AI அறிவியல் ஆராய்ச்சி: இயந்திர கற்றலின் உண்மையான நோக்கம்

• ஆசிரியர் பற்றி:
• ஆசிரியர் பெயர்

  குவாண்டம்ரன் தொலைநோக்கு
• 11 மே, 2023

கருதுகோள்களை உருவாக்குவது பாரம்பரியமாக மனித நடவடிக்கையாக மட்டுமே கருதப்படுகிறது, ஏனெனில் அதற்கு படைப்பாற்றல், உள்ளுணர்வு மற்றும் விமர்சன சிந்தனை தேவைப்படுகிறது. இருப்பினும், தொழில்நுட்ப முன்னேற்றங்களுடன், விஞ்ஞானிகள் புதுமையான கண்டுபிடிப்புகளை உருவாக்க இயந்திர கற்றலுக்கு (ML) அதிகளவில் திரும்புகின்றனர். அல்காரிதம்கள் பெரிய அளவிலான தரவை விரைவாக பகுப்பாய்வு செய்து, மனிதர்களால் பார்க்க முடியாத வடிவங்களை அடையாளம் காண முடியும்.

சூழல்

மனித முன்முடிவுகளைப் பொறுத்து அல்லாமல், ஆராய்ச்சியாளர்கள் மனித மூளையால் ஈர்க்கப்பட்ட வடிவமைப்பைக் கொண்டு நியூரல் நெட்வொர்க் எம்எல் அல்காரிதம்களை உருவாக்கியுள்ளனர், இது தரவு வடிவங்களின் அடிப்படையில் புதிய கருதுகோள்களை பரிந்துரைக்கிறது. இதன் விளைவாக, விஞ்ஞான கண்டுபிடிப்பை விரைவுபடுத்தவும் மனித சார்புகளைக் குறைக்கவும் பல பகுதிகள் விரைவில் ML க்கு மாறக்கூடும். ஆய்வு செய்யப்படாத பேட்டரி பொருட்களின் விஷயத்தில், விஞ்ஞானிகள் பாரம்பரியமாக தரவுத்தள தேடல் நுட்பங்கள், மாடலிங் மற்றும் அவற்றின் வேதியியல் உணர்வை நம்பியிருக்கிறார்கள். UK-ஐ தளமாகக் கொண்ட லிவர்பூல் பல்கலைக்கழகத்தின் ஒரு குழு, படைப்பு செயல்முறையை எளிதாக்குவதற்கு ML ஐப் பயன்படுத்தியது. 

முதலாவதாக, ஆராய்ச்சியாளர்கள் ஒரு நரம்பியல் வலையமைப்பை உருவாக்கினர், இது ஒரு மதிப்புமிக்க புதிய பொருளை உற்பத்தி செய்வதற்கான சாத்தியக்கூறுகளின் அடிப்படையில் இரசாயன சேர்க்கைகளுக்கு முன்னுரிமை அளித்தது. விஞ்ஞானிகள் தங்கள் ஆய்வக ஆய்வுகளுக்கு வழிகாட்ட இந்த தரவரிசைகளைப் பயன்படுத்தினர். இதன் விளைவாக, அவர்கள் தங்கள் பட்டியலில் உள்ள அனைத்தையும் சோதிக்காமல் நான்கு சாத்தியமான பேட்டரி பொருள் தேர்வுகளைக் கண்டறிந்தனர், பல மாதங்கள் சோதனை மற்றும் பிழையைத் தவிர்த்துவிட்டனர். ML ஆராய்ச்சிக்கு உதவும் ஒரே துறை புதிய பொருட்கள் அல்ல. மேலும் குறிப்பிடத்தக்க தொழில்நுட்ப மற்றும் தத்துவார்த்த கவலைகளை தீர்க்க ஆராய்ச்சியாளர்கள் நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்துகின்றனர். எடுத்துக்காட்டாக, சூரிச்சின் இன்ஸ்டிடியூட் ஃபார் கோட்பாட்டு இயற்பியலில் உள்ள இயற்பியலாளர் ரெனாடோ ரென்னர், ML ஐப் பயன்படுத்தி உலகம் எவ்வாறு செயல்படுகிறது என்பதற்கான ஒருங்கிணைந்த விளக்கத்தை உருவாக்க நம்புகிறார். 

கூடுதலாக, OpenAI இன் ChatGPT போன்ற அதிநவீன ஜெனரேட்டிவ் AI மாதிரிகள் ஆராய்ச்சியாளர்களை தானாகவே புதிய தரவு, மாதிரிகள் மற்றும் கருதுகோள்களை உருவாக்க அனுமதிக்கின்றன. ஜெனரேட்டிவ் அட்வர்ஸரியல் நெட்வொர்க்குகள் (ஜிஏஎன்), மாறுபாடு தன்னியக்க குறியாக்கிகள் (விஏஇ) மற்றும் மின்மாற்றி அடிப்படையிலான மொழி மாதிரிகள் (ஜெனரேட்டிவ் முன் பயிற்சி பெற்ற டிரான்ஸ்ஃபார்மர்-3 அல்லது ஜிபிடி-3 போன்றவை) போன்ற நுட்பங்கள் மூலம் இந்த சாதனை அடையப்படுகிறது. இந்த AI மாதிரிகள் செயற்கை தரவுத் தொகுப்புகளை உருவாக்கவும், புதிய ML கட்டமைப்புகளை வடிவமைக்கவும், மேம்படுத்தவும், மேலும் புதிய அறிவியல் கருதுகோள்களை உருவாக்கவும் பயன்படுத்தப்படலாம்.

சீர்குலைக்கும் தாக்கம்

விஞ்ஞானிகள் ஆராய்ச்சிக்கு உதவும் வகையில் உருவாக்கும் AI ஐ அதிகளவில் பயன்படுத்தலாம். வடிவங்களை பகுப்பாய்வு செய்து, அந்த அறிவின் அடிப்படையில் விளைவுகளை கணிக்கும் திறனுடன், இந்த மாதிரிகள் மனிதகுலத்தால் தீர்க்கப்படாத சிக்கலான அறிவியலின் கோட்பாடுகளை தீர்க்கக்கூடும். இது நேரத்தையும் பணத்தையும் மிச்சப்படுத்துவது மட்டுமல்லாமல், அறிவியலைப் பற்றிய மனித புரிதலை அதன் தற்போதைய எல்லைகளுக்கு அப்பால் நீட்டிக்க உதவும். 

ஒரு ஆராய்ச்சி மற்றும் மேம்பாடு (R&D) முயற்சியானது, ML ஆனது தரவை விரைவாகச் செயலாக்க முடியும் என்பதால், பொருத்தமான நிதியைச் சேகரிப்பது எளிதாக இருக்கும். இதன் விளைவாக, விஞ்ஞானிகள் புதிய ஊழியர்களை பணியமர்த்துவதன் மூலமோ அல்லது நன்கு அறியப்பட்ட வணிகங்கள் மற்றும் நிறுவனங்களுடன் இணைந்து சிறந்த முடிவுகளைத் தருவதன் மூலமோ அதிக உதவியை நாடுவார்கள். இந்த ஆர்வத்தின் ஒட்டுமொத்த தாக்கம், அறிவியல் முன்னேற்றங்களுக்கு மட்டுமல்ல, அறிவியல் துறைகளில் உள்ள நிபுணர்களுக்கும் சாதகமாக இருக்கும். 

இருப்பினும், ஒரு சாத்தியமான சாலைத் தடை என்னவென்றால், இந்த தகவமைப்பு மாதிரிகளின் தீர்வுகள் மனிதர்களுக்குப் புரிந்துகொள்வதற்கு அடிக்கடி சவாலாக இருக்கின்றன, குறிப்பாக சம்பந்தப்பட்ட காரணங்களை. இயந்திரங்கள் பதில்களை மட்டுமே வழங்குவதாலும், தீர்வுக்கான காரணத்தை விளக்காததாலும், விஞ்ஞானிகள் செயல்முறை மற்றும் முடிவு குறித்து நிச்சயமற்றவர்களாக இருக்கலாம். இந்த தெளிவின்மை முடிவுகளில் நம்பிக்கையை பலவீனப்படுத்துகிறது மற்றும் பகுப்பாய்வுக்கு உதவும் நரம்பியல் நெட்வொர்க்குகளின் எண்ணிக்கையை குறைக்கிறது. எனவே, ஆராய்ச்சியாளர்கள் தன்னை விளக்கக்கூடிய மாதிரியை உருவாக்குவது அவசியம்.

AI அறிவியல் ஆராய்ச்சியின் தாக்கங்கள்

AI அறிவியல் ஆராய்ச்சியின் பரந்த தாக்கங்கள் பின்வருமாறு:

• AI க்கு அறிவுசார் சொத்துக் கடன் வழங்குவது உட்பட, ஆய்வுக் கட்டுரைகளுக்கான ஆசிரியர் தரநிலைகளில் மாற்றங்கள். இதேபோல், AI அமைப்புகள் ஒரு நாள் சாத்தியமான நோபல் பரிசு பெறுபவர்களாக வழங்கப்படுகின்றன, இந்த வழிமுறைகள் கண்டுபிடிப்பாளர்களாக அங்கீகரிக்கப்பட வேண்டுமா என்பதில் தீவிர விவாதங்களை ஏற்படுத்தும்.
• AI-உருவாக்கப்பட்ட ஆராய்ச்சி, புதிய வகையான பொறுப்புகளுக்கு வழிவகுக்கும் மற்றும் அறிவியல் கண்டுபிடிப்புகளில் AI மற்றும் தன்னாட்சி அமைப்புகளைப் பயன்படுத்துவது தொடர்பான சட்ட மற்றும் நெறிமுறை கேள்விகளுக்கு வழிவகுக்கும்.
• மருத்துவ முன்னேற்றங்கள் மற்றும் சோதனைகளை விரைவாகக் கண்காணிக்க விஞ்ஞானிகள் பல்வேறு உருவாக்கும் AI கருவிகளுடன் பணிபுரிகின்றனர்.
• இந்த விரிவான அல்காரிதம்களை இயக்குவதற்கு தேவையான உயர் கணினி சக்தியால் ஏற்படும் ஆற்றல் பயன்பாடு அதிகரிக்கும்.
• எதிர்கால விஞ்ஞானிகள் தங்கள் பணிப்பாய்வுகளில் AI மற்றும் பிற ML கருவிகளைப் பயன்படுத்த பயிற்றுவிக்கப்படுகிறார்கள்.
• AI-உருவாக்கப்பட்ட அறிவியல் சோதனைகளை நடத்துவதற்கான வரம்புகள் மற்றும் தேவைகள் குறித்து அரசாங்கங்கள் உலகளாவிய தரநிலைகளை உருவாக்குகின்றன.

கருத்தில் கொள்ள வேண்டிய கேள்விகள்

• நீங்கள் ஒரு விஞ்ஞானி என்றால், AI-உதவி ஆராய்ச்சியை இணைக்க உங்கள் நிறுவனம் அல்லது ஆய்வகம் எவ்வாறு திட்டமிடுகிறது?
• AI-உருவாக்கப்பட்ட ஆராய்ச்சி விஞ்ஞானிகள் மற்றும் ஆராய்ச்சியாளர்களுக்கான வேலைச் சந்தையை எவ்வாறு பாதிக்கும் என்று நீங்கள் நினைக்கிறீர்கள்?