ஒன்-ஷாட் சாயல் கற்றலுக்கான OpenAI இன் புதிய அணுகுமுறை, AI இன் எதிர்காலத்தைப் பற்றிய ஒரு பார்வை

ஒன்-ஷாட் சாயல் கற்றல் யான் துவான், மார்கின் ஆண்ட்ரிச்சோவிச், பிராட்லி சி. ஸ்டேடி, ஜொனாதன் ஹோ, ஜோனாஸ் ஷ்னைடர், இலியா சுட்ஸ்கீவர், பீட்டர் அபீல், வோஜ்சீச் சரேம்பா

மே 16 அன்று, ஓபன்ஏஐ ஆராய்ச்சியாளர்கள் தங்களது திட்டங்களில் ஒன்றின் வீடியோவையும், தற்போதைய AI வளர்ச்சியின் மூன்று முக்கிய இடையூறுகளுக்கான தீர்வுகளை ஆராயும் முக்கியத்துவம் வாய்ந்த இரண்டு ஆவணங்களையும் பகிர்ந்து கொண்டனர்: மெட்டா கற்றல், ஒரு-ஷாட் கற்றல் மற்றும் தானியங்கி தரவு உருவாக்கம். எனது முந்தைய இடுகையில், ஒரு ஷாட் கற்றலின் கவர்ச்சிகரமான பிரச்சினைக்கு அர்ப்பணிக்கப்பட்ட ஒரு கட்டுரையை நான் உறுதியளித்தேன், எனவே இங்கே செல்கிறது. அவர்கள் வெளியிட்ட வீடியோவைப் பார்த்து அவர்களின் அற்புதமான படைப்புகளை விளக்கி நீங்கள் தொடங்கலாம்:

இந்த வீடியோவில் ஒரு கை உடல் ரோபோ ஒருவருக்கொருவர் மேல் க்யூப்ஸ் அடுக்கி வைப்பதைக் காணலாம். தொழில்துறை ரோபோக்கள் தற்போது செய்யக்கூடிய சிக்கலான பணிகளை அறிந்துகொள்வது, என்ன நடக்கிறது என்பதை ஆராய்ச்சியாளர் விளக்க முயற்சிக்கவில்லை என்றால், பல கணக்குகளில் இது மிகவும் குறைவானதாக இருக்கும். கட்டுப்படுத்தப்பட்ட சூழலில் பணி எளிதானது, நடைமுறை (கடின குறியீட்டு) அணுகுமுறைகள் ஏற்கனவே இந்த சிக்கல்களைத் தீர்த்துள்ளன, நம்பிக்கைக்குரிய மற்றும் புரட்சிகரமானது என்னவென்றால், அடியில் உள்ள பொதுவான கட்டமைப்பானது சத்தமான சூழல்களில் பல, மிகவும் சிக்கலான மற்றும் தகவமைப்பு நடத்தைகள் வரை அளவிட முடியும்.

மனிதனுக்கும் உயர்ந்த விலங்குகளுக்கும் இடையிலான மனதில் உள்ள வேறுபாடு, அது மிகப் பெரியது, நிச்சயமாக இது ஒரு பட்டம் மற்றும் வகையானது அல்ல.
- சார்லஸ் டார்வின்

ஒப்புமை மூலம், இந்த கட்டுரை தற்போதைய உருவகப்படுத்தப்பட்ட AI (இயற்பியல் அமைப்புகளின் செயற்கை நுண்ணறிவு) மற்றும் 22 ஆம் நூற்றாண்டின் ரோபோக்களுக்கு இடையிலான அறிவாற்றல் அமைப்புகளில் உள்ள வேறுபாடுகள் ஒரு அளவிலானதாக இருக்கும் என்பதற்கு ஒரு வலுவான சான்றாகும். 2012 இமேஜ்நெட் போட்டி * முதல், ஆழ்ந்த கற்றல் ஆராய்ச்சி வளர்ந்து வருகிறது, இது ஒரு நரம்பியல் நெட்வொர்க்கால் விநியோகிக்கப்பட்ட கணக்கீட்டின் தன்மையை மாற்றியமைக்கவில்லை, ஆனால் ஒரு குறிப்பிட்ட பணியைக் கற்றுக்கொள்வதற்காக நெட்வொர்க்குகளை கட்டமைக்க புதிய வழிகளைக் கண்டுபிடிப்பதன் மூலம். ஒரு நரம்பியல் நெட்வொர்க் செயல்பாடு கட்டமைப்பாக இருப்பதால், இந்த அமைப்பு கடின குறியீடாக இல்லை (கையால் வடிவமைக்கப்படவில்லை) ஆனால் இது ஆரம்பத்தில் உள்ளீடுகள் மற்றும் வெளியீடுகளுக்கு இடையில் இணைக்கப்பட்ட அணு கணக்கீட்டு அலகுகளின் முடிவுகள், அவற்றின் அமைப்பு மற்றும் இணைப்புகளை மாற்ற முடியும். நெட்வொர்க்கின் ஒட்டுமொத்த கட்டமைப்பை மாற்றியமைப்பதன் மூலம் அது ஒரு குறிப்பிட்ட செயல்பாட்டைக் கற்றுக்கொள்கிறது.

இந்த கட்டுரையில் அவர்கள் ஒரு முகவரை ஒரு சுருக்கமான வழியில் பிரதிநிதித்துவப்படுத்த ஒரு பொதுவான கட்டமைப்பை உருவாக்கினர், மேலும் இந்த அறிவை நாவல் பணியின் ஒரே ஒரு ஆர்ப்பாட்டத்திற்குப் பிறகு (ஒரு ஷாட் சாயல் கற்றல்) இந்த புதிய அறிவை புதிய கண்ணுக்கு தெரியாத பணிகளுக்கு (பரிமாற்ற கற்றல்) மாற்ற கற்றுக்கொள்கிறார்கள்.

பணிகள்

சரியான கட்டடக்கலை செயல்படுத்தல் வேறுபட்டிருந்தாலும், பொதுவான அணுகுமுறையின் செயல்திறனைக் காட்ட அவை இரண்டு பணிகளை எடுத்துக்காட்டுகளாக எடுத்துக்கொள்கின்றன.

துகள் அடையும்

முதல் எடுத்துக்காட்டில், கணினி ஒரு விமானத்தில் வண்ண இலக்கு நிலைகளின் உள்ளீடுகளையும் குறிப்பிட்ட இலக்கிற்கு செல்லும் உருவகப்படுத்தப்பட்ட முகவரின் ஒற்றை வீடியோ ஆர்ப்பாட்டத்தையும் பெறுகிறது.

படம் 2. ரோபோ என்பது 2 பரிமாண சக்தியுடன் கட்டுப்படுத்தப்படும் ஒரு புள்ளி நிறை. பணிகளின் குடும்பம் ஒரு இலக்கு அடையாளத்தை அடைவது. மைல்கல்லின் அடையாளம் பணிக்கு பணிக்கு வேறுபடுகிறது, மேலும் ஆர்ப்பாட்டத்தின் அடிப்படையில் எந்த இலக்கைத் தொடர வேண்டும் என்பதை மாதிரி கண்டுபிடிக்க வேண்டும். (இடது) ரோபோவின் விளக்கம்; (நடுத்தர) பணி ஆரஞ்சு பெட்டியை அடைவது, (வலது) பணி பச்சை முக்கோணத்தை அடைவது.

பயிற்சியின் போது கணினி ஒரே பணியை மீண்டும் உருவாக்க வேண்டும் (ஆரஞ்சு அடைய) ஆனால் மற்றொரு கட்டமைப்பிலிருந்து, ரோபோ மற்றும் இலக்குகளுக்கான வெவ்வேறு தொடக்க நிலைகளுடன். சோதனையின்போது முகவர் அவர் பயிற்றுவிக்கப்பட்ட பணியில் (ஆரஞ்சு நிறத்தை அடைய) அல்லது அவர் இதற்கு முன்பு பார்த்திராத பணியில் (எடுத்துக்காட்டாக பச்சை நிறத்தை அடையலாம்) அல்லது இரண்டிலும் சோதிக்கப்படுகிறாரா என்பது தெளிவாக இல்லை.

பயிற்சியளிக்கப்பட்ட கொள்கை புதிய காட்சிகளில் மதிப்பீடு செய்யப்படுகிறது மற்றும் பயிற்சியின் போது காணப்படாத புதிய ஆர்ப்பாட்டப் பாதைகளில் நிபந்தனை விதிக்கப்படுகிறது.

முகவர் ஒரு தனித்துவமான ஆர்ப்பாட்டத்திலிருந்து இலக்கு இலக்கை ஊகித்து மீண்டும் மற்றொரு உள்ளமைவிலிருந்து தொடங்க வேண்டும் என்பது உறுதி. சோதனைக்கு முன்னர் சரியான மோட்டார் வரிசையை கற்றுக் கொள்ள முடியாது என்பதையும், பணி மற்றும் மோட்டார் திட்டமிடல் ஆகியவற்றின் சுருக்கம் (உயர்-நிலை கட்டமைக்கப்பட்ட பிரதிநிதித்துவம்) மூலம் ஊகிக்கப்பட வேண்டும் என்பதையும் இது குறிக்கிறது.

தடுப்பு குவியலிடுதல்

இரண்டாவது எடுத்துக்காட்டில், ஒற்றை உருவகப்படுத்தப்பட்ட ஆர்ப்பாட்டத்தில் காட்டப்பட்டுள்ள அதே வரிசையில் க்யூப்ஸை (வெவ்வேறு வண்ணங்களால் அடையாளம் காணப்பட்ட) அடுக்கி வைக்க முகவர் கற்றுக்கொள்ள வேண்டும். இந்த உருவகப்படுத்தப்பட்ட ஆர்ப்பாட்டம் ஒரு 3D இயற்பியல் இயந்திரத்தால் உருவாக்கப்பட்ட 2 டி படங்களின் வரிசையாகும், இதில் ரோபோக்களின் மோட்டார் மற்றும் உணர்ச்சி எந்திரத்தின் பண்புகள் மாதிரியாக உள்ளன.

ஒரு ஷாட் கொள்கை. பல பணிகளை தீர்க்க பயிற்சி பெற்ற ஒரு கொள்கை. சிறந்த பணி: {abc, def}, கீழ் பணி: {ab, cd, ef}

இரண்டு எடுத்துக்காட்டுகளிலும் ஆர்ப்பாட்டத்திலும் உண்மையான சோதனையிலும் க்யூப்ஸின் ஆரம்ப நிலைகள் வேறுபட்டவை, ஒவ்வொரு பணியும் மற்றொரு ஆரம்ப நிலையிலிருந்து தொடங்குகிறது. ஆர்ப்பாட்டத்தின் ஆரம்ப நிலைக்கு பொருந்துமாறு க்யூப்ஸை மாற்ற ரோபோ முயற்சிக்கவில்லை, அது எந்த மாநிலத்தில் தொடங்கினாலும் கனசதுரத்தை குவிக்கும் உயர் மட்ட பணியை மாற்றும்.

டொமைன் ரேண்டமைசேஷனைப் பயன்படுத்தி பயிற்சி

இரண்டு சந்தர்ப்பங்களிலும் பயிற்சியின் போது பயன்படுத்தப்படும் அனைத்து படங்களும் டொமைன் ரேண்டமைசேஷனைப் பயன்படுத்தி உருவகப்படுத்துதல் மூலம் பெறப்படுகின்றன, அதில் அவை மாதிரிகளின் பின்வரும் அம்சங்களை சீரற்றதாக மாற்றும்:

அட்டவணையில் உள்ள திசைதிருப்பல் பொருட்களின் எண்ணிக்கை மற்றும் வடிவம் அட்டவணையில் உள்ள அனைத்து பொருட்களின் நிலை மற்றும் அமைப்பு அட்டவணை, தளம், ஸ்கை பாக்ஸ் மற்றும் ரோபோவின் அமைப்புகள் கேமராவின் நிலை, நோக்குநிலை மற்றும் பார்வையின் புலம் காட்சியில் உள்ள விளக்குகளின் எண்ணிக்கை நிலை, நோக்குநிலை, மற்றும் விளக்குகளின் ஏகப்பட்ட பண்புகள் படங்களில் சேர்க்கப்பட்ட சீரற்ற சத்தத்தின் வகை மற்றும் அளவு

துகள் அடைவதற்கான பயிற்சி தொகுப்பு

பெருகிய முறையில் கடினமான பணிக்குழுக்களை நாங்கள் கருதுகிறோம், அங்கு அடையாளங்களின் எண்ணிக்கை 2 முதல் 10 வரை அதிகரிக்கிறது. ஒவ்வொரு பணிக் குடும்பத்திற்கும், பயிற்சிக்காக 10000 பாதைகளை நாங்கள் சேகரிக்கிறோம், அங்கு அடையாளங்களின் நிலைகள் மற்றும் புள்ளி ரோபோவின் தொடக்க நிலை ஆகியவை சீரற்றவை. ஆர்ப்பாட்டங்களை திறம்பட உருவாக்க கடின குறியீட்டு நிபுணர் கொள்கையைப் பயன்படுத்துகிறோம். கணக்கிடப்பட்ட செயல்களை சுற்றுச்சூழலுக்குப் பயன்படுத்துவதற்கு முன்பு அவற்றைக் குழப்புவதன் மூலம் பாதைகளுக்கு சத்தம் சேர்க்கிறோம், மேலும் நரம்பியல் நெட்வொர்க் கொள்கையைப் பயிற்றுவிக்க எளிய நடத்தை குளோனிங்கைப் பயன்படுத்துகிறோம்

தொகுதி குவியலுக்கான பயிற்சி தொகுப்பு

சுருக்கமாக, 140 பயிற்சி பணிகளையும், 43 சோதனை பணிகளையும் சேகரிக்கிறோம், ஒவ்வொன்றும் தொகுதிகளின் வேறுபட்ட விரும்பிய அமைப்பைக் கொண்டுள்ளன. ஒவ்வொரு பணியிலும் உள்ள தொகுதிகளின் எண்ணிக்கை 2 முதல் 10 வரை மாறுபடும். பயிற்சிக்காக ஒரு பணிக்கு 1000 பாதைகளை நாங்கள் சேகரிக்கிறோம், மேலும் மதிப்பீட்டிற்குப் பயன்படுத்தப்பட வேண்டிய தனித்தனி பாதைகள் மற்றும் ஆரம்ப உள்ளமைவுகளை பராமரிக்கிறோம். துகள் அடையும் பணியைப் போலவே, பாதை சேகரிப்பு செயல்முறையிலும் சத்தத்தை செலுத்துகிறோம். கடின குறியீட்டு கொள்கையைப் பயன்படுத்தி பாதைகள் சேகரிக்கப்படுகின்றன.

கடினமான குறியீட்டு கொள்கையைப் பயன்படுத்தி வெற்றிகரமான ஆர்ப்பாட்டங்கள் சேகரிக்கப்படுகின்றன

கற்றல் போது சரியான பாதைகள் ஒரு நடைமுறை “கடின குறியீட்டு” கொள்கையால் உருவாக்கப்படுகின்றன என்பதை நினைவில் கொள்க, கணினி அடையாளம் மற்றும் கட்டுப்பாட்டின் உன்னதமான நுட்பங்களை நம்பியுள்ளது. எனவே பயிற்சி மற்றும் சோதனையின்போது முகவருக்கு இரண்டு உள்ளீடுகள் உள்ளன: அ) ஒரு உள்ளமைவில் ஒரு ஆர்ப்பாட்டம், மற்றும் ஆ) ஒரு தொடக்க உள்ளமைவு B. பயிற்சியின் போது மட்டுமே, கற்றல் வழிமுறை ஒரு சிறந்த பதிலுக்கான அணுகலையும் கொண்டுள்ளது: கட்டமைப்பு B இலிருந்து தொடங்கும் ஒரு பாதை சிக்கலுக்கு பதிலளிக்கிறது மற்றும் கற்றலின் போது முகவரின் பதில் ஒப்பிடப்படும் - இது மேற்பார்வையிடப்பட்ட கற்றல் சிக்கலாக மாறும்.

ஒவ்வொரு பயிற்சி பணிக்கும் வெற்றிகரமான ஆர்ப்பாட்டங்களின் தொகுப்பு கிடைப்பதாக நாங்கள் கருதுகிறோம்.

இது தெளிவாக இல்லை என்றால், அடுத்த பகுதியில் உள்ள பல்வேறு வகையான கற்றல் முன்மாதிரிகளுக்கு இடையிலான வேறுபாடுகளை நான் கடந்து செல்வேன்.

உகப்பாக்கம் வழிமுறை மற்றும் இழப்பு செயல்பாடு

மேற்பார்வையிடப்பட்ட கற்றல் என்பது பயிற்சி முன்னுதாரணங்களைக் குறிக்கிறது, அதில் ஒவ்வொரு முடிவிலும் அவர் செய்திருக்க வேண்டிய சரியான தேர்வுக்கு நெட்வொர்க்கை அணுக முடியும், எனவே பிழை என்ற கருத்துக்கு. எடுத்துக்காட்டாக, நாய்கள் மற்றும் பூனைகளுக்கு இடையிலான ஒரு வகைப்பாடு பணியில், பயிற்சியின் போது நாய்கள் மற்றும் பூனைகளின் படங்களின் லேபிள் முன்கூட்டியே அறியப்படுகிறது மற்றும் பிழைகள் உடனடியாக கண்டறியப்படுகின்றன. அந்த வகையில் இது மேற்பார்வை செய்யப்படாத கற்றலில் இருந்து வேறுபட்டது, பொதுவாக முகவர் அவர் பெறும் உள்ளீடுகளில் முன்னர் அறியப்படாத ஒரு கட்டமைப்பைக் கண்டுபிடிக்கும்படி கேட்கப்படுகிறார், மேலும் பூனைகள் மற்றும் நாய்களின் லேபிள்கள் இல்லாமல் வெவ்வேறு பொருள்களின் இரண்டு கொத்துகள் மட்டுமே உள்ளன என்பதைக் கண்டறிய வேண்டும். தரவுகளில் உள்ள தகவல். இது ஒரு வலுவூட்டல் கற்றலிலிருந்து வேறுபட்டது, இது நிகழ்நேர முறைக்கு பொருந்தும், இதில் ஒரு குறிக்கோளுக்கு வழிவகுக்கும் முடிவின் சரியான வரிசை தெரியவில்லை, ஆனால் ஒரு இறுதி “வெகுமதி” மட்டுமே அந்த வரிசை சரியானதா இல்லையா என்பதை தீர்மானிக்கும். சாயல் கற்றலைப் பயன்படுத்துவதன் மூலம் அவை ஒரு உன்னதமான வலுவூட்டல் கற்றல் சிக்கலை மேற்பார்வையிடப்பட்ட கற்றல் சிக்கலாக மாற்றுகின்றன, இதில் பிழை தூரத்திலிருந்து கவனிக்கப்பட்ட பாதைக்கு கணக்கிடப்படுகிறது.

எந்தவொரு மேற்பார்வையிடப்பட்ட பயிற்சி அமைப்பிற்கும் இது பொருந்தும் என்பதால், கையில் உள்ள பணி இழப்பு செயல்பாட்டால் முழுமையாக வரையறுக்கப்படுகிறது, இது நோக்கம் கொண்ட நடத்தையிலிருந்து முகவர் எவ்வளவு தூரம் இருந்தது என்பதைக் கணக்கிடுவதை நோக்கமாகக் கொண்டுள்ளது. இந்த செயல்பாட்டை வரையறுப்பது பெரும்பாலும் முக்கியமான கட்டமாகும், ஏனெனில் இது தேர்வுமுறை வழிமுறைகள் மாதிரியின் அளவுருக்களை எவ்வாறு புதுப்பிக்கின்றன என்பதை தீர்மானிக்கிறது. கணக்கீட்டு நேரத்தின் அடிப்படையில் அந்த வழிமுறைகள் முக்கியத்துவம் வாய்ந்தவை, மேலும் அவை ஒன்றிணைக்க முடிந்தால் சில முறுக்குதல் தேவைப்படுகிறது. உண்மையில் மிக உயர்ந்த பரிமாணத்தில் செயல்பாட்டைக் குறைக்கும் தீர்வுகள் அளவுரு இடத்தின் மிகச் சிறிய ஷெல்லில் வாழ்கின்றன, அவற்றுக்கிடையே ஒரு சிறிய சுத்தியல் தூரம் உள்ளது, நீங்கள் அந்த சிறிய களத்திலிருந்து விலகிச் சென்றவுடன் தீர்வுகளுக்கிடையேயான தூரம் வேகமாக வளரும். மிகவும் ஆச்சரியமான ஜெனிபர் சாயஸ் மற்றவர்களிடையே செய்த அந்த விஷயத்தில் மிகவும் சுவாரஸ்யமான வேலைகள் நிறைய உள்ளன, அவர் பேசும் இயந்திரங்களின் கடைசி எபிசோடில் மிகவும் சுவாரஸ்யமான நேர்காணலில் இந்த விஷயத்தை துலக்குகிறார்.

கொள்கை நெட்வொர்க்குகளின் பயிற்சியின் போது (முழு நெட்வொர்க்கும், எந்த நடவடிக்கை எடுக்க வேண்டும் என்பதை உள்ளீட்டிலிருந்து தீர்மானிக்க முடியும்) அவை முதலில் வெற்றிகரமான ஆர்ப்பாட்டப் பாதையை செயலாக்குகின்றன. இந்த பகுதிக்கு அவர்கள் இரண்டு அணுகுமுறைகளை ஒப்பிடுவார்கள், கிளாசிக் பிஹேவியரல் குளோனிங் (அவர்கள் பயன்படுத்திய செயலாக்கத்தில் சரியாகத் தெரியவில்லை) மற்றும் DAGGER வழிமுறைகள். இது எல் 2 அல்லது குறுக்கு-என்ட்ரோபி இழப்பு மூலம் இழப்பு செயல்பாட்டை மீண்டும் குறைக்க அனுமதிக்கும், இது நடவடிக்கைகள் தொடர்ச்சியாகவோ அல்லது தனித்தனியாகவோ இருக்கின்றன (வரிசையின் நிகழ்வுகளின் விநியோகங்களின் அடிப்படையில்). எல்லா சோதனைகளிலும், அவர்கள் 0.001 கற்றல் விகிதத்துடன் தேர்வுமுறை செய்ய அடாமேக்ஸ் வழிமுறையைப் பயன்படுத்தினர்.

படி அளவு சிறியதாகத் தொடங்கி அதிவேகமாக சிதைகிறது.

அல்காரிதம் இடமாற்றத்தை அனுமதிக்காது, இது உங்கள் பயிற்சி தொகுப்பையும் உங்கள் இழப்பு செயல்பாட்டையும் எவ்வாறு உருவாக்க அனுமதிக்கிறது என்பது பரிமாற்றத்தை அனுமதிக்கும்.

பணிகளில் இரண்டு வகையான பரிமாற்றங்கள் உள்ளன. முதல் வகை "ரியாலிட்டி இடைவெளியைக் கட்டுப்படுத்துதல்" என்று குறிப்பிடப்படுகிறது, இது உருவகப்படுத்தப்பட்ட உள்ளீடுகள் குறித்த பயிற்சிக்கு இடையில் இயற்கையான தூண்டுதல்களைச் சோதிப்பதற்கு இடமாற்றத்தை அனுமதிக்கும் கற்றலில் ஒரு பொதுமைப்படுத்தல் ஆகும். உருவகப்படுத்துதல் தரவு பெரும்பாலும் உண்மையான உலகின் வறிய தோராயமாகும், மிகவும் சரியானது, உண்மையான பொருளின் சிக்கலான தன்மை இல்லாதது. நிஜ உலகில் கேமரா பிழையாகவும் சத்தமாகவும் இருக்கலாம், மோட்டார் கட்டுப்பாடு குறைவாக துல்லியமாக இருக்கும், வண்ணங்கள் மாறும், இழைமங்கள் பணக்காரர்களாக இருக்கும். இந்த முதல் பரிமாற்றத்தை அனுமதிக்க அவர்கள் “டொமைன் ரேண்டமைசேஷன்” என்று குறிப்பிடும் முறையைப் பயன்படுத்துகிறார்கள். : உள்ளீடுகளுக்கு சத்தம் சேர்ப்பதன் மூலம், நெட்வொர்க் பொதுவான தொடர்புடைய கட்டமைப்பைக் கற்றுக் கொள்ள முடியும், இது உண்மையான உலகத்திற்கு சரியான முறையில் பொதுமைப்படுத்த அனுமதிக்கும். அவை எடுத்துக்காட்டாக, பயிற்சி எடுத்துக்காட்டுகளுக்கு இடையில் கேமராவின் கோணத்தை மாற்றும், அமைப்புகளை மாற்றும், அல்லது பாதைகளை குறைவானதாக மாற்றும். பயிற்சியின் போது சத்தம் சேர்ப்பதன் மூலம் வலுவான தன்மையைச் சேர்க்கிறோம்.

இங்கே சோதிக்கப்பட்ட இரண்டாவது பரிமாற்றம், முன்னர் காணப்படாத உள்ளமைவு மற்றும் குறிக்கோளின் தொகுப்பில் தொடர்புடைய மோட்டார் வரிசையை உருவாக்கும் திறன் ஆகும், இது ஒரு ஆரம்ப ஆர்ப்பாட்டத்தின் அடிப்படையில் மற்றொரு ஆரம்ப கட்டமைப்பில் தொடங்கி இதேபோன்ற இறுதி இலக்கைக் கொண்டுள்ளது. பயிற்சி தொகுப்பை நாங்கள் எவ்வாறு உருவாக்குகிறோம், இழப்பு செயல்பாட்டை மாதிரியாக மாற்றுவதன் மூலம் இங்கே பரிமாற்றம் சாத்தியமாகும். இதேபோன்ற இலக்கை அடைய அதே ஆரம்ப நிலையில் இருந்து தொடங்காத பயிற்சியின் போது ஆர்ப்பாட்டங்களை முன்வைப்பதன் மூலம், முழுமையான நிலைகளைப் பயன்படுத்தாமல் இலக்கின் உயர் மட்ட பிரதிநிதித்துவத்தை உட்பொதிக்க நெட்வொர்க்கை கற்றுக்கொள்ள அனுமதிக்கிறீர்கள், அத்துடன் உயர்-வரிசை பிரதிநிதித்துவம் ஒரு எளிய சாயல் இல்லாத மோட்டார் வரிசை. அப்பாவியாக ஆரம்ப கட்டமைப்பு ஒரு பொருத்தமான முறையில் கட்டமைப்பை மாற்ற பயிற்சியினை அனுமதிக்கிறது, மேலும் இந்த பயிற்சி பெற்ற கட்டமைப்பு இறுதி செயல்பாட்டைக் குறிக்கிறது.

குறிக்கோள்கள்

தொகுதி குவியலிடுதல் முன்னுதாரணத்திற்கு அவர்கள் பல தடைகளைக் கொண்டிருந்தனர், அவர்கள் தங்கள் கற்றல் முகவரை சந்திக்க விரும்பினர்.

மாறுபட்ட எண்ணிக்கையிலான தொகுதிகளைக் கொண்ட பணி நிகழ்வுகளுக்கு விண்ணப்பிப்பது எளிதாக இருக்க வேண்டும்.
ஒரே பணியின் வெவ்வேறு வரிசைமாற்றங்களுக்கு இது இயல்பாக பொதுமைப்படுத்தப்பட வேண்டும். உதாரணமாக, பணி {dcba task இல் பணி சிறப்பாக செயல்பட வேண்டும், இது பணி {abcd on இல் மட்டுமே பயிற்சி பெற்றிருந்தாலும் கூட.
இது மாறி நீளங்களின் ஆர்ப்பாட்டங்களுக்கு இடமளிக்க வேண்டும்.

இந்த பணிக்கு அவர்கள் பதிலளிக்க விரும்பும் பல கேள்விகள் இருந்தன.

நடத்தை குளோனிங்கிற்கான பயிற்சி DAGGER உடன் எவ்வாறு ஒப்பிடுகிறது, போதுமான தரவுகளை ஆஃப்லைனில் சேகரிக்க முடியும்.
இறுதி ஆர்ப்பாட்டத்தில் பணியை முழுமையாகக் குறிப்பிட போதுமான தகவல்கள் இருந்தாலும் கூட, முழு ஆர்ப்பாட்டத்தின் கண்டிஷனிங் இறுதி விரும்பிய உள்ளமைவின் கண்டிஷனிங்கோடு எவ்வாறு ஒப்பிடுகிறது?
முழு ஆர்ப்பாட்டத்திலும் கண்டிஷனிங் எவ்வாறு பாதையின் "ஸ்னாப்ஷாட்டில்" கண்டிஷனிங்கோடு ஒப்பிடுகிறது, இது மிகவும் தகவலறிந்த பிரேம்களின் சிறிய துணைக்குழு ஆகும்
பயிற்சியின் போது இதுவரை கண்டிராத பணிகளை எங்கள் கட்டமைப்பால் வெற்றிகரமாக பொதுமைப்படுத்த முடியுமா? (++)
முறையின் தற்போதைய வரம்புகள் என்ன?

கட்டிடக்கலை

துகள் அடையும்

இந்த முதல் எடுத்துக்காட்டுக்கு அவர்கள் மூன்று கட்டமைப்புகளை நீண்ட குறுகிய கால நினைவகம் (எல்எஸ்டிஎம்) நரம்பியல் நெட்வொர்க்குகளை அடிப்படையாகக் கொண்டு ஒப்பிட்டனர். அந்த நெட்வொர்க்கின் விளக்கம் நினைவகம் மற்றும் கவனத்தைப் பற்றிய எதிர்கால இடுகையில் செல்லும், அவை அறிவாற்றல் மற்றும் கணக்கீட்டு அறிவியலில் முற்றிலும் கவர்ச்சிகரமான பாடங்களாக இருக்கின்றன. சாராம்சத்தில், ஒவ்வொரு புதிய நேர புள்ளியிலும் பிணையத்தின் உள்ளீட்டின் ஒரு பகுதியாக முந்தைய நெட்வொர்க் வெளியீடுகளை (நேரத்தில்) ஒரு எல்எஸ்டிஎம் உணவளிக்கிறது, இது கடந்த காலங்களின் தகவல்களை நிகழ்காலத்தை தெரிவிக்க அனுமதிக்கிறது (எனவே அவற்றின் குறுகிய கால நினைவக நெட்வொர்க்குகளின் பெயர்). அவை நேரத் தொடர்களைக் கையாளும் பல அதிநவீன தொழில்நுட்பங்களின் மூலத்தில் உள்ளன (அலெக்ஸா, சிரி போன்றவை).

இங்கே அவர்கள் அந்த மூன்று குறிப்பிட்ட நிபந்தனைகளைப் பயன்படுத்துகிறார்கள்:

  1. எளிய எல்.எஸ்.டி.எம்: மோட்டார் செயலை உருவாக்கும் பல அடுக்கு பெர்செப்டிரானுக்கு உணவளிக்க பாதை மற்றும் தற்போதைய நிலையை உட்பொதிக்க கற்றுக்கொள்கிறது
  2. கவனத்துடன் எல்.எஸ்.டி.எம்: பாதையின் அடையாளங்கள் மீது எடையுள்ள பிரதிநிதித்துவத்தை உருவாக்குங்கள்
  3. கவனத்துடன் இறுதி நிலை: முந்தைய கட்டமைப்பைப் போலவே, அடையாளங்களை விட ஒரு எடையை உருவாக்க இறுதி மாநிலத்தை மட்டுமே பயிற்சியளிப்பதில் பயன்படுத்தவும்

தடுப்பு குவியலிடுதல்

கொள்கையளவில், ஒரு பொதுவான நரம்பியல் நெட்வொர்க் ஆர்ப்பாட்டம் மற்றும் தற்போதைய அவதானிப்பிலிருந்து பொருத்தமான செயலுக்கு வரைபடத்தைக் கற்றுக்கொள்ள முடியும் என்றாலும், பொருத்தமான கட்டமைப்பைப் பயன்படுத்துவது முக்கியமானது என்று நாங்கள் கண்டோம். தொகுதி அடுக்கி வைப்பதைக் கற்றுக்கொள்வதற்கான எங்கள் கட்டமைப்பு இந்த ஆய்வறிக்கையின் முக்கிய பங்களிப்புகளில் ஒன்றாகும், மேலும் இது மிகவும் சிக்கலான பணிகளைப் பற்றிய ஒரு-ஷாட் சாயல் கற்றலுக்கான கட்டமைப்புகள் எதிர்காலத்தில் எப்படி இருக்கும் என்பதற்கான பிரதிநிதி என்று நாங்கள் நம்புகிறோம்.

கவனம் தொகுதிகள்

பணியைக் கற்றுக்கொள்ள பயன்படுத்தப்படும் நெட்வொர்க்குகளின் கட்டமைப்பை விவரிப்பதில் கட்டுரை ஒப்பீட்டளவில் உயர்ந்த மட்டத்தில் உள்ளது. கட்டிடக்கலை ஒரு முக்கிய மூலப்பொருள் அவற்றின் கவனம் தொகுதி, ஆனால் இந்த விஷயத்திற்கு ஒரு குறிப்பிட்ட இடுகை தேவை என்று நான் நம்புகிறேன். நீடித்த கவனத்தின் அறிவாற்றல் விஞ்ஞானக் கருத்தாக்கத்திற்கு ஒப்புமை செய்வதன் மூலம், இடம் மற்றும் நேரத்தின் மாறுபட்ட இடைவெளிகளில் உள்ள தொடர்புடைய தகவல்களை வைத்திருக்கவும் கவனம் செலுத்தவும் கவனம் தொகுதிகள் பயன்படுத்தப்படுகின்றன. இது ஒரு நிலையான அளவிலான வெளியீட்டை உருவாக்குகிறது, இது நேரம் மற்றும் இடத்தில் நீட்டிக்கப்பட்ட ஒரு தகவல் உள்ளடக்கத்தை உட்பொதித்தல் கொண்டுள்ளது. டோபாலஜிக்கு ஒப்புமை மூலம், கணிதத்தின் ஒரு கிளை, எதிர்காலத்தில் விநியோகிக்கப்பட்ட பிரதிநிதித்துவங்களை நாங்கள் எவ்வாறு புரிந்துகொள்கிறோம் என்பதை பெரிதும் தெரிவிக்கும் என்று நான் நம்புகிறேன், ஒரு கவன நெட்வொர்க் தகவல், அதே வளைவு, வெவ்வேறு வடிவத்தின் இடவியல் ஐசோமார்பிஸத்தை செய்கிறது. இந்த நெட்வொர்க் எதிர்பாராத அல்லது அரிதான நிகழ்வுகளில் கவனம் செலுத்தக்கூடிய சாலிசென் டிடெக்டரின் பங்கைக் கொண்டிருக்கவில்லை என்பதை நினைவில் கொள்க, இது நரம்பியல் அறிவியலில் கவனத்தின் கருத்துடன் தொடர்புடைய ஒரு செயல்பாடு ஆகும்.

இங்கே அவர்கள் இரண்டு வகையான கவனத்தை நெட்வொர்க்கைப் பயன்படுத்துகின்றனர்: அ) நினைவகத்தில் சேமிக்கப்பட்டுள்ள உள்ளடக்கம் (வினவல், சூழல் மற்றும் நினைவக திசையன்கள்) மீது எடையுள்ள தொகையை உருவாக்கும் தற்காலிக கவனம் நெட்வொர்க், மற்றும் ஆ) தடுப்பு தொடர்பான தகவல்களை மீட்டெடுக்கக்கூடிய அண்டை கவனிப்பு நெட்வொர்க் முகவரின் தற்போதைய வினவலைப் பொறுத்து நிலைகள்.

தற்காலிக கவன நெட்வொர்க், சி: சூழல் திசையன், மீ: நினைவக திசையன், q: வினவல் திசையன், வி: கற்ற திசையன் எடை. வெளியீடு நினைவக திசையனின் அதே அளவு கொண்டது. இது அந்த திசையனின் நேரியல் கலவையாகும், இது சில நினைவக திசையன் சூழல் மற்றும் வினவல் திசையன்களின் அடிப்படையில் வெளியீட்டில் அதிக தாக்கத்தை ஏற்படுத்த அனுமதிக்கிறது.இங்கே அதே யோசனை, இடஞ்சார்ந்த தகவல்களுக்கு இடையிலான போட்டி கவனத்தை அமைப்பால் மாறும் வகையில் பராமரிக்கப்படுகிறது.

கொள்கை நெட்வொர்க்

முழுமையான நெட்வொர்க் மூன்று வெவ்வேறு துணை நெட்வொர்க்குகளால் ஆனது: ஆர்ப்பாட்டம் நெட்வொர்க், சூழல் நெட்வொர்க் மற்றும் கையாளுதல் நெட்வொர்க்.

ஆர்ப்பாட்ட நெட்வொர்க் ஒரு ஆர்ப்பாட்டப் பாதையை உள்ளீடாகப் பெறுகிறது, மேலும் கொள்கையால் பயன்படுத்தப்பட வேண்டிய ஆர்ப்பாட்டத்தின் உட்பொதிப்பை உருவாக்குகிறது. இந்த உட்பொதிப்பின் அளவு ஆர்ப்பாட்டத்தின் நீளம் மற்றும் சூழலில் உள்ள தொகுதிகளின் எண்ணிக்கையின் செயல்பாடாக நேர்கோட்டுடன் வளர்கிறது.

இங்கே காட்டப்பட்டுள்ளபடி, ஆர்ப்பாட்ட நெட்வொர்க் மாறுபட்ட சிக்கலான தன்மை மற்றும் அளவை ஒரு பொதுவான வடிவத்தில் உட்பொதிக்க முடியும், இது பணியைக் குறிக்க சூழல் நெட்வொர்க்கால் பயன்படுத்தப்படும். இந்த மட்டத்தில்தான் பொதுமைப்படுத்தல் நிகழ்கிறது, ஆர்ப்பாட்டம் உட்பொதித்தல் ஆர்ப்பாட்டங்களின் போது காணப்படும் சரியான பாதை மற்றும் கன முழுமையான நிலைகள் பற்றிய தகவல்களை விட்டுவிட வேண்டும்.

சூழல் நெட்வொர்க்கின் கட்டமைப்பைப் பார்க்கும்போது, ​​மிக உயர்ந்த மட்டத்தில் இருந்து வந்தாலும், ஆர்ப்பாட்ட நெட்வொர்க்குடன் இடைமுகத்தை மத்திய தற்காலிக கவனம் தொகுதிகளுக்கு ஆர்ப்பாட்டத்தின் உட்பொதிப்புக்கு உணவளிப்பதைக் காண்கிறோம். முந்தைய நெட்வொர்க்குகள் (எல்எஸ்டிஎம்) மற்றும் தற்போதைய நிலை ஆகியவை மோட்டார் நெட்வொர்க்கிற்கு அனுப்பப்படும் உலகளாவிய சூழல் உட்பொதிப்பை உருவாக்க ஆர்ப்பாட்டம் உட்பொதிப்புடன் இணைந்த உள்ளீடாக வழங்கப்படுவதையும் நாங்கள் காண்கிறோம்.

நெட்வொர்க்குகள் செயல்பாடு குறித்த அவர்களின் விளக்கம் எனது கருத்துப்படி காகிதத்தின் மிக முக்கியமான பகுதி:

தற்போதைய நிலையின் செயல்பாடாக வினவல் திசையனைக் கணக்கிடுவதன் மூலம் சூழல் நெட்வொர்க் தொடங்குகிறது, பின்னர் இது ஆர்ப்பாட்டம் உட்பொதிப்பில் வெவ்வேறு நேர படிகளில் கலந்து கொள்ள பயன்படுகிறது. ஒரே நேரத்தில் வெவ்வேறு தொகுதிகள் மீது கவனம் செலுத்தும் எடைகள் ஒன்றாகச் சுருக்கப்பட்டு, ஒரு கால படிக்கு ஒரு எடையை உருவாக்குகின்றன. இந்த தற்காலிக கவனத்தின் விளைவாக சுற்றுச்சூழலில் உள்ள தொகுதிகளின் எண்ணிக்கையில் விகிதாசாரமாக இருக்கும் ஒரு திசையன் ஆகும். ஒவ்வொரு தொகுதியின் உட்பொதிப்புகளிலும் தகவல்களைப் பரப்புவதற்கு நாங்கள் அருகிலுள்ள கவனத்தைப் பயன்படுத்துகிறோம். இந்த செயல்முறை பல முறை மீண்டும் மீண்டும் செய்யப்படுகிறது, அங்கு எல்.எஸ்.டி.எம் கலத்தைப் பயன்படுத்தி கட்டப்படாத எடையுடன் மாநிலம் முன்னேறுகிறது.
செயல்பாடுகளின் முந்தைய வரிசை ஒரு உட்பொதிப்பை உருவாக்குகிறது, அதன் அளவு ஆர்ப்பாட்டத்தின் நீளத்திலிருந்து சுயாதீனமாக உள்ளது, ஆனால் இன்னும் தொகுதிகளின் எண்ணிக்கையைப் பொறுத்தது. நிலையான பரிமாண திசையன்களை உருவாக்க நிலையான மென்மையான கவனத்தை நாங்கள் பயன்படுத்துகிறோம், அங்கு நினைவக உள்ளடக்கம் ஒவ்வொரு தொகுதியின் நிலைகளையும் மட்டுமே கொண்டுள்ளது, இது ரோபோவின் நிலையுடன் சேர்ந்து, கையாளுதல் நெட்வொர்க்கிற்கு அனுப்பப்படும் உள்ளீட்டை உருவாக்குகிறது.
உள்ளுணர்வாக, சூழலில் உள்ள பொருட்களின் எண்ணிக்கை மாறுபடலாம் என்றாலும், கையாளுதல் செயல்பாட்டின் ஒவ்வொரு கட்டத்திலும், தொடர்புடைய பொருட்களின் எண்ணிக்கை சிறியது மற்றும் பொதுவாக சரி செய்யப்படுகிறது. குறிப்பாக தொகுதி குவியலிடுதல் சூழலுக்கு, ரோபோ எடுக்க முயற்சிக்கும் தொகுதியின் நிலைக்கு (மூலத் தொகுதி) மட்டுமே கவனம் செலுத்த வேண்டும், அதே போல் அது மேலே வைக்க முயற்சிக்கும் தொகுதியின் நிலை ( இலக்கு தொகுதி). ஆகையால், ஒழுங்காக பயிற்சியளிக்கப்பட்ட நெட்வொர்க் ஆர்ப்பாட்டத்தில் தொடர்புடைய நிலையுடன் தற்போதைய நிலையை பொருத்தக் கற்றுக் கொள்ளலாம், மேலும் வெவ்வேறு தொகுதிகள் மீது மென்மையான கவன எடைகளாக வெளிப்படுத்தப்படும் மூல மற்றும் இலக்கு தொகுதிகளின் அடையாளங்களை ஊகிக்க முடியும், பின்னர் அவை தொடர்புடைய நிலைகளை பிரித்தெடுக்கப் பயன்படுகின்றன கையாளுதல் நெட்வொர்க்கிற்கு அனுப்பப்படும்.

அவர்கள் தங்கள் விளக்கத்தை முடிக்கும் விதம், ஒரு நிபுணர் கணினி அணுகுமுறையிலிருந்து ஒரு கற்றல் அமைப்பு அணுகுமுறைக்கு AI ஆராய்ச்சியின் தற்போதைய நகர்வுக்கு ஒரு சிறந்த எடுத்துக்காட்டு, மேலும் மூளை எவ்வாறு கீழே உருவானது என்பது பற்றிய விவாதத்தையும் இது குறிக்கிறது.

பயிற்சியில் இந்த விளக்கத்தை நாங்கள் செயல்படுத்தவில்லை என்றாலும், கற்றறிந்த கொள்கை உள்நாட்டில் எவ்வாறு செயல்படுகிறது என்பதற்கான இந்த விளக்கத்தை எங்கள் சோதனை பகுப்பாய்வு ஆதரிக்கிறது.

இது எவ்வாறு இயங்குகிறது என்பது அவர்களுக்குத் தெரியாது! அவை சில கணக்கீடுகளைச் செய்யக்கூடிய ஒரு கட்டமைப்பை உருவாக்குகின்றன, மேலும் சில தகவல்களை ஒரு ப்ரியோரி பயனுள்ளதாக இருக்கும் என்று நாங்கள் கருதுகிறோம், மேலும் முழு கட்டமைப்பும் கற்றுக் கொள்ளும் என்று நம்புகின்ற ஒரு பயிற்சித் தொகுப்பிற்கு அதை வழங்குகின்றன! ஒரு வகையான செயற்கை நுண்ணறிவு ஆராய்ச்சி வூடூ அதிகரித்து வருகிறது, ஒரு கலை, ஹூரிஸ்டிக் தேடலை சரியான திசையில் இயக்குவதற்கான ஒரு வழி. அந்த மந்திரவாதிகள் நிறைய இப்போது ஓபன்ஏஐ வேலை செய்கிறார்கள் என்று தெரிகிறது.

அவர்களின் சொந்த வார்த்தைகளில், கையாளுதல் நெட்வொர்க் எளிமையான கட்டமைப்பாகும், சூழல் உட்பொதித்தல் முதல் மல்டி-லேயர் பெர்செப்டிரான் வரை, ஒரு மோட்டார் செயல் தயாரிக்கப்படுகிறது.

முடிவுகள்

முடிவுகள் பெரும்பாலும் எனக்கு கொஞ்சம் ஆர்வம் கொண்ட ஒரு பகுதியாகும், குறிப்பாக அந்த வகையான அதிசயமான புத்திசாலித்தனமான தொழில்நுட்ப ஆவணங்களுக்கு. நான் விரைவாகச் செல்வேன், இந்த அணுகுமுறை செயல்படுகிறது, இது கடின குறியீட்டு நிபுணர் கொள்கைகளுக்கு ஒத்த துல்லியத்துடன் செயல்படுகிறது, மேலும் அந்த குறிப்பிட்ட நடைமுறை அணுகுமுறைக்கு மாறாக, ஒரு பெரிய வரிசை பணிகளுக்கு பொதுவானது.

துகள் அடையும்

தடுப்பு குவியலிடுதல்

இந்த சோதனைகளில் அவர்கள் வெவ்வேறு நிலைகளையும் சோதித்தனர். DAGGER ஐப் பயன்படுத்தி அவர்கள் மூன்று வெவ்வேறு உள்ளீட்டு நிலைகளை ஒப்பிட்டுப் பார்த்த பாதையை குறைத்து ஒப்பிட்டனர்: முழுப் பாதைகள், பாதையின் ஸ்னாப்ஷாட் அல்லது இறுதி நிலையைப் பயன்படுத்துதல். அவர்கள் நடத்தை குளோனிங் வழிமுறையை ஆர்ப்பாட்டத்தின் முழுப் பாதையுடன் ஒப்பிட்டனர்.

க்யூப் அடையாளத்தை பொதுமைப்படுத்தும் கணினி திறனுக்கான வலுவான சான்று

கலந்துரையாடல்

கடந்த மாதங்களில் ஓபன்ஏஐ செய்த வேகமான முன்னேற்றங்களைப் படிக்கும் போது, ​​அவர்களின் வேலைகளைப் பற்றி பேசுவதற்கும், அவர்களின் வேலையை நான் நம்புகிறேன் என்பதில் எனது எண்ணங்களைப் பகிர்ந்து கொள்வதற்கும், ஒட்டுமொத்தமாக AI துறையின் முன்னேற்றங்கள் பற்றியும், வளர்ந்து வரும் ஆர்வத்தை நான் உணர்கிறேன். உயிரியல் மூளை வேலை செய்கிறது. குறிப்பாக மனிதர்களிடையே பகிரப்பட்ட அறிவாற்றல் செயல்பாடுகள் ஒரு பகிரப்பட்ட கட்டமைப்பின் காரணமாக அதிகம் இல்லை என்ற ஒரு வளர்ந்து வரும் யோசனை, ஒரு பணியை எவ்வாறு செய்ய வேண்டும் என்பதை இயல்பாகவே அறிந்திருக்கிறது, மாறாக, அதே சூழலை எதிர்கொள்ளும் ஒப்பீட்டளவில் ஒத்த அப்பாவியாக இருக்கும் கட்டமைப்புகளின் விளைவாகும், ஒத்த பணிகளை செய்ய கற்றுக்கொள்ளுங்கள். செயல்பாடற்ற கட்டமைப்பின் விளைவாக செயல்படுவதால், ஒரு குறிப்பிட்ட சூழலைக் கொண்டிருப்பதால் ஒரு குறிப்பிட்ட பணியை மட்டுமே கற்றுக் கொள்ள முடியும், ஏனெனில் ஒரு கட்டமைப்பைக் காட்டிலும் ஒரு பணியை சொந்தமாகச் செய்ய முடியும், சுற்றுச்சூழலுக்கு ஏற்ப இரண்டு அளவுருக்களை மாற்றியமைக்கிறது.

பணிகள் மற்றும் உள்ளமைவுகள்: ஒரு தன்னிச்சையான வரையறை

அவர்கள் ஏன் வெவ்வேறு பணிகளைப் பற்றி பேசத் தேர்ந்தெடுத்தார்கள் என்பது எனக்குப் புரியவில்லை என்பதை நான் ஒப்புக் கொள்ள வேண்டும். தொகுதி குவியலிடுதல் சோதனையில் ஒரு பணி ஒருவருக்கொருவர் தொடர்புடைய தொகுதிகளின் நிலையைக் குறிக்கும் சரங்களின் தொகுப்பாக வரையறுக்கப்படுகிறது, தொகுப்பில் உள்ள உறுப்புகளின் எண்ணிக்கை அடுக்குகளின் எண்ணிக்கையையும், எழுத்துக்களின் எண்ணிக்கையையும் ஒழுங்குபடுத்த வேண்டிய தொகுதியின் எண்ணிக்கையை வரையறுக்கிறது . ஒரு பணி என்பது அடுக்கின் முழுமையான நிலையைப் பொருட்படுத்தாமல் அடுக்குகளில் உள்ள தொகுதிகளின் ஏற்பாடு ஆகும்.

சில தொகுதிகள் அட்டவணையில் இருக்கலாம், ஆனால் பணியின் ஒரு பகுதியாக இருக்காது

உறவினர் நிலை மற்றும் அடுக்குகளின் எண்ணிக்கையை தனித்தனி பணிக்கான அளவுகோல்களாக வரையறுப்பதற்கான அவர்களின் தேர்வு தன்னிச்சையாகத் தெரிகிறது. உண்மையில், தொகுதிகளின் முழுமையான தொடக்க நிலைகளின் அடிப்படையில் (அவை உள்ளமைவு என்று குறிப்பிடுவது) வெவ்வேறு பணிகளைப் பற்றி பேசுவதும் அர்த்தமுள்ளதாக இருக்கும். பிரச்சினையின் பொதுவான தன்மை அவர்களுக்குத் தெளிவாகத் தெரியும் என்று நான் நம்புகிறேன், ஆனால் தெளிவு நோக்கங்களுக்காக அவர்கள் விவரங்களுக்குச் செல்ல விரும்பவில்லை. கொள்கை கற்றலை இரண்டு வகை பொதுமைப்படுத்தல்களாக வடிவமைக்க இது கூடுதல் அர்த்தத்தை தருகிறது, அவை பின்னர் செய்யும் முறை:

பொதுமைப்படுத்தல் பல நிலைகளில் மதிப்பிடப்படுகிறது என்பதை நினைவில் கொள்க: கற்றறிந்த கொள்கையானது புதிய உள்ளமைவுகள் மற்றும் ஏற்கனவே காணப்பட்ட பணிகளின் புதிய ஆர்ப்பாட்டங்களை பொதுமைப்படுத்துவது மட்டுமல்லாமல், புதிய பணிகளுக்கு பொதுமைப்படுத்தவும் தேவை.

“பணிகளை” “ஸ்டேக் ஆர்டர்கள்” மூலம் மாற்றவும். பணியை சரியாகக் கற்றுக்கொள்வது என்பது க்யூப்ஸின் நிலையை (உள்ளமைவு) சுருக்கமாகக் கூறக்கூடிய ஒரு உட்பொதிப்பைக் கற்றுக்கொள்கிறது, ஆனால் அவற்றின் அடையாளம் (பணி), அடுக்குகளின் எண்ணிக்கை (பணி) மற்றும் ஆர்ப்பாட்டத்தின் போக்கு (சுருக்கமாக அறிமுகப்படுத்தப்பட்டது மேற்கோள்) தொடர்புடைய மோட்டார் பதிலை உருவாக்க.

அந்த பொதுமைப்படுத்துதல்கள் முரண்பாடாகத் தோன்றுகின்றன, அதே நெட்வொர்க் எவ்வாறு கனசதுரத்தின் ஆரம்ப உள்ளமைவு அல்லது அவற்றின் அடையாளத்தை சுருக்கி, மோட்டார் பதிலுக்கான முழுமையான நிலையை மீட்டெடுக்க முடியும்?

இது கற்றலின் போது வெவ்வேறு கூட்டுறவு துணை நெட்வொர்க்குகளின் தேவையை விளக்குகிறது, வெவ்வேறு உள்ளீடுகளைப் பெறுகிறது, மேலும் சூழல் நெட்வொர்க்கில் பணியின் ஒரு சுருக்கமான பிரதிநிதித்துவம் இறங்கு கட்டளைக்கு முன் க்யூப்ஸ் முழுமையான நிலைகள் போன்ற கீழ் வரிசை தகவல்களை அளிக்கிறது என்பதை இது விளக்குகிறது.

பணி மற்றும் உள்ளமைவின் இந்த வேறுபாட்டைப் பற்றி கருத்து தெரிவிப்பது வேடிக்கையானது என்று நீங்கள் நினைக்கலாம், ஆனால் இது சாராம்சத்தில் வெவ்வேறு பொருள்களில் விளையாடும் அதே சுருக்கமான செயல்முறையாகும் என்பதைப் புரிந்துகொள்வது அவசியம் (இது பின்வரும் பகுதிக்கு திறக்கிறது).

மாறுபாடு இல்லாமல் கற்றல் இல்லை

இடமாற்றக் கற்றல் என்பது சிலிக்கோ அல்லது இன்-விவோவாக இருந்தாலும் அறிவாற்றலின் மிகவும் கவர்ச்சிகரமான கருத்தாகும், இது AI ஆராய்ச்சியாளர்கள் மற்றும் நரம்பியல் விஞ்ஞானிகளுக்கு மிகவும் பரபரப்பான தலைப்பு, மேலும் இது எனது பிஎச்டி ஆய்வறிக்கையின் பொருளாக இருக்கும். இயந்திரக் கற்றலுக்கு முன்னர் பல துறைகளில் நெருங்கிய தொடர்புடைய கருத்துக்கள் ஆராயப்பட்டுள்ளன என்பதை நினைவில் கொள்க, மேலும் இந்த சுருக்க மற்றும் எப்போதும் ஓரளவு வரையறுக்கப்பட்ட கருத்துக்கு பல பெயர்கள் உள்ளன. தத்துவவாதிகள், மானுடவியலாளர்கள் மற்றும் சமூகவியலாளர்கள் இதை (பிந்தைய) கட்டமைப்புவாதம் (கிளாட் லெவி-ஸ்ட்ராஸ், மைக்கேல் ஃபோக்கோ) என்று குறிப்பிடலாம், மொழியியலாளர் சிண்டாக்மா மற்றும் நெஸ்டட் ட்ரீ கட்டமைப்புகள் (நோம் சாம்ஸ்கி) பற்றி பேசுவார், கணிதவியலாளர்கள் ஹோமியோமார்பிசம் அல்லது மாறுபாடுகள் மற்றும் கல்வி ஆராய்ச்சியாளர்கள் அல்லது நரம்பியல் விஞ்ஞானிகள் இதை கட்டமைப்பு கற்றல் என்று குறிப்பிடலாம். பிரதிநிதித்துவ கற்றல் மற்றும் மெட்டா கற்றல் போன்ற இயந்திர கற்றல் துறையில் தொடர்புடைய கருத்தையும் நீங்கள் காணலாம், இது ஆசிரியரைப் பொறுத்து பரிமாற்றக் கற்றல் அல்லது பரிமாற்றக் கற்றலைச் செய்யப் பயன்படுத்தப்படும் கற்றல் முன்னுதாரணத்தைக் குறிக்கலாம். டீப் நியூரல் நெட்வொர்க்குகளைப் பற்றி பேசும்போது, ​​இந்த வேறுபாடுகள் மங்கலாகின்றன, சாராம்சத்தில் ஒரு நியூரல் நெட் ஒரு குறிப்பிட்ட சிக்கலை (பிரதிநிதித்துவ கற்றல்) உட்பொதிக்கக் கற்றுக்கொள்கிறது, அதன் கட்டமைப்பை (மெட்டா கற்றல்) மாற்றியமைப்பதன் மூலம் வழக்கமாக ஒரு சத்தமான சூழலில் பரிமாற்ற கற்றல் ஒரு வடிவத்தைக் குறிக்கிறது.

AI ஆராய்ச்சியாளர்கள் மற்றும் அறிவாற்றல் விஞ்ஞானி பெரும்பாலும் பரிமாற்றக் கற்றலுக்கு மிகவும் உறுதியான வரையறையைக் கொண்டுள்ளனர், இது ஒரு குறிப்பிட்ட பணியில் பெறப்பட்ட அறிவைப் பயன்படுத்தி ஒரு பொதுவான தொகுப்புக் கட்டமைப்பைப் பகிர்ந்து கொள்ளும் மற்றொரு பணியைச் செய்ய ஒரு அமைப்பை அனுமதிக்கும் செயல்முறையாகும் (கட்டுரையில் விவரிக்கப்பட்டுள்ளபடி). அறிவாற்றல் விஞ்ஞானம் இரண்டு பணிகளும் எவ்வாறு வேறுபடுகின்றன என்பதைப் பொறுத்து, அருகிலுள்ள மற்றும் தொலைதூர பரிமாற்றம் குறித்த இந்த கருத்தைக் கொண்டுள்ளது. ஆனால் மிகவும் சுருக்கமான கண்ணோட்டத்தில், சத்தம் மற்றும் சிக்கலான சூழலில், அனைத்து கற்றலும் பரிமாற்றக் கற்றலின் ஒரு வடிவமாகும், மிக நெருக்கமான மற்றும் மிக தொலைதூர பரிமாற்றங்களுக்கிடையேயான வேறுபாடு பகிரப்பட்ட தகவல்களின் ஒரு விஷயம் மட்டுமே - மீண்டும் இயற்கையின் அளவிலான விஷயமல்ல.

கட்டுப்படுத்தப்பட்ட சூழலில், யதார்த்தத்தை கடுமையாக குறியிடப்பட்ட தனிப்பயனாக்கத்தை உருவாக்குவதற்கு முன்பே முயற்சிகள் மேற்கொள்ளப்படுகின்றன, ஆனால் உண்மையில் இந்த தனிப்பயனாக்கம் பரிமாற்ற கற்றல் என்ன என்பதை நடைமுறை ரீதியாக மீண்டும் உருவாக்குகிறது, இது ஒரு பொதுவான இணைக்கும் கட்டமைப்பின் கீழ் யதார்த்தத்தில் காணப்படும் எல்லையற்ற மாநிலங்களை ஒன்றிணைக்கிறது. சாராம்சத்தில், பரிமாற்ற கற்றல் என்பது நேரடியாக அல்லது விரிவாக்கத்தால் கற்றல் முகவர்கள் உலகின் மாதிரிகளை உருவாக்க மாற்றங்களை பயன்படுத்துகின்றனர். இது உள்ளீடுகளின் மாறுபாடு இடைவெளியில் குழுமங்களை கட்டமைக்கும் பெருகிய முறையில் சுருக்கம் மற்றும் இயற்றப்பட்ட பிரதிநிதித்துவத்தை உருவாக்குவதற்கு ஒற்றுமைகள், மறுபடியும் மறுபடியும் மாறுபாடுகள் ஆகியவற்றைப் பயன்படுத்தும் ஒரு செயல்முறையாகும். ஒரு பொது அர்த்தத்தில், தகவல் குழுக்களை நாம் கையாளும் அடிப்படை செயல்பாடுகளை உருவாக்க இது அனுமதிக்கிறது, கணிதத்தைப் போலவே இது தொழிற்சங்கம் மற்றும் குறுக்குவெட்டுகளை அனுமதிக்கிறது. இது அடையாளங்களை அனுமதிக்கிறது, இது பொருட்களை வகைப்படுத்துவதற்கான நமது திறனை விளக்குகிறது. ஜோஷ் டெனெம்பாம் என்னிடம் உண்மையிலேயே பேசிய ஒரு உதாரணத்தைத் தருகிறார்: நீங்கள் ஒரு குதிரையை முதன்முதலில் அடையாளம் காண இரண்டு வயது குழந்தைக்கு கற்பிக்கிறீர்கள் என்று கற்பனை செய்து பாருங்கள், நீங்கள் அவருக்கு வெவ்வேறு குதிரைகளின் ஓரிரு படத்தைக் காண்பிப்பீர்கள், பின்னர் நீங்கள் அவருக்கு மற்றொரு குதிரையின் படத்தைக் காண்பிப்பீர்கள் ஒரு வீட்டின் படம் மற்றும் குதிரை எது என்று உங்களுக்குச் சொல்லும்படி அவரிடம் கேளுங்கள். ஒரு குழந்தை இந்த பணியை மிக எளிதாக செய்யும், ஆனால் இது இன்னும் சில உள்ளீடுகளுடன் (ஒரு-ஷாட் கற்றல்) ஒரு கணினியால் சிறப்பாக செய்ய முடியாது.

குழந்தை அதை எப்படி செய்தது?

விலங்கு அங்கீகாரம் குழந்தைகளில் ஆய்வு செய்யப்பட்டு, பொருள்களை தொடர்புடைய பகுதிகளாக வடிவமைக்கும் திறன், ரோமங்களின் வண்ண வரம்பு, கழுத்தின் அளவு, ஒட்டுமொத்த வடிவம் போன்றவற்றுடன் தொடர்புடையது. இந்த திறனும் உங்களை ஒரு கதவைத் திறக்க அனுமதிக்கிறது இதற்கு முன் பார்த்ததில்லை, எந்தவொரு சூழ்நிலையையும் (டொமைன் பொதுமைப்படுத்தல்) பொதுமைப்படுத்தும் மோட்டார் வரிசையை நீங்கள் கற்றுக்கொண்டீர்கள். உலகை எளிதாக்கும் விளக்கமளிக்கும் மாதிரிகளை உருவாக்க நீங்கள் பயன்படுத்துவது இதுதான், ஒரு பிரபலமான சுவிஸ் கடிகாரத்தில் ஒரு கொக்கு திடீரென தோன்றியதால் ஆரம்பத்தில் நீங்கள் ஆச்சரியப்படுவீர்கள், ஆனால் இரண்டாவது தோற்றத்திற்குப் பிறகு நீங்கள் அதை எதிர்பார்க்கிறீர்கள். மாற்றத்தைக் கண்டறிவது என்பது ஒரு நரம்பியல் நெட்வொர்க் எவ்வாறு கற்றுக்கொள்கிறது மற்றும் அந்த மாதிரிகள் அறியாமலே கட்டமைக்கப்படுகின்றன. கணிதம் மற்றும் எண்களைக் கேள்விப்படுவதற்கு முன்பே இயற்பியலைப் பற்றி நாம் எவ்வாறு உள்ளுணர்வாகக் கற்றுக்கொள்கிறோம் என்பது ஒரு எடுத்துக்காட்டு.

மைக்ரோ கிராவிட்டியில் பிறந்த ஒரு குழந்தை பூமியின் ஈர்ப்புக்கு ஏற்றவாறு எவ்வளவு விரைவாக ஏற்றுக் கொள்ளும் என்பதையும், கைவிடும்போது பொருள்கள் தரையில் விழும் என்பதை உள்ளுணர்வாகக் கற்றுக்கொள்வதையும் ஒருவர் கேட்கலாம்.

குழந்தைகளும் பெரும்பாலான விலங்குகளும் தங்கள் மாதிரியை அறியாமலேயே திருத்துவார்கள் என்று நாங்கள் அனுமானிக்கலாம், நீங்கள் ஒரு நாயின் பாதங்களில் சாக்ஸ் போடுவது போலவும், புதிய தகவல்களுக்கு ஏற்ப சிறிது நேரம் எடுக்கும்.

ஆனால் ஒரு சிறு குழந்தைக்கு ஆர்வத்துடன், மொழி, சின்னங்கள் மற்றும் நம்பிக்கைகள் மூலம் ஒரு நனவான விசாரணை மற்றும் அவரது உள்ளுணர்வு மாதிரியின் திருத்தம் நடக்கும். எங்கள் மாதிரிகளை உணர்வுபூர்வமாக விசாரிப்பதற்கும் மாற்றுவதற்கும் நம்முடைய திறன் கவர்ச்சிகரமானதாகும், மேலும் ஒரு பக்கமாக, மனிதர்கள் மட்டுமே இந்த செயல்முறையை வாய்மொழியாகக் கூறக்கூடிய ஒரே இனமாக இருக்கலாம், ஆனால் பிற உயிரினங்களும் இதேபோன்ற நனவான திருத்தங்களைச் செய்யலாம்.

மாறுபாடு என்பது காலத்தின் கட்டாயச் சொத்து, எல்லாமே எப்போதுமே புதியதாகவும், எந்த வகையிலும் கணிக்க முடியாததாகவும் இருந்தால், எல்லாமே எப்போதும் புதியவை மற்றும் கணிக்க முடியாதவை என்ற தனித்துவமான மாறுபாடு இன்னும் இருக்கும். மாறுபாடு இல்லாத ஒரு உலகத்தை கற்பனை செய்ய இயலாது, ஏனென்றால் குறிப்பிட ஒரு உலகம் இருக்க முடியாது, மாறாமல் வாழ்க்கை சாத்தியமற்றது மற்றும் நம் மூளை பயனற்றது. வாழ்க்கை என்பது ஒரு இயந்திரம், இது நிகழ்வுகளின் முன்கணிப்பு, காரணங்கள் மற்றும் விளைவுகளை மீண்டும் மீண்டும் செய்வது, உயிரினத்தில் ஆற்றலை சுழற்சியாக மீண்டும் அறிமுகப்படுத்துதல் ஆகியவற்றால் மட்டுமே செயல்படுகிறது. தேவையான சுழற்சிகளின் பயன்பாட்டை மேம்படுத்துவதற்கான வாழ்க்கையின் தேடலில், நமது மூளைதான் இறுதி கருவி. இது ஒரு முன்கணிப்பு இயந்திரம், தகவமைப்பு உறுப்பு மீண்டும் மீண்டும் மாறும் தன்மையைக் கண்டறிந்து உலகத்துடன் சிறப்பாக தொடர்புகொள்வதற்குப் பயன்படுத்தக்கூடியது.

வாழ்க்கை தேர்ந்தெடுத்த இந்த முறை கட்டமைப்பில் சிறிய மாற்றங்களுக்கு மிகவும் வலுவானது. உலகமே, சுற்றுச்சூழலின் புள்ளிவிவர பண்புகள், ஆனால் அது எதிர்கொள்ளும் நரம்பியல் அமைப்பு, அது சிகிச்சையளிக்க பரிணாமம் அடைந்த தொடர்புடைய தகவல்களை உட்பொதிக்கும் வரை மாறுபடும். இது நமது மூளை ஏன் தனிநபரிடமிருந்து தனித்தனியாக, முதன்மைக் கோர்டிச்களுக்கு கூட வேறுபட்டிருக்கலாம், இன்னும் அதே செயல்பாடுகளைப் பகிர்ந்து கொள்கிறது என்பதை இது விளக்குகிறது.

நரம்பு மண்டலங்கள் தகவமைப்பு, அவை தொடர்புடைய வழிகளில் நடத்தை மாற்ற பரிணாமம் மற்றும் மெதுவான மரபணு மாற்றங்கள் தேவையில்லை. சி. எலிகன்ஸில் காணப்படுவது போன்ற ஒரு எளிய நரம்பு மண்டலம் ஒரு உள்ளார்ந்த உள் ஒருங்கிணைப்பாளராகவும் வெளிப்புற சென்சாராகவும் செயல்படுகிறது: உணவை உணர்ந்து அதை நோக்கி நகருங்கள், வலியிலிருந்து தப்பி, இனப்பெருக்கம் செய்யுங்கள். அந்த எளிய அமைப்புகள் ஆரம்பத்தில் கடினமானவை மற்றும் நமது அதிக சத்தமில்லாத உலகத்தின் தீவிர தோராயமான செயல்திறனை ஒரு சிறிய தொகுப்பில் (இடதுபுறத்தில் உணவு, கீழே வெப்பம் போன்றவை) தனித்தனியாகக் காண்பிப்பதற்காகச் செய்தன. எங்கள் மோட்டார் மற்றும் உணர்ச்சி திறன்கள் நமது நரம்பு மண்டல முன்கணிப்பு திறன்களுடன் கைகோர்த்து வளர்ந்தன. எங்கள் சென்சார்கள் மிகவும் துல்லியமாக மாறியதால், நரம்பு மண்டலம் மெதுவாக தகவல்களைச் சேமிக்கவும் அனுபவத்திலிருந்து கற்றுக்கொள்ளவும் அதன் கட்டமைப்பை மாற்ற முடிந்தது. ஆரம்பத்தில் அது வாசனை வகைகள் அல்லது ஒளி வடிவங்கள் போன்ற சில வகை உள்ளீடுகளை அடையாளம் காண கற்றுக் கொள்ள முடிந்தது, மேலும் அதன் பெருகிய சிக்கலான மோட்டார் அமைப்பைக் கட்டுப்படுத்த சோதனை மற்றும் பிழை மூலம் கற்றுக்கொள்ளவும் முடிந்தது. உலகம் மிகவும் சிக்கலானது என்பதை நினைவில் கொள்ளுங்கள், நம் மூளை இயல்பாகவே ஒரு இயல்பான நடைமுறை அணுகுமுறையை விட ஒரு கற்றல் முன்னுதாரணத்தை நோக்கி உருவானது. கணக்கீட்டு ரீதியாக இது சரியான அர்த்தத்தை தருகிறது, கோவின் ஒரு எளிய விளையாட்டு பிரபஞ்சத்தில் உள்ள அணுக்களின் எண்ணிக்கையை விட (10⁸⁰) மிகப் பெரிய (2.10¹⁷⁰) ஒரு மாநில-இடத்தைக் கொண்டுள்ளது, மேலும் உயிரினங்கள் மிகவும் சிக்கலானதாக இருப்பதால், சாத்தியமான எல்லாவற்றையும் கடின குறியீடு செய்ய முயற்சிக்கின்றன கூட்டு வெடிப்பு காரணமாக அது விரைவாக இருக்கக்கூடும் என்று கூறுகிறது.

நம் மூளை அது உருவாகப் போகும் இடத்தை உள்ளார்ந்த முறையில் பிரதிபலிக்கும் வகையில் கட்டப்பட்டுள்ளது என்று சிலர் நம்பலாம், டி.என்.ஏவில் எங்காவது ஒரு முகத்தை உருவாக்குவதற்கு ஒரு மரபணு உள்ளது, அல்லது உருவாக்கும் ஒலி அலைகளின் தற்காலிக அமைப்பு மேல் வார்த்தைகள். இந்த உள்ளார்ந்த அறிவு எங்காவது பிறக்கும்போதே குறியாக்கம் செய்யப்பட்டுள்ளது என்று அவர்கள் நம்பலாம். நான் உயர்நிலைப் பள்ளியில் படித்தபோது என் தத்துவ ஆசிரியரைப் போலவே மற்றவர்களும் நம்பலாம், அந்த இருப்பு சாரத்திற்கு முந்தியுள்ளது, மேலும் நமது மூளை உயிரினத்தையும் உலகத்தையும் சந்திப்பதன் மூலம் முழுமையாகவும் முழுமையாகவும் வரையறுக்கப்படுகிறது. யதார்த்தம் நிச்சயமாக மிகவும் சிக்கலானது, இதுவரை ஆய்வு செய்யப்பட்ட பெரும்பாலான தொலைநோக்கு அமைப்புகளுக்கு, மூளை அது செய்யும் செயல்பாட்டை உள்ளார்ந்த முறையில் குறியாக்கம் செய்யாது, ஆனால் அதன் உள்ளீடுகளில் உள்ள தகவல்களைப் பொறுத்து அதைக் கற்றுக் கொள்ளும். தொடர்புடைய தகவல்களில் உள்ளீடு மிகவும் மோசமாக இருந்தால், அந்த கட்டமைப்பில் கற்றுக்கொள்ளும் திறன் காலாவதி தேதியைக் கொண்டிருக்கலாம் (எ.கா. அம்ப்லியோபியா). ஆனால் உள்ளார்ந்த கட்டமைப்பு இறுதி செயல்பாட்டை குறியாக்கம் செய்யாவிட்டால், மூளைக்கு ஒரு குறிப்பிட்ட அமைப்பு உள்ளது. இந்த அமைப்பு தனிநபர்கள் முழுவதும் பாதுகாக்கப்படுகிறது, அதே இனத்தைச் சேர்ந்தவர்கள் பொதுவான செயல்பாடுகளையும் இயக்கிகளையும் பகிர்ந்து கொள்கிறார்கள். டி.என்.ஏ ஒரு குறிப்பிட்ட கட்டமைப்பை அமைக்கிறது, அவற்றின் இறுதி செயல்பாட்டை உள்ளார்ந்த முறையில் செய்ய முடியாத ஒரு அமைப்பு, ஆனால் தனிப்பட்ட அனுபவத்தின் அடிப்படையில் குறிப்பிட்ட பணிகளின் சிக்கலைக் கற்றுக்கொள்ளக்கூடிய ஒரு அமைப்பு. பரிணாமம் மிகவும் பயனுள்ள இரத்த-மூளைத் தடையை மூளையை உடலின் மற்ற பகுதிகளிலிருந்தும், மெனிங்க்களிலிருந்தும், வெளி உலகத்திலிருந்து பாதுகாக்கும் கடினமான எலும்பு ஓடுகளிலிருந்தும் தனிமைப்படுத்தியதில் ஆச்சரியமில்லை, ஏனென்றால் மற்ற உறுப்புகளைப் போலல்லாமல் இந்த அமைப்பு மரபணுவில் குறியாக்கம் செய்யப்பட்டுள்ளது, பயிற்சியளிக்கப்பட்ட மூளையின் கட்டமைப்பை உள்ளார்ந்த சேமிக்கப்பட்ட மாதிரியிலிருந்து மீண்டும் உருவாக்க முடியாது. கவர்ச்சிகரமான விஷயம் என்னவென்றால், பெருகிய முறையில் சிக்கலான ஆழமான நெட்வொர்க்குகளின் வளர்ச்சியின் மூலம் ஒப்புமைகளால் எழும் அதே கற்றல் வழிமுறைகள் பெருகிய முறையில் சிக்கலான பணிகளைச் செய்கின்றன.

கலவை கட்டமைப்புகள் பார்ப்பது கடினம், ஆனால் எல்லா இடங்களிலும்

ஒரு குறிக்கோளாக, ஆசிரியர்கள் கூட இலக்கை அடைவதற்கான முதல் பணி ஒரு தொகுப்புக் கட்டமைப்பைக் கொண்டிருப்பதை அங்கீகரிக்கவில்லை என்பது விந்தையானது.

துகள் அடையும் பணிகள் எளிமையான காட்சியில் பொதுமைப்படுத்தலில் உள்ள சவால்களை நேர்த்தியாக நிரூபிக்கின்றன. இருப்பினும், பணிகள் ஒரு தொகுப்புக் கட்டமைப்பைப் பகிர்ந்து கொள்ளாது, இது புதிய பணிகளுக்கு பொதுமைப்படுத்துதலின் மதிப்பீட்டை சவாலாக ஆக்குகிறது.

கட்டமைப்பு உண்மையில் தொகுதி அடுக்கி வைப்பதை விட குறைந்த மட்டத்தில் இருந்தாலும், சோதனை கையாளுதலுக்கு உடனடியாக அணுகமுடியாது என்றாலும், பணி உண்மையில் பகிரப்பட்ட கட்டமைப்பால் ஆனது. உலகை ஒரு விமானத்திற்கு தோராயமாக மதிப்பிடுவது, ஒரு அமைப்பு அமைப்பு என்னவென்றால், க்யூப் அடையாளம் (நிறம்) மொழிபெயர்ப்புடன் பாதுகாக்கப்படுகிறது, மேலும் ஏ-அல்லது ஒரு சீரற்ற தொடக்க நிலையில் இருந்து- நிலையில் (Xa1, Ya1) B ஐ நிலைக்குத் தடுக்க (Xb1, Yb2) ) தொகுதி A இல் இருந்து (Xa2, Ya2) B ஐ நிலையில் (Xb2, Yb2) தடுப்பதை விட அதே உயர் வரிசை அமைப்பு கட்டமைப்பின் ஒரு பகுதியாகும்.

நெட்வொர்க்குகள் இடையே இடைமுகங்கள்

பல்வேறு நிலைகளில் சுருக்கங்களுக்கு உள்ளீடுகளுக்கு சிகிச்சையளிக்கக்கூடிய நரம்பியல் நெட்வொர்க்குகளின் செயல்பாட்டிற்கு இடைமுகங்கள் தேவைப்படும், ஒரு டொமைன் கண்டுபிடிப்பதற்கு எஞ்சியிருக்கும் என்று நான் நம்புகிறேன். அந்த இடைமுகங்கள் ஏராளமான இயல்புடையவை. கட்டுரையில் நிரூபிக்கப்பட்டுள்ளபடி, அவை இரண்டு நெட்வொர்க்குகளுக்கு இடையில் ஒரு பொதுவான மொழியாகக் காணப்படலாம், ஒரு கவனக்குறை அமைப்பு (ஆர்ப்பாட்டம் நெட்வொர்க்) கொண்ட ஒரு கீழ் நிலை நெட்வொர்க் மற்றொரு நெட்வொர்க்கில் (சூழல் நெட்வொர்க்) பயன்படுத்தக்கூடிய ஒரு பிரதிநிதித்துவத்தில் ஒரு ஆர்ப்பாட்டத்தை மொழிபெயர்க்கலாம். ஆர்ப்பாட்டத்தின் நீளம் அல்லது ஆரம்ப உள்ளமைவு எதுவாக இருந்தாலும் அதை இயக்க.

இந்த மொழியின் மேற்பரப்பு இங்கே ஒரு விமானம், அளவு சரி செய்யப்பட்டது, ஆனால் பிணையத்திற்கு இடையிலான தகவல்தொடர்புகளை மேம்படுத்தக்கூடிய சாத்தியமான மாற்றங்களை ஒருவர் கற்பனை செய்யலாம். எடுத்துக்காட்டாக, கற்றலின் போது நெட்வொர்க்குகள் தொடர்பு கொள்ளும்போது மேற்பரப்பின் அளவு வளர அல்லது சுருங்கச் செய்ய முடியும், எனவே மொழி சிக்கலை சுருக்கவும் அல்லது நீட்டிக்கவும் முடியும். எடுத்துக்காட்டாக, பின்னூட்டத்தின் மூலம் மேலும் ஆற்றல்மிக்க தொடர்புகளை நாம் கற்பனை செய்யலாம். நெட்வொர்க்குகளுக்கிடையேயான தகவல்தொடர்புகளை மென்மையாக்கக் கற்றுக் கொள்ளும் ஃபெசிலேட்டர் நெட்வொர்க்குகள் இருப்பதை நாம் கற்பனை செய்து பார்க்க முடியும், இது ஒரு இணையான நெட்வொர்க்காக உள்ளது, இது இரண்டாவது பிணையத்தின் உள்ளீடு மற்றும் வெளியீட்டின் அடிப்படையில் முதல் நெட்வொர்க்கின் உள்ளீட்டை மாற்றியமைக்க கற்றுக்கொள்கிறது. டானிக் (மெதுவாக மாறுபடும்) பல சிறப்பு நெட்வொர்க்குகளுக்கு வருகை தரும் சிக்கலான சூழல் நெட்வொர்க்குகளை நாம் கற்பனை செய்து பார்க்க முடியும்… எதிர்கால ஆராய்ச்சியின் கவர்ச்சிகரமான பகுதி!

தோல்விகள் வழக்குகள் புதிய தொகுதிகள் கொண்டிருக்கக்கூடிய பாத்திரங்களைக் குறிக்கின்றன

பிழைகள் பெரும்பாலும் மோட்டார் தவறுகளால் ஏற்படுகின்றன என்பதையும், பணியின் சிக்கலுடன் தவறுகளின் எண்ணிக்கை அதிகரிக்கிறது என்பதையும் கவனத்தில் கொள்ள வேண்டும்.

இலக்குகளின் எண்ணிக்கையை அதிகரிப்பதன் மூலம் மட்டுமே மோட்டார் செயல்பாடு மோசமடையக்கூடாது, இது இனப்பெருக்கம் நெட்வொர்க் மோட்டார் நெட்வொர்க்குடன் பேசக் கற்றுக் கொள்ளும் விதம் மிகவும் சுருக்கமானது என்பதற்கு இது ஒரு வலுவான சான்று. இது விசித்திரமானது, ஏனென்றால் சூழல் நெட்வொர்க் மற்றும் மோட்டார் நெட்வொர்க்கிற்கு இடையிலான இடைமுகம் ஒப்பீட்டளவில் கான்கிரீட் (ரோபோவின் நிலை, இலக்கின் நிலை) என்பதை அவர்களின் சோதனை காட்டுகிறது என்று அவர்கள் கூறுகிறார்கள்.

சாத்தியமான தீர்வு, இது ஒரு மட்டு கட்டமைப்பு என்பதால், வெவ்வேறு இழப்பு செயல்பாடுகளைப் பயன்படுத்துவது அல்லது பணியின் ஒவ்வொரு குறிப்பிட்ட அம்சத்தையும் குறிக்கும் மட்டு இழப்பு செயல்பாடுகள். ஆர்ப்பாட்டம் மற்றும் சூழல் நெட்வொர்க் மோட்டார் கட்டளையை மோசமாக்காமல் சுருக்கமாக இருக்க முடியும் என்பதை உறுதிப்படுத்த மூளைக்கு முந்தைய மோட்டார் பகுதிகளுக்கு சமமானதாக இது உதவும். சிறந்த மோட்டார் கட்டளையைத் தேர்ந்தெடுப்பதற்கு, இலக்கை (சுருக்க நெட்வொர்க்குகளிலிருந்து) மற்றும் உணர்ச்சி உள்ளீடுகளின் அடிப்படையில் பொருள்களை சிறப்பாக மொழிபெயர்க்க பிரீமோட்டர் பகுதிகள் அவசியம். சூழல் நெட்வொர்க் ஆர்ப்பாட்டத்தை உயர் மட்ட உட்பொதிப்புக்கு மாற்றவும், தற்போதைய சூழலில் ஒரே நேரத்தில் மோட்டார் செயலைத் தயாரிக்கவும் முயற்சிக்கிறது. மோட்டார் கணினியுடன் ஒரு குறிக்கோள் சார்ந்த மற்றும் தகவமைப்பு முறையில் தொடர்புகொள்வதைக் கற்றுக்கொள்வதே மோட்டார்-முன் நெட்வொர்க்கின் பங்கு, மோட்டார் கற்றல் மற்றும் வேகமான தழுவலுக்கான பிரீமோட்டரின் செயல்பாடுகள் மற்றும் சிறுமூளை ஆகிய இரண்டையும் இணைக்கிறது.

ஒரு சுவாரஸ்யமான கோட்பாடு உள்ளது, மொராவெக்கின் முரண்பாடு, இது உயர் மட்ட அறிவாற்றலாக இருக்காது, இது கணக்கீட்டு வரி விதிக்கப்படும், ஆனால் உணர்ச்சி உள்ளீடுகள் மற்றும் மோட்டார் அமைப்புகளின் வெளியீடுகளின் சிகிச்சை. இது மோட்டார் செயல்பாட்டை தகவமைப்புடன் கட்டுப்படுத்த நமது சிறுமூளையில் (நமது மூளையின் மற்ற பகுதிகளை விட) அதிக அளவு நியூரான்களுக்கு காரணமாக இருக்கலாம். கட்டுப்பாடற்ற சத்தமில்லாத சூழலில் சிக்கலான பணியைச் செய்வதற்கு எங்கள் சொந்த அறிவை ஒரு இயந்திரத்தில் உட்பொதிக்க முடியும் என்று நாங்கள் இன்னும் நம்பியிருந்த காலத்தில் (80 களில்) இந்த முரண்பாடு உருவாக்கப்பட்டது. நிச்சயமாக இந்த முரண்பாடு எப்படியாவது இயந்திரம் ஒரு தனித்துவமான மாநிலங்களில் உலகைப் பிரதிநிதித்துவப்படுத்த முடிந்தால், அதன் மீது உயர் மட்ட செயல்பாட்டை உருவாக்குவது எளிதாக இருக்கும். ஆனால் இரண்டுமே மிகவும் வரிவிதிப்பு என்பதை நிரூபிக்கும் என்று நான் நம்புகிறேன், மேலும் நெட்வொர்க்குகளுக்கு இடையிலான இடைமுகத்தில் பயன்படுத்தப்படும் உள் பிரதிநிதித்துவம் நம்முடைய சொந்த நனவான பிரதிநிதித்துவங்களை ஒத்த எதையும் விட வெகு தொலைவில் இருக்கும்.

முடிவுரை

சிக்கலின் ஒரு குறிப்பிட்ட சிகிச்சையின் பொறுப்பான ஒவ்வொன்றும் வெவ்வேறு நரம்பியல் நெட்வொர்க்குகளை இணைப்பதன் மூலம், இந்த கட்டுரை இயல்பாகவே பொதுமைப்படுத்தல் தேவைப்படும் ஒரு பணியை உருவாக்குவதன் மூலமும், டொமைன் ரேண்டமைசேஷன் மூலம் பொருத்தமான கற்றல் சூழலை உருவாக்குவதன் மூலமும், நினைவகத்திற்கான அணுகல் மற்றும் ஒரு நரம்பியல் நெட்வொர்க் கவனத்தை அமைப்பு எளிய இனப்பெருக்கத்திற்கு அப்பால் பொதுமைப்படுத்த கற்றுக்கொள்ளலாம். தகவலின் காட்சி ஸ்ட்ரீமில் ஒரு முறை மட்டுமே நிரூபிக்கப்பட்ட ஒரு உயர் வரிசை இலக்கைக் கண்டறிய இது கற்றுக் கொள்ளலாம், மேலும் அந்த இலக்கை வேறு சூழலில் இனப்பெருக்கம் செய்யக்கூடிய பொருத்தமான செயல்களை மீட்டெடுக்க பொதுவான இடத்தில் கணக்கீடு செய்கிறது.

எதிர்காலத்தில், சிக்கலான பணிகளைப் பொதுமைப்படுத்தக் கற்றுக் கொள்ளக்கூடிய அணு கட்டுமானத் தொகுதிகள் மீது கட்டமைக்கப்பட்ட கட்டமைப்புகளின் சிக்கலான தன்மையைக் காண்போம், ஆனால் மிக முக்கியமாக இதுபோன்ற பல பணிகளை, புதிய சூழல்களில், உள்ளீடுகளின் முன் செயலாக்கம் போன்ற கடின குறியீட்டு முறைகளில் குறைந்த நம்பகத்தன்மையுடன் அல்லது நினைவக சேமிப்பு. நினைவக சேமிப்பகம் நினைவக நெட்வொர்க் முழுவதும் விநியோகிக்கப்பட்ட பிரதிநிதித்துவங்களால் மாற்றப்படும், கவனம் செலுத்தும் அமைப்புகள் நிகழ்நேர கவனம் நெட்வொர்க்குகளில் சுழற்சி செயல்பாடுகளால் மாற்றப்படும். எம்போடிட் சிஸ்டத்தில் விநியோகிக்கப்பட்ட கம்ப்யூட்டிங்கில் நாம் அதிகரித்த நம்பகத்தன்மைக்கு ஒரு வலுவான சீரியல் தொழில்நுட்பத்தை (டூரிங் மெஷின்கள்) எவ்வாறு மாற்றியமைக்க முடியும் என்பது கேள்வி.