MIT ஆராய்ச்சியாளர்கள் ஒரு பயிற்சி நுட்பத்தை உருவாக்கியுள்ளனர், இது பொதுவாக தேவைப்படும் தரவுகளின் ஒரு பகுதியைப் பயன்படுத்தி வேகமான, தகவமைக்கக்கூடிய AI காலநிலை மாதிரிகளை உருவாக்குகிறது, இது கொள்கை முடிவுகளுக்கு மிகவும் பயன்படுத்தக்கூடியதாக இந்த கருவிகளின் உற்பத்தி நேரத்தை மாதங்கள் அல்லது ஆண்டுகளில் குறைக்கலாம் என்று அவர்கள் கூறுகிறார்கள். ஆராய்ச்சி இந்த வாரம் தேசிய அறிவியல் அகாடமியின் செயல்முறைகளில் வெளிவருகிறது.

கேள்விக்குரிய மாதிரிகள் காலநிலை முன்மாதிரிகள்: முழு அளவிலான பூமி அமைப்பு மாதிரிகளின் (ESMகள்) நடத்தையைப் பிரதிபலிக்கும் சிறிய AI வாடகை அமைப்புகள். ESMகள் காலநிலை அறிவியலின் வேலைக் குதிரைகளாகும் - மகத்தான இயற்பியல் அடிப்படையிலான உருவகப்படுத்துதல்கள், வெப்பநிலை, மழைப்பொழிவு மற்றும் கடல் மட்டங்கள் கிரீன்ஹவுஸ் வாயு உமிழ்வுகளுக்கு எவ்வாறு பதிலளிக்கின்றன என்பதைத் திட்டமிடுகின்றன - ஆனால் ஒரு எதிர்கால சூழ்நிலை சூப்பர் கம்ப்யூட்டர்களின் தொகுப்பில் இயங்க பல மாதங்கள் ஆகலாம். இதற்கு நேர்மாறாக, எமுலேட்டர்கள் நொடிகளில் இயங்குகின்றன, விஞ்ஞானிகள் ஆயிரக்கணக்கான காட்சிகளை சோதிக்கவும், பிராந்திய விளைவுகள் மற்றும் குறிப்பிட்ட மாசுபடுத்திகளை ஆராயவும், மற்றும் கொள்கை தலையீடுகளின் எதிர்பாராத விளைவுகளை கொடியிடவும் அனுமதிக்கிறது. அறிவியலில் AI இன் விரிவாக்கப் பங்கைப் பற்றிய தொடர்ச்சியான கவரேஜுக்கு, எங்களின் AI ஆராய்ச்சி செய்திகளைப் பின்பற்றவும்.

பிரச்சனை: யதார்த்தமான பயிற்சி தரவு உடையக்கூடிய மாதிரிகளை உருவாக்குகிறது

ஆராய்ச்சியாளர்கள் ஒரு காலநிலை முன்மாதிரியை உருவாக்கும்போது, ​​அவர்கள் பொதுவாக யதார்த்தமான பாதைகளைப் பின்பற்றும் ஆறு முதல் எட்டு எதிர்கால உமிழ்வு காட்சிகளில் அதைப் பயிற்றுவிப்பார்கள். பயிற்சி தரவை உருவாக்க ஒவ்வொன்றும் முழு ESM மூலம் இயக்கப்பட வேண்டும், இது தரவுத்தொகுப்பை உருவாக்குவது விலை உயர்ந்ததாகவும் மெதுவாகவும் செய்கிறது. MIT குழு முன்பு ஒரு நுட்பமான தோல்விப் பயன்முறையை அடையாளம் கண்டுள்ளது: யதார்த்தமான காட்சிகளில் பயிற்சி பெற்ற முன்மாதிரிகள், அறிமுகமில்லாத அல்லது புதுமையான சூழ்நிலைகளைக் கணிக்கக் கேட்கும் போது குறைவாகச் செயல்பட முடியும் - கொள்கை வகுப்பாளர்கள் பெருகிய முறையில் ஆராய வேண்டிய சூழ்நிலைகள்.

"எங்கள் அல்காரிதம் சில வித்தியாசமான காட்சிகளை உருவாக்கலாம், அவை யதார்த்தமான எதிர்காலம் போல் எதுவும் இல்லை, ஆனால் பயிற்சி காட்சிகள் யதார்த்தமாக இருந்தால் நாங்கள் கவலைப்படுவதில்லை," என்று இப்போது ETH சூரிச்சில் போஸ்ட்டாக் மற்றும் MIT நியூஸில் பேப்பரின் முதன்மை ஆசிரியரான Christopher Womack PhD '26 கூறினார். "எமுலேட்டரைப் பயிற்றுவிப்பதற்கான சிறந்த தரவுத்தொகுப்பை உருவாக்க முயற்சிக்கிறோம்."

எட்டுக்கு பதிலாக ஒரு ESM ரன்

புதிய நுட்பம் வழக்கமான பைப்லைனை மாற்றுகிறது. யதார்த்தமான காட்சிகளை ஒன்று சேர்ப்பதற்குப் பதிலாக, ஒரு குறிப்பிட்ட எமுலேட்டரின் முன்கணிப்புத் திறனை அதிகரிக்க வடிவமைக்கப்பட்ட உகந்த செயற்கைக் காட்சிகளை ஒரு அல்காரிதம் உருவாக்குகிறது. செயல்முறையானது வேகமான, எளிமையான காலநிலை மாதிரியின் மூலம் இயங்கும் தன்னிச்சையான சூழ்நிலையில் தொடங்குகிறது, முழு ESM இன் முடிவுகளை எமுலேட்டர் எவ்வளவு நன்றாக மறுஉருவாக்கம் செய்கிறது, பின்னர் பயிற்சித் தரவை மீண்டும் மீண்டும் தொந்தரவு செய்கிறது - 2050 இல் CO2 உமிழ்வைக் கூர்மையாக உயர்த்தியது, அல்லது 2037 இல் மீத்தேன் விரைவாகக் குறைப்பது - எமுலேட்டரின் கீழே குறையும் வரை.

இதன் விளைவாக வரும் செயற்கை காட்சிகள் மென்மையான நிஜ உலகப் பாதைகள் போல் இல்லை. "இந்த உயர் அதிர்வெண் அசைவுகள் மற்றும் அலைவுகளை அறிமுகப்படுத்துவதன் மூலம், ஒட்டுமொத்த அமைப்பைப் பற்றிய கூடுதல் தகவல்களைப் பிரித்தெடுக்க எங்கள் தரவு எமுலேட்டருக்கு உதவுகிறது" என்று வோமாக் கூறினார். நடைமுறைப் பலன்கள் கணிசமானவை: ஒருமுறை பயிற்சித் தொகுப்பை உருவாக்குவதற்கு ஆறு முதல் எட்டு முறை முழு ESMஐ இயக்க வேண்டியிருக்கும் போது, ​​ஒரு பயனருக்கு இப்போது ஒரு ரன் தேவை.

பாரம்பரிய மாதிரிகள் தேர்வில் தேர்ச்சி பெறவில்லை

பாரம்பரிய எமுலேட்டர்கள் மாற்றியமைக்கத் தவறிய அதே வேளையில், பயிற்சியின் போது இதுவரை பார்த்திராத காட்சிகளின் விளைவுகளைத் தங்கள் முறையுடன் பயிற்சி பெற்ற முன்மாதிரி துல்லியமாகக் கணித்ததாக ஆராய்ச்சியாளர்கள் தெரிவிக்கின்றனர். எம்ஐடி நியூஸ் முன்னிலைப்படுத்திய ஒரு சோதனையில், செயற்கை பயிற்சி பெற்ற எமுலேட்டர் உள்ளூர் மாசுபடுத்தும்-கட்டுப்பாட்டு கொள்கையின் விளைவுகளை சரியாகப் படம்பிடித்தது, இது ஒரு மாசுபாட்டைக் குறைக்கிறது, மற்ற உமிழ்வுகள் தொடர்ந்து அதிகரித்து வருகின்றன - அவர்கள் மதிப்பீடு செய்த வழக்கமான பயிற்சி பெற்ற முன்மாதிரிகள் தோல்வியடைந்தன.

"காலநிலை முன்மாதிரிகள் குறிப்பாக கொள்கை தொடர்பான காட்சிகளை மாடலிங் செய்வதற்கு மிகவும் பொருத்தமானவை" என்று வோமாக் கூறினார். "எமுலேட்டருக்கான உகந்த பயிற்சி தரவை உருவாக்க எங்கள் முறையைப் பயன்படுத்துவதன் மூலம், மிகவும் நம்பகமான முன்மாதிரிகளின் உற்பத்தியை விரைவுபடுத்த முடியும், எனவே கொள்கை முடிவுகளை எடுப்பதற்கு அவற்றின் வெளியீடுகளை நாம் சிறப்பாக நம்பலாம்."

தகவமைப்பு முக்கியமானது, ஏனெனில் எதிர்காலம் பயிற்சித் தொகுப்பை ஒத்திருக்காது. "எதிர்காலத்தில், நாங்கள் இதற்கு முன்பு பார்த்திராத காலநிலை மற்றும் காட்சிகளை நிச்சயமாகப் பார்க்கப் போகிறோம்" என்று செலின் கூறினார். "இந்த வெவ்வேறு காட்சிகளை நாம் இன்னும் வலுவாக உருவகப்படுத்த முடிந்தால், தேவைப்படும் பங்குதாரர்களுக்கு மிகவும் நம்பகமான தகவலை வழங்க முடியும்."

ஏன் நேரம் முக்கியம்

MIT இன் இன்ஸ்டிடியூட் ஃபார் டேட்டா, சிஸ்டம்ஸ் மற்றும் சொசைட்டி மற்றும் பூமி, வளிமண்டலம் மற்றும் கிரக அறிவியல் துறையின் பேராசிரியரும், நிலைத்தன்மை அறிவியல் மற்றும் வியூகத்திற்கான மையத்தின் இயக்குனருமான மூத்த எழுத்தாளர் நோயல் செலின், காலநிலை தகவல்களுக்கான விநியோகச் சங்கிலி தீர்வாக இந்த வேலையை வடிவமைத்தார். முன்மாதிரி பயிற்சி மாதங்கள் அல்லது ஆண்டுகள் ஆகலாம் என்பதால், திட்டமிடுபவர்களுக்குக் கிடைக்கும் கருவிகள் பெரும்பாலும் காலாவதியானவை. "அந்த உற்பத்தி நேரத்தைக் குறைப்பதன் மூலம், புதுப்பிக்கப்பட்ட கருவிகளை ஆராய்ச்சியாளர்கள் மற்றும் பயிற்சியாளர்களின் கைகளில் பெறுவதில் இந்த நுட்பம் ஒரு விளையாட்டை மாற்றும் என்று நான் நினைக்கிறேன்," என்று அவர் கூறினார்.

பயன்பாடுகள் கல்வித் துறைக்கு அப்பாற்பட்டவை: தற்போதைய காலநிலை கணிப்புகள் மின்-கட்டம் பின்னடைவு, பொது சுகாதார பாதுகாப்பு மற்றும் விவசாய திட்டமிடல் பற்றிய முடிவுகளை தெரிவிக்கின்றன. அணியில் ஷாஹின் போவாபிட், ஆண்ட்ரி சோகோலோவ், போபட் சலுங்கே மற்றும் எம்ஐடியின் க்ளென் ஃபிலியர்ல் மற்றும் லண்டன் இம்பீரியல் கல்லூரியின் செபாஸ்டியன் டி. ஈஸ்ட்ஹாம் ஆகியோர் அடங்குவர். ஆராய்ச்சியாளர்களின் அடுத்த இலக்கு நுட்பத்தை விரிவுபடுத்துவதாகும், எனவே வரலாற்று முன்னோடி இல்லாமல் கிரகம் காலநிலை நிலைமைகளுக்குள் நுழைவதால் முன்மாதிரிகள் வலுவாக இருக்கும்.

---

AIக்கு முன்னால் இருங்கள்

சமீபத்திய AI செய்திகள், பகுப்பாய்வு மற்றும் முன்னேற்றங்கள் - அனைத்தையும் ஒரே இடத்தில் பெறுங்கள்.

மேலும் AI செய்திகளைப் படிக்கவும் →