कैलटेक-नेतृत्वित शोध दल ने दिखाया है कि कृत्रिम बुद्धिमत्ता केवल क्रमिक बदलावों को नहीं, बल्कि किसी व्यवस्था के टिपिंग पॉइंट के करीब पहुँचने का भी पूर्वानुमान कर सकती है। प्रोसीडिंग्स ऑफ द नेशनल एकेडमी ऑफ साइंसेज़ में प्रकाशित नए शोध में टीम ने बताया कि एक रीकर्सिव न्यूरल ऑपरेटर ने सरल जलवायु मॉडल और पंख के ऊपर अशांत वायु प्रवाह के सिमुलेशनों में अचानक बदलावों की भविष्यवाणी की।
मुख्य तथ्य
- अध्ययन का नेतृत्व कैलटेक के शोधकर्ताओं ने यूनिवर्सिटी ऑफ कोलोराडो बोल्डर और एनवीडिया के साथ मिलकर किया।
- अध्ययन में इस्तेमाल एआई पद्धति रीकर्सिव न्यूरल ऑपरेटर है, जिसे शोधपत्र में अंतर्निहित स्मृति वाला बताया गया है।
- एक सिम्युलेटेड जलवायु परिदृश्य में मॉडल ने कम-बादलों के लुप्त होने का पूर्वानुमान दो साल से अधिक पहले लगाया और समय का त्रुटि-मान लगभग ११ दिन रहा।
- शोधपत्र में झुकते समतल पंख के ऊपर वायु प्रवाह का भी परीक्षण किया गया, जहाँ मॉडल ने तीव्र लिफ्ट गिरावट से जुड़े टिपिंग पॉइंट की भविष्यवाणी की।
- लेखकों का कहना है कि यह तरीका जलवायु विज्ञान, पारिस्थितिकी, महामारी-विज्ञान और वैमानिकी डिज़ाइन जैसे क्षेत्रों में उपयोगी हो सकता है।
छात्रों, शोधकर्ताओं और इंजीनियरों के लिए इसका क्या मतलब है?
इस अध्ययन का तात्कालिक महत्व उन शोधकर्ताओं के लिए है जो समय के साथ गैर-रेखीय ढंग से बदलने वाली प्रणालियों पर काम करते हैं। शोधपत्र का संकेत है कि यह एआई तरीका उन वातावरणों के अध्ययन में मदद कर सकता है जहाँ पारंपरिक मशीन-लर्निंग विधियाँ कमजोर पड़ जाती हैं, क्योंकि वहाँ भौतिकी स्थिर नहीं रहती।
जलवायु विज्ञान, वायुगतिकी और संबंधित क्षेत्रों के छात्रों तथा शोधकर्ताओं के लिए व्यावहारिक निष्कर्ष यह है कि यह मॉडल सरल प्रणालियों पर परखा गया, और जलवायु मामले में प्रत्यक्ष माप अभी नहीं हुए हैं। इसलिए यह परिणाम एक विधि-प्रदर्शन है, वास्तविक दुनिया में तुरंत लागू होने वाला पूर्वानुमान उपकरण नहीं। इस क्षेत्र में आगे का कदम यह जाँचना होगा कि क्या ऐसी एआई विधियाँ अधिक जटिल डाटा और अनुप्रयोगों में भी काम करती हैं।
यह काम एयरोस्पेस अध्ययनों के लिए भी प्रासंगिक हो सकता है, जहाँ परिस्थितियों में धीरे-धीरे बदलाव अचानक वायु प्रवाह परिवर्तन से पहले आ सकते हैं। पंख वाले सिमुलेशन में एआई ने सिम्युलेटेड लिफ्ट के तेज़ी से गिरने से पहले टिपिंग पॉइंट का संकेत दिया, जिसे लेखक भविष्य की भविष्यवाणी और डिज़ाइन के लिए संभावित रूप से महत्वपूर्ण मानते हैं।
कैलटेक टीम ने वास्तव में क्या दिखाया?
टीम ने दिखाया कि रीकर्सिव न्यूरल ऑपरेटर यह पहचान सकता है कि कोई मॉडलित प्रणाली टिपिंग पॉइंट की ओर बढ़ रही है। अध्ययन के अनुसार यह विधि मानक एआई मौसम मॉडलों से अलग है, क्योंकि इसे उन प्रणालियों के लिए बनाया गया है जिनका व्यवहार समय के साथ बदलता है, न कि ऐसे भविष्य पर आधारित है जो अतीत जैसा ही रहेगा।
कैलटेक की अनिमा आनंदकुमार, जो शोधपत्र की प्रमुख लेखिका हैं, ने कहा कि टिपिंग पॉइंट वह क्षण है जब कोई प्रणाली अपनी मूल अवस्था में वापस नहीं लौटती। शोधपत्र का तर्क है कि ऐसे बदलाव विनाशकारी हो सकते हैं और कुछ मामलों में अपरिवर्तनीय भी।
जलवायु पूर्वानुमान कितना सटीक था?
एक सिम्युलेटेड जलवायु परिदृश्य में शोधकर्ताओं ने उस स्थिति को देखा जिसमें बढ़ती कार्बन डाइऑक्साइड के कारण समुद्रों के ऊपर के कम-बादल गायब हो सकते हैं। मॉडल ने सिम्युलेटेड डेटा में अपेक्षित टिपिंग पॉइंट से दो साल से अधिक पहले तक देखने की क्षमता दिखाई और उसके समय का अनुमान लगभग ११ दिन की त्रुटि के साथ लगाया।
यह परिणाम महत्वपूर्ण है क्योंकि कम-बादल आवरण का नुकसान वैश्विक गर्मी को और बढ़ा सकता है। लेकिन शोधपत्र का साक्ष्य एक सरलीकृत मॉडल और सिम्युलेटेड डेटा तक सीमित है, इसलिए इसे पृथ्वी की जलवायु के लिए प्रत्यक्ष पूर्वानुमान के बजाय एक प्रमाण-आधारित प्रदर्शन के रूप में समझना चाहिए।
यह नई एआई पद्धति अस्थिर प्रणालियों के लिए क्यों महत्वपूर्ण है?
यह इसलिए महत्वपूर्ण है क्योंकि कई वास्तविक प्रणालियाँ सहज, स्थिर तरीके से विकसित नहीं होतीं। शोधकर्ताओं का कहना है कि रीकर्सिव न्यूरल ऑपरेटर में एक तरह की स्मृति होती है जो भौतिकी में बदलाव को ट्रैक करती है, जिससे यह पहचान पाती है कि उसकी अपनी भविष्यवाणियाँ अब प्रणाली के व्यवहार से मेल नहीं खा रहीं।
यही चेतावनी संकेत बताता है कि टिपिंग पॉइंट करीब हो सकता है। शोधपत्र के अनुसार यह जलवायु प्रणालियों, जैविक प्रकोपों या विमान सतहों के आसपास के वायु प्रवाह जैसे क्षेत्रों में उपयोगी हो सकता है, जहाँ परिस्थितियों में धीरे-धीरे बदलाव के बाद अचानक परिवर्तन आ सकता है।
अध्ययन में कौन शामिल था और इसे किसने समर्थन दिया?
अनिमा आनंदकुमार के साथ कैलटेक के सहलेखकों में पूर्व छात्र मिगुएल लियू-शियाफ़िनी और ज़े चाई लेउंग, तथा एयरोस्पेस प्रोफेसर जेन बेई शामिल हैं। बाहर से सहलेखकों में सीयू बोल्डर की क्लेयर ई. सिंगर तथा एनवीडिया के निकोला कोवाचकी और कामयार अज़ीज़ज़ादेनेशेली शामिल हैं।
शोधपत्र के अनुसार वित्तपोषण मेलॉन मेज़ अंडरग्रेजुएट फ़ेलोशिप; एरिक और वेंडी श्मिट के माध्यम से एआई२०५० सीनियर फ़ेलो श्मिट साइंसेज़ कार्यक्रम; कैलटेक ट्रस्टी चार्ल्स ट्रिम्बल; ऑफिस ऑफ़ नेवल रिसर्च; कार्वर मीड न्यू एडवेंचर्स फ़ंड; और कैलटेक के सेंटर फ़ॉर ऑटोनॉमस सिस्टम्स एंड टेक्नोलॉजीज़ से मिला। एयरफॉइल सिमुलेशनों के लिए कंप्यूटेशनल समय पिट्सबर्ग सुपरकंप्यूटिंग सेंटर ने उपलब्ध कराया, जिसे नेशनल साइंस फ़ाउंडेशन का समर्थन प्राप्त है।
अक्सर पूछे जाने वाले प्रश्न
इस शोध में टिपिंग पॉइंट क्या है?
इस अध्ययन की परिभाषा में टिपिंग पॉइंट वह क्षण है जब कोई प्रणाली एक नई अवस्था में पहुँच जाती है और पहले जैसी अवस्था में लौट नहीं सकती। शोधपत्र इस विचार को जलवायु व्यवहार और वायु प्रवाह संक्रमण, दोनों पर लागू करता है।
लेखक भविष्य में किन उपयोगों की बात करते हैं?
लेखकों का कहना है कि यह विधि जलवायु विज्ञान, पारिस्थितिकी, महामारी-विज्ञान, वैमानिकी डिज़ाइन और उन अन्य क्षेत्रों में काम आ सकती है जहाँ प्रणालियाँ धीरे-धीरे बदलाव के बाद अचानक रूप से बदल सकती हैं।
