এআই বৈজ্ঞানিক গবেষণা: মেশিন লার্নিং এর আসল উদ্দেশ্য

ইমেজ ক্রেডিট:
চিত্র ক্রেডিট
iStock

এআই বৈজ্ঞানিক গবেষণা: মেশিন লার্নিং এর আসল উদ্দেশ্য

এআই বৈজ্ঞানিক গবেষণা: মেশিন লার্নিং এর আসল উদ্দেশ্য

উপশিরোনাম পাঠ্য
গবেষকরা বিপুল পরিমাণ ডেটা মূল্যায়ন করার জন্য কৃত্রিম বুদ্ধিমত্তার ক্ষমতা পরীক্ষা করছেন যা যুগান্তকারী আবিষ্কারের দিকে পরিচালিত করতে পারে।
    • লেখক:
    • লেখকের নাম
      কোয়ান্টামরুন দূরদর্শিতা
    • 11 পারে, 2023

    হাইপোথিসিস তৈরি করাকে ঐতিহ্যগতভাবে এককভাবে মানুষের ক্রিয়াকলাপ হিসেবে বিবেচনা করা হয়েছে, কারণ এর জন্য প্রয়োজন সৃজনশীলতা, অন্তর্দৃষ্টি এবং সমালোচনামূলক চিন্তাভাবনা। যাইহোক, প্রযুক্তিগত অগ্রগতির সাথে, বিজ্ঞানীরা ক্রমবর্ধমানভাবে নতুন আবিষ্কার তৈরি করতে মেশিন লার্নিং (ML) এর দিকে ঝুঁকছেন। অ্যালগরিদমগুলি প্রচুর পরিমাণে ডেটা দ্রুত বিশ্লেষণ করতে পারে এবং এমন প্যাটার্নগুলি সনাক্ত করতে পারে যা মানুষ দেখতে সক্ষম নাও হতে পারে৷

    প্রসঙ্গ

    মানুষের পূর্ব ধারণার উপর নির্ভর করার পরিবর্তে, গবেষকরা মানব মস্তিষ্কের দ্বারা অনুপ্রাণিত একটি ডিজাইনের সাথে নিউরাল নেটওয়ার্ক এমএল অ্যালগরিদম তৈরি করেছেন, ডেটা প্যাটার্নের উপর ভিত্তি করে নতুন অনুমানের পরামর্শ দিয়েছেন। ফলস্বরূপ, অনেক ক্ষেত্র শীঘ্রই বৈজ্ঞানিক আবিষ্কারকে ত্বরান্বিত করতে এবং মানুষের পক্ষপাত কমাতে ML-এ পরিণত হতে পারে। অনাবিষ্কৃত ব্যাটারি সামগ্রীর ক্ষেত্রে, বিজ্ঞানীরা ঐতিহ্যগতভাবে ডাটাবেস অনুসন্ধান কৌশল, মডেলিং এবং তাদের রাসায়নিক জ্ঞানের উপর নির্ভর করে কার্যকর অণু সনাক্ত করতে। ইউকে-ভিত্তিক ইউনিভার্সিটি অফ লিভারপুল থেকে একটি দল সৃজনশীল প্রক্রিয়াটিকে সহজ করার জন্য এমএল নিযুক্ত করেছে। 

    প্রথমত, গবেষকরা একটি নিউরাল নেটওয়ার্ক তৈরি করেছেন যা একটি মূল্যবান নতুন উপাদান তৈরির সম্ভাবনার উপর ভিত্তি করে রাসায়নিক সংমিশ্রণকে অগ্রাধিকার দেয়। বিজ্ঞানীরা তখন তাদের ল্যাবরেটরি অধ্যয়ন পরিচালনার জন্য এই র‌্যাঙ্কিংগুলি ব্যবহার করেছিলেন। ফলস্বরূপ, তারা তাদের তালিকার সবকিছু পরীক্ষা না করেই চারটি কার্যকর ব্যাটারি উপাদানের পছন্দ খুঁজে পেয়েছে, তাদের কয়েক মাস ট্রায়াল এবং ত্রুটি বাচিয়েছে। নতুন উপকরণ একমাত্র ক্ষেত্র নয় যেখানে এমএল গবেষণায় সহায়তা করতে পারে। গবেষকরা আরও উল্লেখযোগ্য প্রযুক্তিগত এবং তাত্ত্বিক উদ্বেগগুলি সমাধান করতে নিউরাল নেটওয়ার্কগুলি ব্যবহার করেন। উদাহরণস্বরূপ, জুরিখের তাত্ত্বিক পদার্থবিদ্যার ইনস্টিটিউটের একজন পদার্থবিদ, রেনাটো রেনার, এমএল ব্যবহার করে বিশ্ব কীভাবে কাজ করে তার একটি সমন্বিত ব্যাখ্যা বিকাশের আশা করছেন। 

    উপরন্তু, ওপেনএআই-এর চ্যাটজিপিটি-এর মতো আরও পরিশীলিত জেনারেটিভ এআই মডেলগুলি গবেষকদের স্বয়ংক্রিয়ভাবে নতুন ডেটা, মডেল এবং অনুমান তৈরি করতে দেয়। এই কৃতিত্বটি জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (GANs), ভেরিয়েশনাল অটোএনকোডার (VAEs), এবং ট্রান্সফরমার-ভিত্তিক ভাষা মডেলের (যেমন জেনারেটিভ প্রি-ট্রেনড ট্রান্সফরমার-3 বা GPT-3) এর মতো কৌশলগুলির মাধ্যমে অর্জন করা হয়। এই এআই মডেলগুলি সিন্থেটিক ডেটা সেট তৈরি করতে, নতুন এমএল আর্কিটেকচার ডিজাইন এবং অপ্টিমাইজ করতে এবং ডেটাতে প্যাটার্ন এবং সম্পর্ক সনাক্ত করে নতুন বৈজ্ঞানিক অনুমান বিকাশ করতে ব্যবহার করা যেতে পারে যা আগে অজানা ছিল।

    বিঘ্নিত প্রভাব

    বিজ্ঞানীরা গবেষণায় সহায়তা করার জন্য ক্রমবর্ধমান জেনারেটিভ এআই ব্যবহার করতে পারেন। সেই জ্ঞানের উপর ভিত্তি করে প্যাটার্ন বিশ্লেষণ এবং ফলাফলের ভবিষ্যদ্বাণী করার ক্ষমতা সহ, এই মডেলগুলি বিজ্ঞানের জটিল তত্ত্বগুলি সমাধান করতে পারে যা মানবজাতির দ্বারা অমীমাংসিত রয়ে গেছে। এটি কেবল সময় এবং অর্থ সাশ্রয় করবে না, তবে এটি বিজ্ঞান সম্পর্কে মানুষের উপলব্ধিকে তার বর্তমান সীমানা ছাড়িয়ে যেতে সহায়তা করবে। 

    একটি রিসার্চ অ্যান্ড ডেভেলপমেন্ট (R&D) উদ্যোগ সম্ভবত উপযুক্ত তহবিল সংগ্রহ করা সহজ করবে কারণ ML ডেটা দ্রুত প্রক্রিয়া করতে পারে। ফলস্বরূপ, বিজ্ঞানীরা নতুন কর্মচারী নিয়োগ করে বা সুপরিচিত ব্যবসা এবং কোম্পানিগুলির সাথে সহযোগিতা করে আরও ভাল ফলাফল তৈরি করার জন্য আরও সহায়তা চাইবেন। এই আগ্রহের সামগ্রিক প্রভাব ইতিবাচক হবে, শুধু বৈজ্ঞানিক অগ্রগতির জন্য নয়, বৈজ্ঞানিক ক্ষেত্রের পেশাদারদের জন্যও। 

    যাইহোক, একটি সম্ভাব্য রোডব্লক হ'ল এই অভিযোজিত মডেলগুলির সমাধানগুলি মানুষের পক্ষে উপলব্ধি করা প্রায়শই চ্যালেঞ্জিং, বিশেষত যুক্ত যুক্তি। মেশিনগুলি শুধুমাত্র উত্তর দেয় এবং সমাধানের পিছনে কারণ ব্যাখ্যা না করার কারণে, বিজ্ঞানীরা প্রক্রিয়া এবং উপসংহার সম্পর্কে অনিশ্চিত থাকতে পারেন। এই অস্পষ্টতা ফলাফলে আত্মবিশ্বাসকে দুর্বল করে এবং বিশ্লেষণে সাহায্য করতে পারে এমন নিউরাল নেটওয়ার্কের সংখ্যা হ্রাস করে। অতএব, গবেষকদের জন্য এমন একটি মডেল তৈরি করা প্রয়োজন যা নিজেকে ব্যাখ্যা করতে পারে।

    এআই বৈজ্ঞানিক গবেষণার প্রভাব

    AI বৈজ্ঞানিক গবেষণার বিস্তৃত প্রভাব অন্তর্ভুক্ত হতে পারে:

    • AI কে মেধা সম্পত্তি ক্রেডিট প্রদান সহ গবেষণা পত্রগুলির জন্য লেখকের মানগুলির পরিবর্তন৷ একইভাবে, এআই সিস্টেমগুলিকে একদিন সম্ভাব্য নোবেল পুরস্কার প্রাপক হিসাবে ভূষিত করা হবে, যা এই অ্যালগরিদমগুলিকে উদ্ভাবক হিসাবে স্বীকার করা উচিত কিনা তা নিয়ে তীব্র বিতর্ক সৃষ্টি করতে পারে।
    • এআই-উত্পাদিত গবেষণা বৈজ্ঞানিক আবিষ্কারগুলিতে এআই এবং স্বায়ত্তশাসিত সিস্টেমগুলি ব্যবহার করার সাথে সম্পর্কিত দায়বদ্ধতার নতুন ফর্ম এবং আরও আইনি এবং নৈতিক প্রশ্নগুলির দিকে পরিচালিত করতে পারে।
    • বিজ্ঞানীরা চিকিৎসা উন্নয়ন এবং পরীক্ষা দ্রুত-ট্র্যাক করার জন্য বিভিন্ন জেনারেটিভ এআই সরঞ্জামগুলির সাথে কাজ করছেন।
    • এই বিস্তৃত অ্যালগরিদমগুলি চালানোর জন্য প্রয়োজনীয় উচ্চ কম্পিউটিং শক্তির কারণে শক্তির ব্যবহার বৃদ্ধি।
    • ভবিষ্যত বিজ্ঞানীরা তাদের কর্মপ্রবাহে AI এবং অন্যান্য ML টুল ব্যবহার করার জন্য প্রশিক্ষিত।
    • সরকারগুলি এআই-উত্পন্ন বৈজ্ঞানিক পরীক্ষা-নিরীক্ষা পরিচালনার সীমাবদ্ধতা এবং প্রয়োজনীয়তার উপর বিশ্বব্যাপী মান তৈরি করে।

    বিবেচনা করার প্রশ্ন

    • আপনি যদি একজন বিজ্ঞানী হন, তাহলে আপনার প্রতিষ্ঠান বা পরীক্ষাগার কীভাবে এআই-সহায়ক গবেষণাকে অন্তর্ভুক্ত করার পরিকল্পনা করছে?
    • আপনি কীভাবে এআই-উত্পন্ন গবেষণা বিজ্ঞানী এবং গবেষকদের চাকরির বাজারে প্রভাব ফেলবে বলে মনে করেন?

    অন্তর্দৃষ্টি রেফারেন্স

    এই অন্তর্দৃষ্টির জন্য নিম্নলিখিত জনপ্রিয় এবং প্রাতিষ্ঠানিক লিঙ্কগুলি উল্লেখ করা হয়েছে: