস্কের স্তরগুলিতে শেখার জটিল উপায়ে সংযুক্ত করে এমন সামাজিক এবং প্রজননমূলক আচরণ শেখার জন্য রসায়নের ভূমিকা অপরিহার্য হতে পারে। তদ্ব্যতীত, দীর্ঘমেয়াদী এবং স্বল্পমেয়াদী শেখা মস্তিষ্কের শেখাকেও দুটি স্বতন্ত্র দক্ষতায় বিভক্ত করে।
[3] জৈবিক নিউরন অ্যাক্টিভেশনে আগত সংকেতগুলির সময়কালীন প্রভাবটি কিছুটা বোঝা যায়, তবে এটি নিউরনের আউটপুটের চেয়ে অনেক বেশি প্রভাব ফেলতে পারে। এটি প্লাটিকটি এবং রসায়নেও প্রভাব ফেলতে পারে এবং অর্গানেলগুলি এতে ভূমিকা নিতে পারে।
সারসংক্ষেপ
মেশিন লার্নিং গ্রন্থাগারগুলি বার্বি এবং কেন পুতুল একটি বাস্তব দম্পতির অনুকরণ করার মতোই মানুষের মস্তিষ্কের অনুকরণ করে।
তবুও, গভীর শিক্ষার ক্ষেত্রে অসাধারণ জিনিসগুলি উত্থিত হচ্ছে এবং স্বায়ত্তশাসিত যানগুলি আমাদের জীবনকালে সম্পূর্ণ স্বায়ত্তশাসিত হয়ে উঠলে এটি আমাকে অবাক করে না। আমি কোনও শিক্ষার্থীকেই বিকাশকারী হওয়ার পরামর্শ দেব না। কম্পিউটারগুলি সম্ভবত মানুষের থেকে আরও বেশি উন্নততর কোড এবং দ্রুততর মানের আদেশ দেবে এবং সম্ভবত শীঘ্রই। কিছু কাজ সেভাবে হয় না যেভাবে জীববিজ্ঞানটি বিকশিত হয়েছিল এবং কম্পিউটারগুলি কয়েক দশক গবেষণার পরে মানব সক্ষমতা অতিক্রম করতে পারে, অবশেষে বিস্তৃততার কয়েকটি আদেশের দ্বারা মানুষের কার্যকারিতা ছাড়িয়ে যায়।
