MIT မှ သုတေသီများသည် ပုံမှန်လိုအပ်သော ဒေတာအပိုင်းအစကို အသုံးပြု၍ လျင်မြန်ပြီး လိုက်လျောညီထွေ လိုက်လျောညီထွေ လိုက်လျောညီထွေ လိုက်လျောညီထွေ လိုက်လျောညီထွေ လိုက်လျောညီထွေ လိုက်လျောညီထွေရှိသော AI ရာသီဥတုပုံစံများကို ထုတ်လုပ်သည့် လေ့ကျင့်ရေးနည်းပညာကို တီထွင်ခဲ့ပြီး၊ အဆိုပါကိရိယာများ၏ ထုတ်လုပ်မှုအချိန်ကို လများ သို့မဟုတ် နှစ်များအထိ လျှော့ချနိုင်သည်ဟု ၎င်းတို့က ပြောဆိုခဲ့သည်။ သုတေသနကို ယခုအပတ်တွင် Proceedings of the National Academy of Sciences တွင် တွေ့ရပါသည်။
မေးခွန်းထုတ်သည့် မော်ဒယ်များသည် ရာသီဥတု အတုယူစနစ်များဖြစ်သည်- အရွယ်အစားပြည့် မြေကြီးစနစ် မော်ဒယ်များ (ESMs) ၏ အပြုအမူကို အတုယူသည့် ကျစ်ကျစ်လျစ်လျစ်သော AI ကိုယ်စားပြုစနစ်များ။ ESM များသည် ရာသီဥတု သိပ္ပံ၏ လုပ်သားများဖြစ်သည် — သို့သော် အပူချိန်၊ မိုးရွာသွန်းမှုနှင့် ပင်လယ်ရေမျက်နှာပြင်သည် ဖန်လုံအိမ်ဓာတ်ငွေ့ထုတ်လွှတ်မှုကို မည်သို့တုံ့ပြန်မည်ကို ခန့်မှန်းသည့် ကြီးမားသော ရူပဗေဒအခြေခံ သရုပ်သကန်များဖြစ်သည် — သို့သော် အနာဂတ်တွင် စူပါကွန်ပြူတာအစုအဝေးတစ်ခုပေါ်တွင် အလုပ်လုပ်ရန် လပေါင်းများစွာ ကြာနိုင်သည်။ ဆန့်ကျင်ဘက်အားဖြင့် Emulator များသည် သိပ္ပံပညာရှင်များကို ထောင်ပေါင်းများစွာသော မြင်ကွင်းများကို စမ်းသပ်ခွင့်ပြုခြင်း၊ ဒေသဆိုင်ရာ အကျိုးသက်ရောက်မှုများနှင့် ညစ်ညမ်းစေသော အရာများကို စစ်ဆေးခြင်းနှင့် မူဝါဒဆိုင်ရာ စွက်ဖက်မှုများ၏ မျှော်လင့်မထားသော ရလဒ်များကို အလံပြခြင်းတို့ကို ခွင့်ပြုပါသည်။ သိပ္ပံပညာတွင် AI ၏ တိုးချဲ့မှုအခန်းကဏ္ဍကို ဆက်လက်ဖော်ပြရန်အတွက် ကျွန်ုပ်တို့၏ AI သုတေသနသတင်း ကို လိုက်နာပါ။
ပြဿနာ- လက်တွေ့ကျသော လေ့ကျင့်ရေးဒေတာသည် ပျက်စီးလွယ်သော မော်ဒယ်များကို ဖြစ်စေသည်။
သုတေသီများသည် ရာသီဥတု emulator တစ်ခုကို တည်ဆောက်သောအခါ၊ ၎င်းတို့သည် လက်တွေ့ကျသော လမ်းကြောင်းများကို လိုက်နာသည့် အနာဂတ် ဓာတ်ငွေ့ထုတ်လွှတ်မှု အခြေအနေ ခြောက်ခုမှ ရှစ်ခုအထိ လေ့ကျင့်ပေးကြသည်။ တစ်ခုချင်းစီကို ESM အပြည့်ဖြင့် လေ့ကျင့်မှုဒေတာထုတ်လုပ်ရန် လိုအပ်ပြီး dataset ထုတ်လုပ်မှုကို အကုန်အကျများပြီး နှေးကွေးစေသည်။ MIT အဖွဲ့သည် သိမ်မွေ့သောကျရှုံးမှုမုဒ်ကို ယခင်က ဖော်ထုတ်ခဲ့ဖူးသည်- လက်တွေ့ကျသော အခြေအနေများတွင် လေ့ကျင့်ထားသော emulator များသည် မရင်းနှီးသော သို့မဟုတ် ဆန်းသစ်သောအခြေအနေများကို ကြိုတင်ခန့်မှန်းရန် တောင်းဆိုသောအခါတွင် လုပ်ဆောင်နိုင်မှု နည်းပါးနိုင်သည် — မူဝါဒချမှတ်သူများသည် စူးစမ်းလေ့လာရန် ပိုမိုလိုအပ်သည့် အခြေအနေများဖြစ်သည်။
"ကျွန်ုပ်တို့၏ algorithm သည် လက်တွေ့ဆန်သော အနာဂတ်နှင့် မတွေ့ရသည့် ထူးဆန်းသော မြင်ကွင်းများကို ဖန်တီးနိုင်သော်လည်း၊ လေ့ကျင့်ရေး အခြေအနေများသည် လက်တွေ့ကျပါက ကျွန်ုပ်တို့ သိပ်ဂရုမစိုက်ပါဘူး" ဟု ယခုအခါ ETH Zurich မှ ဘွဲ့လွန် ဒေါက်တာ Christopher Womack PhD '26 မှ MIT News တွင် ရေးသားထားသည်။ "ကျွန်ုပ်တို့သည် emulator တစ်ခုကို လေ့ကျင့်ရန် အတတ်နိုင်ဆုံး dataset တစ်ခုကို ဖန်တီးရန် ကြိုးစားနေပါသည်။"
ESM ရှစ်ခုအစား One run
နည်းပညာအသစ်သည် ပုံမှန်ပိုက်လိုင်းကို ပြောင်းပြန်လှန်သည်။ လက်တွေ့ဆန်သော အခြေအနေများကို စုစည်းမည့်အစား၊ တိကျသော emulator ၏ ခန့်မှန်းမှုစွမ်းရည်ကို အမြင့်ဆုံးဖြစ်စေရန်အတွက် အံဝင်ခွင်ကျဖြစ်သော ပေါင်းစပ်ဖန်တီးထားသော ပေါင်းစပ်မှုဆိုင်ရာ အယ်လဂိုရီသမ်တစ်ခုက ထုတ်ပေးပါသည်။ လုပ်ငန်းစဉ်သည် လျင်မြန်ပြီး ရိုးရှင်းသော ရာသီဥတုပုံစံဖြင့် လည်ပတ်နေသည်၊ မြန်ဆန်သော၊ ရိုးရှင်းသော ရာသီဥတုပုံစံဖြင့် စတင်သည်၊ လုပ်ငန်းစဉ်သည် ESM ၏ရလဒ်များကို မည်မျှကောင်းမွန်စွာ ပြန်လည်ထုတ်လုပ်သည်ကို တိုင်းတာသည်၊ ထို့နောက် လေ့ကျင့်ရေးဒေတာကို ထပ်ခါတလဲလဲ အနှောက်အယှက်ဖြစ်စေသည် — 2050 ခုနှစ်တွင် CO2 ဓာတ်ငွေ့ထုတ်လွှတ်မှုကို သိသိသာသာ မြှင့်တင်ပေးသည်၊ သို့မဟုတ် 2037 တွင် မီသိန်းကို လျင်မြန်စွာဖြတ်တောက်နိုင်သည်— emulator ၏အောက်သို့ကျဆင်းသွားသည်အထိ
ထွက်ပေါ်လာသော ပေါင်းစပ်ဖြစ်ရပ်များသည် ချောမွေ့သော လက်တွေ့ကမ္ဘာ လမ်းကြောင်းများနှင့် မတူပါ။ "ဤကြိမ်နှုန်းမြင့်မားသော တုန်လှုပ်ချောက်ချားမှုများနှင့် တုန်ခါမှုများကို မိတ်ဆက်ပေးခြင်းဖြင့်၊ ကျွန်ုပ်တို့၏ဒေတာသည် emulator သည် စနစ်တစ်ခုလုံးနှင့်ပတ်သက်သော အချက်အလက်များစွာကို ပိုမိုထုတ်ယူနိုင်စေသည်" ဟု Womack မှ ပြောကြားခဲ့သည်။ လက်တွေ့ကျသော ပေးချေမှုမှာ များပြားသည်- ESM အပြည့်အစုံကို ခြောက်ကြိမ်မှ ရှစ်ကြိမ်အထိ လေ့ကျင့်မှုတစ်ခုတည်ဆောက်ရာတွင် အသုံးပြုသူတစ်ဦးသည် ယခုတစ်ကြိမ် ပြေးရန် လိုအပ်ပါသည်။
သမားရိုးကျ မော်ဒယ်များ စမ်းသပ်အောင်မြင်ခဲ့သည်။
သမားရိုးကျ emulator များသည် လိုက်လျောညီထွေမဖြစ်ဘဲ လေ့ကျင့်နေစဉ်အတွင်း မမြင်ဖူးသော အဖြစ်အပျက်များ၏ ရလဒ်များကို တိကျစွာ ခန့်မှန်းပေးသည့် emulator မှ ရလဒ်များကို သုတေသီများက အစီရင်ခံသည် ။ MIT News မှ မီးမောင်းထိုးပြထားသည့် စမ်းသပ်မှုတစ်ခုတွင်၊ ပေါင်းစပ်လေ့ကျင့်ထားသော emulator သည် အခြားထုတ်လွှတ်မှုများ ဆက်လက်မြင့်တက်နေချိန်တွင် ညစ်ညမ်းမှုတစ်ခုအား လျှော့ချပေးသည့် ဒေသတွင်းညစ်ညမ်းမှုထိန်းချုပ်ရေးမူဝါဒ၏ အကျိုးသက်ရောက်မှုများကို မှန်ကန်စွာဖမ်းယူခဲ့သည် — ၎င်းတို့အကဲဖြတ်ထားသည့် သမရိုးကျလေ့ကျင့်ထားသော emulator များ မအောင်မြင်သည့်ကိစ္စဖြစ်သည်။
"ရာသီဥတုအတုယူကိရိယာများသည် မူဝါဒနှင့်သက်ဆိုင်သည့် အခြေအနေများကို စံနမူနာပြုရန်အတွက် အထူးသင့်လျော်သည်" ဟု Womack မှ ပြောကြားခဲ့သည်။ "emulator တစ်ခုအတွက် အကောင်းဆုံးလေ့ကျင့်ရေးဒေတာကိုထုတ်လုပ်ရန် ကျွန်ုပ်တို့၏နည်းလမ်းကိုအသုံးပြုခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် ပိုမိုယုံကြည်စိတ်ချရသော emulator များထုတ်လုပ်မှုကို အရှိန်မြှင့်နိုင်သည်၊ ထို့ကြောင့် မူဝါဒဆုံးဖြတ်ချက်များချရန်အတွက် ၎င်းတို့၏ရလဒ်များကို ပိုမိုကောင်းမွန်စွာယုံကြည်နိုင်မည်ဖြစ်သည်။"
အနာဂတ်တွင် လေ့ကျင့်မှုပုံစံနှင့် ဆင်တူမည်မဟုတ်သောကြောင့် လိုက်လျောညီထွေရှိရန် အရေးကြီးသည်။ "အနာဂတ်မှာ ကျွန်တော်တို့ အရင်က မမြင်ဖူးတဲ့ ရာသီဥတုနဲ့ မြင်ကွင်းတွေကို သေချာပေါက် မြင်လာရတော့မှာပါ" ဟု Selin က ဆိုသည်။ "ဒီကွဲပြားတဲ့ အခြေအနေတွေကို ပိုပြီး ခိုင်ခိုင်မာမာ ပုံဖော်နိုင်ရင်၊ လိုအပ်နေတဲ့ သက်ဆိုင်သူတွေကို ပိုပြီး ယုံကြည်စိတ်ချရတဲ့ အချက်အလက်တွေ ပေးနိုင်မှာပါ"
အချိန်က ဘာကြောင့် အရေးကြီးတာလဲ။
MIT ၏ ဒေတာ၊ စနစ်များနှင့် လူမှုအဖွဲ့အစည်းနှင့် ကမ္ဘာ၊ လေထုနှင့် ဂြိုလ်သိပ္ပံဌာနမှ အကြီးတန်းစာရေးဆရာ Noelle Selin၊ နှင့် စဉ်ဆက်မပြတ် သိပ္ပံနှင့် မဟာဗျူဟာစင်တာ၏ ဒါရိုက်တာတို့က ၎င်းကို ရာသီဥတုအချက်အလက်အတွက် ထောက်ပံ့ရေးကွင်းဆက်ပြင်ဆင်မှုအဖြစ် ဘောင်ခတ်ခဲ့သည်။ emulator သင်တန်းသည် လ သို့မဟုတ် နှစ်များ ကြာနိုင်သောကြောင့် အစီအစဉ်ရေးဆွဲသူများ ရရှိနိုင်သော ကိရိယာများသည် မကြာခဏ ခေတ်နောက်ကျနေပါသည်။ "ထိုထုတ်လုပ်မှုအချိန်ကို လျှော့ချခြင်းဖြင့်၊ ဤနည်းပညာသည် သုတေသီများနှင့် လက်တွေ့လုပ်ဆောင်သူများလက်သို့ မွမ်းမံပြင်ဆင်ထားသောကိရိယာများရယူခြင်းအတွက် ဂိမ်းပြောင်းလဲမှုတစ်ခုဖြစ်လာမည်ဟု ကျွန်တော်ထင်သည်" ဟုသူမကဆိုသည်။
အပလီကေးရှင်းများသည် ပညာရပ်ဆိုင်ရာများထက် ပိုမိုကျယ်ပြန့်သည်- နောက်ဆုံးပေါ် ရာသီဥတု ခန့်မှန်းချက်များသည် ဓာတ်အားလိုင်းခံနိုင်ရည်ရှိမှု၊ ပြည်သူ့ကျန်းမာရေး ကာကွယ်ရေးနှင့် စိုက်ပျိုးရေးဆိုင်ရာ စီမံကိန်းများဆိုင်ရာ ဆုံးဖြတ်ချက်များကို အသိပေးသည်။ အဆိုပါအဖွဲ့တွင် Shahine Bouabid၊ Andrei Sokolov၊ Popat Salunke နှင့် MIT မှ Glenn Flierl နှင့် Imperial College London မှ Sebastian D. Eastham တို့လည်း ပါဝင်သည်။ သုတေသီများ၏နောက်ထပ်ပစ်မှတ်မှာ နည်းပညာကို ချဲ့ထွင်ခြင်းဖြစ်ပြီး၊ ထို့ကြောင့် ကမ္ဘာဂြိုဟ်သည် သမိုင်းအစဉ်အလာမရှိသော ရာသီဥတုအခြေအနေများအတွင်းသို့ ဝင်ရောက်လာသောကြောင့် emulator များသည် အားကောင်းနေမည်ဖြစ်သည်။
---
AI ၏ရှေ့တွင်နေရန်နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။
AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →
