லாஜிக் கேட்ஸ் ஐஐக்கு முன்னோடி மற்றும் நரம்பியல் நெட்வொர்க்குகளுக்கான கட்டுமான தொகுதிகள் எவ்வாறு உள்ளன?

கே:

தர்க்க வாயில்கள் AI க்கு முன்னோடிகளாகவும், நரம்பியல் நெட்வொர்க்குகளுக்கான கட்டுமானத் தொகுதிகள் எவ்வாறு உள்ளன?

ப:

லாஜிக் கேட்ஸ் என்பது கணினி செயலாக்கத்தில் பாதை உருவாக்கத்திற்கான கட்டமைப்பை உருவாக்கும் தருக்க கட்டமைப்பாகும். கணினிகளில் தர்க்க வாயில்களைப் பயன்படுத்துவது செயற்கை நுண்ணறிவு அல்லது நரம்பியல் வலைப்பின்னல்களில் எந்தவொரு நவீன வேலையையும் முன்கூட்டியே செய்கிறது. இருப்பினும், தர்க்க வாயில்கள் இயந்திர கற்றல், செயற்கை நுண்ணறிவு மற்றும் அதனுடன் வரும் எல்லாவற்றிற்கும் கட்டுமானத் தொகுதிகளை வழங்குகின்றன.

ஒரு கணினி அமைப்பில் உள்ளீட்டைப் பொறுத்து வெளியீடுகளைத் தேர்வுசெய்ய ஒரு தர்க்க வாயில் உதவுகிறது. ஆரம்பத்தில், இது ஒரு நுண்செயலி மற்றும் மனித மூளைக்கு இடையிலான ஒப்பீடுகளுக்கு வழிவகுத்தது.

நரம்பியல் வலைப்பின்னல்களில் பணிகள் பல ஆண்டுகளுக்குப் பிறகு உருவாகத் தொடங்கியதும், “இணைப்புவாதம்” என்ற தத்துவம் நடைமுறைக்கு வந்தது. இணைப்புவாதம், சில வழிகளில் 1940 களில் இருந்து வருகிறது, சிக்கலான நடத்தை முறைகள் தனிப்பட்ட சிறிய அலகுகளின் ஒருங்கிணைந்த வேலை மூலம் உருவாக்கப்படுகின்றன - எடுத்துக்காட்டாக, மூளையில், நியூரான்கள்.

இவை அனைத்தும் நிரலாக்கத்தைப் பயன்படுத்துவதற்கான யோசனைக்கு வழிவகுத்தன, மேலும் சிக்கலான செயல்முறைகளுக்கு அடிப்படை தர்க்க வாயில்கள். இயந்திரக் கற்றலின் வரையறைகளில் ஒன்று, கணினி நிரல் முதலில் உள்ளீடாக வழங்கப்பட்டவற்றின் எல்லைக்கு அப்பால் உருவாகிறது. வேறு வார்த்தைகளில் கூறுவதானால், இயந்திரம் செல்லும்போது கற்றுக்கொள்கிறது. கொடுக்கப்பட்ட உள்ளீடுகள் மற்றும் வெளியீடுகளை செயலாக்குவதற்கு இது இன்னும் தர்க்க வாயில்களைப் பயன்படுத்துகிறது, ஆனால் கம்ப்யூட்டிங்கிற்கான தர்க்க வாயில்களின் பயன்பாடு அடிப்படையில் வேறுபட்ட வழியில் செயல்படுகிறது.

மனித மூளையையும், நியூரான்கள் மற்றும் சினாப்ச்களின் செயல்திறனையும் தொடர்ந்து படிப்பதன் மூலம், விஞ்ஞானிகள் இந்தச் செயல்பாட்டில் சிலவற்றை கணினி அமைப்புகளுடன் மாதிரியாகக் கொண்டு வருவதை நெருங்கி வருகின்றனர். இங்கே, லாஜிக் கேட் ஒரு மனித நியூரானின் வேலையைச் செய்யும்.

நரம்பியல் நெட்வொர்க்குகளில் பல்வேறு தருக்க வாயில்களின் வடிவமைப்பு குறித்த அறிவார்ந்த ஆய்வறிக்கையின் இந்த பகுதியைக் கவனியுங்கள்:

"உற்சாகமான உள்ளீடுகளில் நியூரான் ஒரு தர்க்கரீதியான அல்லது செயல்பாட்டிற்கு சமமானதாக செயல்படுகிறது என்பது தெளிவாகத் தெரிகிறது - பருப்பு வகைகள் இருப்பது '1' இன் தர்க்கரீதியான மதிப்பைக் குறிக்கிறது என்றால், ஒரு OR வாயிலின் நடத்தை ஒரு நியூரானால் இரண்டு உற்சாகத்துடன் உணரப்படலாம் உள்ளீடுகள் மற்றும் வெளியீடு ஒரு தடுப்பு உள்ளீடாக மீண்டும் வழங்கப்படுகின்றன. '0' என்ற தர்க்கரீதியான மதிப்புக்கு ஒத்த, உற்சாகம் நிறுத்தப்படும்போது நியூரானானது தளர்வான நிலைக்குத் திரும்புவதை பிந்தையது உறுதி செய்கிறது. கடந்த கால மற்றும் தற்போதைய உள்ளீடுகளைப் பொறுத்து மாறுபடும் தனித்துவமான 'டர்ன்-ஆன்' மற்றும் 'டர்ன்-ஆஃப்' தாமதங்களை OR- கேட் நியூரான் வெளிப்படுத்துகிறது. ”- சூர்யதேஜா யெல்லாம்ராஜு, மற்றும் பலர். அல்., "நரம்பியல் நெட்வொர்க்குகளில் பல்வேறு லாஜிக் வாயில்களின் வடிவமைப்பு"

ஒரு OR லாஜிக் வாயிலின் செயல்திறன் மற்றும் பைனரி உற்சாகமான அல்லது தளர்வான உள்ளீடுகளில் பணிபுரியும் நியூரானின் செயல்திறன் ஆகியவற்றுக்கு இடையே நெருங்கிய தொடர்புகள் இருக்க முடியும் என்பது இந்த வாசிப்பிலிருந்து தெளிவாகிறது.

இதைக் கருத்தில் கொண்டு, மனித மூளையில் நியூரான்களால் காட்சிப்படுத்தப்படும் நடத்தை வகைகளை மாதிரியாக்குவதற்கு கணினி அமைப்புகளில் தர்க்க வாயில்களைப் பயன்படுத்துவதை செயற்கை நுண்ணறிவுப் பணி பெரும்பாலும் உள்ளடக்குகிறது. இந்த மாடலிங் வெற்றியின் அளவு வலுவான செயற்கை நுண்ணறிவின் எதிர்கால திறன்களை தீர்மானிக்கும் - மிகவும் மேம்பட்ட மாடலிங் மூலம், நாம் உணர்வுபூர்வமான தொழில்நுட்பங்களை உருவாக்க முடியுமா, அல்லது மனித மனம் இந்த வகையான தொழில்நுட்ப வளர்ச்சியைக் கட்டுப்படுத்த அல்லது கட்டுப்படுத்த போதுமான சிக்கலான மற்றும் விரிவானதாக நிரூபிக்கிறதா.

மீடியம் குறித்த ஒரு கட்டுரையில், வி.வி.பிரீதம் பயன்பாட்டு தர்க்க வாயில்களைப் பயன்படுத்துவதன் மூலம் நரம்பியல் நெட்வொர்க்குகளுக்கு தர்க்கத்தை கற்பிப்பது பற்றி பேசுகிறார். இந்த விரிவான பயிற்சி மனித நியூரான்களின் வேலையை உருவகப்படுத்தும் வழிகளில் தர்க்க வாயில்கள் மற்றும் குறியீட்டின் பயன்பாட்டை எவ்வாறு பிரதிநிதித்துவப்படுத்துவது என்பதைக் காட்டுகிறது.

இந்த வழியில், நேற்றைய கணினி அமைப்புகளின் வளர்ச்சியில் ஆரம்பத்தில் இடம்பெற்றிருந்த தர்க்க வாயில்கள், நரம்பியல் நெட்வொர்க்குகளில் மிகவும் மேம்பட்ட பணிகளுக்கான அடிப்படை ஆதாரங்களாகத் தொடர்கின்றன, மேலும் எப்போதும் வலுவான இயந்திர கற்றல் மற்றும் செயற்கை நுண்ணறிவு கருவிகளைப் பின்பற்றுவது நமது தொடர்புகளை வியத்தகு முறையில் மாற்றும் அடுத்த ஆண்டுகளில் தொழில்நுட்பத்துடன்.