இடஞ்சார்ந்த புலனுணர்வின் பரிமாணங்கள்: AI இன் சாத்தியம்

நாம் ஒரு முப்பரிமாண வெளியில் வாழ்கிறோம்.

இந்த வெளியினுள், வெறும் இரு பரிமாணப் படங்களான காட்சித் தகவல்களை மட்டுமே அடிப்படையாகக் கொண்டு முப்பரிமாண வெளியைப் புலனுணர்கிறோம்.

இது நம் மனதில் ஒரு முப்பரிமாண இடஞ்சார்ந்த உருவம் உள்ளது என்பதையும், இரு பரிமாண காட்சித் தகவல்களை இந்த முப்பரிமாண இடஞ்சார்ந்த உருவத்திற்கு தலைகீழாக வரைந்து கொள்கிறோம் என்பதையும் குறிக்கிறது.

இந்தக் கொள்கையைப் பயன்படுத்துவதன் மூலம், மனிதர்கள் நான்கு பரிமாண வெளியைப் புலனுணர்வது சாத்தியமாகும் என்று நான் கணிக்கிறேன். நிஜமான பௌதீக வெளியினுள் நான்கு பரிமாண வெளியையோ அல்லது நான்கு பரிமாண பொருட்களையோ நம்மால் உருவாக்க முடியாது என்றாலும்,

ஒரு கணினியில் நான்கு பரிமாண வெளியையும் நான்கு பரிமாண பொருட்களையும் உருவகப்படுத்துவது சாத்தியமாகும். அவ்வாறு உருவகப்படுத்தப்பட்ட நான்கு பரிமாண வெளியிலிருந்து ஒரு இரு பரிமாண தளத்திற்கு நாம் ஒரு வரைபடத்தை உருவாக்கினால், மனிதர்கள் தகவல்களைக் காட்சி ரீதியாகப் புரிந்து கொள்ள முடியும்.

பின்னர், மனிதர்கள் அத்தகைய நான்கு பரிமாண வெளி மற்றும் நான்கு பரிமாண பொருட்களின் நடத்தைகளையும் காட்சிகளையும் கற்றுக்கொள்ளும்போது, இறுதியில் தங்கள் மனதில் ஒரு நான்கு பரிமாண வெளியை உருவாக்க முடியும்.

இருப்பினும், இது ஒரு சாத்தியக்கூறு மட்டுமே, மேலும் இந்த பயிற்சிக்கு கணிசமான அளவு நேரம் தேவைப்படும் என்று எதிர்பார்க்கப்படுகிறது.

மேலும், நான்கு பரிமாண வெளியைப் புலனுணரும் திறனை ஒருவர் பெற்றாலும், அத்திறனைப் பயன்படுத்தக்கூடிய சூழ்நிலைகள் கிட்டத்தட்ட எதுவும் இருக்காது.

AI மூலம் நான்கு பரிமாணப் புலனுணர்வு

மறுபுறம், இதே காரியத்தை AI மூலமும் சாதிக்க முடியும். மேலும், AI இந்த நான்கு பரிமாண இடஞ்சார்ந்த புலனுணர்வுத் திறனைப் பயன்படுத்திக் கொள்ளக்கூடும்.

எடுத்துக்காட்டாக, நான்கு பரிமாண இடஞ்சார்ந்த புலனுணர்வுடன், நான்கு பரிமாண வரைபடங்களை வரைந்து புரிந்து கொள்ள முடியும்.

மனிதர்கள் இரு பரிமாண தள காட்சித் தகவல்களை மட்டுமே முழுமையாகப் புரிந்து கொள்ள முடியும். எனவே, ஒரு முப்பரிமாண வரைபடம் வரையப்பட்டு தலைகீழ் வரைபடமாக்கல் மூலம் அடையாளம் காணப்பட்டாலும், பார்வையில் இருந்து மறைக்கப்பட்ட பகுதிகள் இருக்கும்.

முப்பரிமாண வரைபடங்களில் கூட கணிசமான பகுதி கண்ணுக்குத் தெரியாமல் போகிறது, மேலும் நான்கு பரிமாண வரைபடங்களில் இன்னும் அதிகமான தரவுகள் கண்ணுக்குத் தெரியாமல் போகின்றன.

வரைபடத்தைச் சுற்றுவதன் மூலம் கண்ணுக்குத் தெரியாத பகுதிகளை வெளிப்படுத்த முடியும் என்றாலும், இது தரவை முழுமையாகவும் உள்ளுணர்வு ரீதியாகவும் ஒரே பார்வையில் புரிந்துகொள்ளக்கூடியதாக மாற்றும் நோக்கத்திலிருந்து விலகிச் செல்கிறது.

மாறாக, AI இரு பரிமாண தள காட்சித் தகவல்களால் கட்டுப்படுத்தப்பட வேண்டியதில்லை. AI-யை முப்பரிமாண அல்லது நான்கு பரிமாண இடஞ்சார்ந்த பார்வையுடன் மெய்நிகராகச் சித்தப்படுத்திப் பயிற்சி அளிப்பது சாத்தியமாகும்.

இதன் மூலம், முப்பரிமாண மற்றும் நான்கு பரிமாண வரைபடங்களை முழுமையாகவும், பரிமாண ரீதியாகவும், மறைக்கப்பட்ட தரவுகள் அல்லது சுழற்சியின் தேவை இல்லாமல் புரிந்து கொள்ள முடியும்.

மேலும், இது நான்கு பரிமாணங்களுக்கு மட்டும் வரம்பிடப்படவில்லை; தர்க்கரீதியாக, பரிமாணங்களை ஐந்து, பத்து, இருபது மற்றும் அதற்கு அப்பால் எல்லையின்றி அதிகரிக்க முடியும்.

பல பரிமாண வரைபடங்களைப் புரிந்துகொள்வது

வரைபடங்களை முழுமையாகப் புரிந்துகொள்ளும் திறன், எடுத்துக்காட்டாக, பல பரிமாணங்களில் போக்கு பகுப்பாய்வை செயல்படுத்துகிறது. அளவின் ஒப்பீடுகள் மற்றும் விகிதங்களைப் புரிந்துகொள்வது உள்ளுணர்வாகவும் செய்யப்படலாம்.

மேலும், ஒத்த அல்லது ஒப்புமையான தரவு போன்ற தரவு வடிவங்களை பகுப்பாய்வு செய்யவும் இது அனுமதிக்கிறது. இது ஒழுங்குமுறைகள் மற்றும் விதிகளைக் கண்டறியவும் வழிவகுக்கும்.

இது ஏற்கனவே உள்ள AI சிறந்து விளங்கும் பல பரிமாண தரவு வடிவ பொருத்தத்தை விட ஆழமான தரவு புரிதலை செயல்படுத்துகிறது.

எடுத்துக்காட்டாக, முற்றிலும் மாறுபட்ட பரிமாணங்களின் சேர்க்கைகளுக்குள் ஒரே வடிவத்துடன் கூடிய பகுதிகள் இருந்தாலும், எளிய பல பரிமாண வடிவப் பொருத்தம் மூலம் அவற்றைக் கண்டறிவது கடினமாக இருக்கும்.

இருப்பினும், தரவு பல பரிமாண பார்வையுடன் பார்க்கப்பட்டால், வெவ்வேறு பரிமாணக் கலவைகளில் கூட ஒத்த வடிவங்கள் உடனடியாகத் தெரியும்.

மேலும், உள்ளீட்டுத் தரவுடன் தொடர்புடைய பரிமாண அச்சுகளை வெறுமனே பயன்படுத்துவதைத் தாண்டி, குறிப்பிட்ட அச்சுகளை பெரிதாக்குவதன் அல்லது குறைப்பதன் மூலமோ, மடக்கை எடுப்பதன் மூலமோ, அல்லது பல அச்சுகளைப் பரிமாணங்களைக் குறைக்காமல் அதே எண்ணிக்கையிலான வேறுபட்ட அச்சுகளின் தொகுப்பிற்கு வரைபடமாக்குவதன் மூலமோ தரவு புரிதலை எளிதாக்கும் பரிமாண கட்டமைப்புகளை ஆராய்வது சாத்தியமாகும்.

இவ்வாறு, பல பரிமாண பார்வைத் திறன்களுக்குப் பயிற்சி அளிப்பது, மனிதர்களுக்கும் வழக்கமான AI க்கும் கடினமாக இருந்த விரிவான தரவு கட்டமைப்புகளைப் புரிந்துகொள்வதற்கான வாய்ப்பைத் திறக்கிறது, இது புதிய நுண்ணறிவுகளையும் விதிகளையும் கண்டறிய வழிவகுக்கும்.

முன்னுதாரணப் புத்தாக்கத்தை விரைவுபடுத்துதல்

உயர் பரிமாணத் தரவுகளை குறைந்த பரிமாணங்களுக்கு மாற்றாமல், இயல்பாகவே புரிந்துகொள்ளும் திறன் ஒரு குறிப்பிடத்தக்க ஆற்றலைக் குறிக்கிறது.

எடுத்துக்காட்டாக, வானியல் ஆய்வுத் தரவுகளை எளிதில் புரிந்துகொள்ளக்கூடிய கணித சூத்திரங்களில் பொருத்துவதற்காக சூரிய மையக் கோட்பாடு கண்டுபிடிக்கப்பட்டது. பூமியைச் சூரியன் சுற்றிவருகிறது என்று கூறிய புவி மையக் கோட்பாட்டில், ஆய்வுத் தரவுகளை எளிதில் புரிந்துகொள்ளக்கூடிய சூத்திரங்களுக்கு மாற்ற முடியவில்லை, இது சூரிய மையக் கோட்பாட்டின் கண்டுபிடிப்புக்கு வழிவகுத்தது.

இருப்பினும், வானியல் ஆய்வுத் தரவுகள் அவற்றின் பரிமாணங்களைக் குறைக்காமல் இயல்பாகவே புரிந்துகொள்ள முடிந்திருந்தால், சூரிய மையக் கோட்பாடு போன்ற விதிகள் மிக விரைவாகவே கண்டறியப்பட்டிருக்கலாம்.

அதேபோல், சார்பியல் கோட்பாடு மற்றும் குவாண்டம் மெக்கானிக்ஸ் போன்ற அறிவியல் கண்டுபிடிப்புகளும், பல பரிமாணத் தரவுகளை அவற்றின் இயல்பான பரிமாணங்களில் முழுமையாகப் புரிந்துகொள்ள முடிந்திருந்தால், விரைவாகவே உணரப்பட்டிருக்கலாம்.

இது பல பரிமாண இயல்புடைய AI முன்னுதாரணப் புத்தாக்கங்களை விரைவுபடுத்தி, மனிதகுலத்திற்கு இன்னும் தெரியாத பல்வேறு கோட்பாடுகள் மற்றும் விதிகளைக் கண்டறிய வழிவகுக்கும் என்பதைக் குறிக்கிறது.

முடிவுரை

இத்தகைய பல பரிமாண இடங்களுக்கு இயல்பானதாகப் பயிற்சி பெற்ற AI, மனிதர்களால் நகலெடுக்க முடியாத அதன் பல பரிமாண இடஞ்சார்ந்த புலனுணர்வுத் திறன்களைப் பயன்படுத்தி, அறிவியல் மற்றும் கல்விப் பரிமாணங்களின் எல்லைகளை விரைவாக விரிவுபடுத்தலாம்.

முன்னுரிமைகள் வெறுமனே மாறுவதை விடப் பெருகுவதற்கே வாய்ப்புள்ளது. புதிய முன்னுரிமைகள் கண்டுபிடிக்கப்பட்டாலும், அவை ஒவ்வொன்றையும் நாம் பின்பற்ற வேண்டிய கட்டாயம் இல்லை.

நிச்சயமாக, AI சிக்கலான, உயர் பரிமாண முன்னுரிமைகளை நமக்கு எளிதில் புரியும் வகையில் குறைந்த பரிமாணங்களுக்கு வரைபடமாக்குவதன் மூலம் விளக்கும்.

இருப்பினும், மனிதர்கள் மிக உயர்ந்த பரிமாண முன்னுரிமைகளை முழுமையாகப் புரிந்துகொள்ள முடியாமல் போகலாம். பரந்த அளவில் விரிவடைந்த முன்னுரிமைகள் அனைத்தையும் நம்மால் புரிந்துகொள்ளவும் முடியாது.

அந்த சூழ்நிலையில், அவற்றின் அடிப்படைக் கொள்கைகளை நாம் முழுமையாகப் புரிந்துகொள்ளாவிட்டாலும், சிறப்பாகச் செயல்படும் தயாரிப்புகள் மற்றும் அமைப்புகளால் சூழப்பட்டு நாம் வாழக்கூடும்.

ஒரு பொறியியலாளராக, நான் அத்தகைய ஒரு சூழ்நிலையை கற்பனை செய்ய விரும்பவில்லை, ஆனால் பலருக்கு, இது இப்போது இருக்கும் விஷயங்களிலிருந்து பெரிதாக வேறுபடாமல் இருக்கலாம்.