फिटनेस अनुमान विकासवादी गणना और अनुकूलन में विधियों के एक परिवार को संदर्भित करता है जो एक महंगे, सटीक फिटनेस फ़ंक्शन को एक सस्ते, अनुमानित सरोगेट मॉडल से प्रतिस्थापित करता है। विकासवादी एल्गोरिदम में फिटनेस फ़ंक्शन मापता है कि एक उम्मीदवार समाधान किसी दिए गए समस्या को कितनी अच्छी तरह हल करता है, और इसका मूल्यांकन कम्प्यूटेशनल रूप से महंगा हो सकता है - उदाहरण के लिए, इंजीनियरिंग डिज़ाइन, द्रव गतिकी सिमुलेशन, या मशीन लर्निंग हाइपरपैरामीटर ट्यूनिंग में। फिटनेस अनुमान का उद्देश्य एक सरोगेट का उपयोग करके कुल कम्प्यूटेशनल बोझ को कम करना है जो फिटनेस मानों की भविष्यवाणी करता है, जिससे एल्गोरिदम को एक निश्चित बजट के भीतर अधिक उम्मीदवारों का पता लगाने या लंबे समय तक चलने की अनुमति मिलती है। यह दृष्टिकोण सरोगेट-सहायता प्राप्त अनुकूलन या मेटा-मॉडलिंग के रूप में भी जाना जाता है, और इसका अध्ययन 1990 के दशक से किया जा रहा है, जिसमें होंडा रिसर्च इंस्टीट्यूट यूरोप के याओचु जिन और बर्नहार्ड सेंडहॉफ जैसे शोधकर्ताओं का प्रारंभिक कार्य शामिल है।
मूल विचार मूल्यांकन सटीकता और कम्प्यूटेशनल लागत के बीच व्यापार-बंद को संतुलित करना है। एक सरोगेट मॉडल आमतौर पर पहले से मूल्यांकन किए गए समाधानों से बनाया जाता है, जिसमें बहुपद प्रतिगमन, क्रिगिंग (जिसे गाऊसी प्रक्रिया प्रतिगमन भी कहा जाता है), या तंत्रिका नेटवर्क जैसी प्रतिगमन तकनीकों का उपयोग किया जाता है। सरोगेट को नए सटीक मूल्यांकन किए जाने पर पुनरावृत्त रूप से अद्यतन किया जाता है, एक प्रक्रिया जिसे मॉडल प्रबंधन या विकास नियंत्रण कहा जाता है। फिटनेस अनुमान उन डोमेन में विशेष रूप से मूल्यवान है जहां एक एकल मूल्यांकन में घंटों या दिन लग सकते हैं, जैसे कम्प्यूटेशनल द्रव गतिकी, संरचनात्मक अनुकूलन, या डीप लर्निंग मॉडल का प्रशिक्षण। ऐसे मामलों में, सरोगेट अनुचित उम्मीदवारों को फ़िल्टर कर सकता है, केवल कुछ उच्च-क्षमता वाले समाधानों को सटीक मूल्यांकन के लिए छोड़ सकता है।
सरोगेट मॉडल और प्रशिक्षण
सरोगेट मॉडल सटीक मूल्यांकन से एकत्रित इनपुट-आउटपुट जोड़ों के डेटासेट पर प्रशिक्षित होते हैं। सामान्य विकल्पों में क्रिगिंग शामिल है, जो भविष्यवाणी और अनिश्चितता अनुमान दोनों प्रदान करता है, और रेडियल आधार फ़ंक्शन नेटवर्क, जो प्रशिक्षित करने में सरल और तेज़ हैं। मशीन लर्निंग विधियाँ, जिनमें तंत्रिका नेटवर्क और रैंडम फ़ॉरेस्ट (हालांकि प्रदान की गई सूची में नहीं, अवधारणा मानक है) शामिल हैं, भी उपयोग की जाती हैं। सरोगेट का चुनाव समस्या आयाम, उपलब्ध नमूनों की संख्या, और फिटनेस परिदृश्य की चिकनाई पर निर्भर करता है। कम-आयामी समस्याओं में, क्रिगिंग अक्सर अच्छा प्रदर्शन करता है; उच्च-आयामी स्थानों में, तंत्रिका नेटवर्क या सपोर्ट वेक्टर प्रतिगमन को प्राथमिकता दी जा सकती है। सरोगेट आमतौर पर मूल्यांकन किए गए समाधानों के एक उपसमुच्चय पर प्रशिक्षित होता है, और इसकी सटीकता क्रॉस-वैलिडेशन या होल्डआउट सेट का उपयोग करके निगरानी की जाती है।
मॉडल प्रबंधन रणनीतियाँ
मॉडल प्रबंधन यह निर्धारित करता है कि सरोगेट बनाम सटीक फिटनेस फ़ंक्शन का उपयोग कब करना है। एक सामान्य रणनीति पीढ़ी-आधारित दृष्टिकोण है, जहां सरोगेट एक पीढ़ी में सभी संतानों का मूल्यांकन करता है, और केवल सर्वश्रेष्ठ कुछ को सटीक रूप से पुनः मूल्यांकित किया जाता है। एक और व्यक्ति-आधारित दृष्टिकोण है, जहां प्रत्येक उम्मीदवार का एक निश्चित संभावना के साथ सटीक मूल्यांकन किया जाता है, या सरोगेट केवल उन उम्मीदवारों के लिए उपयोग किया जाता है जो ज्ञात अच्छे समाधानों से दूर हैं। जिन और सेंडहॉफ द्वारा पेश की गई विकास नियंत्रण विधि, व्यक्तियों का पूर्व-चयन करने के लिए सरोगेट का उपयोग करती है, फिर शीर्ष उम्मीदवारों पर सटीक मूल्यांकन लागू करती है। यह सटीक मूल्यांकन की संख्या को कम करता है जबकि खोज गुणवत्ता बनाए रखता है। अधिक उन्नत रणनीतियाँ अपनी अनुमानित त्रुटि के आधार पर सरोगेट के उपयोग को अनुकूलित करती हैं, जब सरोगेट अनिश्चित होता है तो सटीक मूल्यांकन का उपयोग करती हैं।
इंजीनियरिंग और एआई में अनुप्रयोग
फिटनेस अनुमान इंजीनियरिंग डिज़ाइन में व्यापक रूप से लागू किया गया है, जैसे विमान पंख, कार बॉडी, और टरबाइन ब्लेड का अनुकूलन, जहां प्रत्येक सिमुलेशन में घंटों लग सकते हैं। कृत्रिम बुद्धिमत्ता में, इसका उपयोग न्यूरोएवोल्यूशन में किया जाता है, जहां एक तंत्रिका नेटवर्क की फिटनेस डेटासेट पर इसकी सटीकता है, और प्रशिक्षण महंगा हो सकता है। सरोगेट मॉडल का उपयोग मशीन लर्निंग मॉडल के हाइपरपैरामीटर अनुकूलन में भी किया गया है, जहां एक कॉन्फ़िगरेशन का मूल्यांकन करने के लिए एक पूर्ण मॉडल का प्रशिक्षण आवश्यक होता है। सुदृढीकरण सीखने (सूची में नहीं, लेकिन मानक) में, फिटनेस अनुमान नीति खोज को तेज कर सकता है। यह तकनीक जनरेटिव एआई में भी प्रासंगिक है, जहां उत्पन्न डिज़ाइन या छवियों की गुणवत्ता का मूल्यांकन करने के लिए महंगे सिमुलेशन या मानव प्रतिक्रिया की आवश्यकता हो सकती है।
चुनौतियाँ और सीमाएँ
मुख्य चुनौती सरोगेट की सटीकता है, विशेष रूप से उच्च-आयामी या ऊबड़-खाबड़ फिटनेस परिदृश्यों में। एक गलत सरोगेट खोज को भटका सकता है, जिससे खराब समाधानों में समय से पहले अभिसरण हो सकता है। इसे कम करने के लिए, शोधकर्ता एन्सेम्बल सरोगेट का उपयोग करते हैं, जो कई मॉडलों को जोड़ते हैं, या अनुकूली रणनीतियाँ जो सरोगेट की त्रुटि बढ़ने पर सटीक मूल्यांकन की आवृत्ति बढ़ाती हैं। एक और मुद्दा आयाम का अभिशाप है: जैसे-जैसे डिज़ाइन चर की संख्या बढ़ती है, सरोगेट को तेजी से अधिक प्रशिक्षण नमूनों की आवश्यकता होती है। इसके अतिरिक्त, सरोगेट की स्वयं एक प्रशिक्षण लागत होती है, जिसे सटीक मूल्यांकन में बचत से अधिक होना चाहिए। व्यवहार में, फिटनेस अनुमान सबसे अच्छा काम करता है जब फिटनेस फ़ंक्शन चिकना और निरंतर होता है, और जब मूल्यांकन बजट गंभीर रूप से सीमित होता है।
हाल के विकास
हाल के कार्य ने फिटनेस अनुमान को डीप लर्निंग सरोगेट के साथ एकीकृत किया है, जैसे कि पिछले रन से बड़े डेटासेट पर प्रशिक्षित तंत्रिका नेटवर्क। ट्रांसफर लर्निंग और मेटा-लर्निंग का उपयोग नई समस्याओं के लिए सरोगेट को आरंभ करने के लिए किया गया है। बहु-उद्देश्यीय अनुकूलन में फिटनेस अनुमान का उपयोग करने में भी बढ़ती रुचि है, जहां कई विरोधाभासी उद्देश्यों के लिए कई सरोगेट की आवश्यकता होती है। बड़े भाषा मॉडल के संदर्भ में, उत्पन्न कोड या पाठ का मूल्यांकन करने के लिए फिटनेस अनुमान प्रस्तावित किया गया है, जहां सटीक मूल्यांकन में परीक्षण चलाना या मानव स्कोरिंग शामिल हो सकती है। 2025 तक, अनुसंधान सरोगेट सटीकता में सुधार और मजबूत मॉडल प्रबंधन योजनाओं को विकसित करने पर केंद्रित है जो शोर या गतिशील फिटनेस फ़ंक्शन को संभाल सकते हैं।
यह भी देखें
- विकासवादी गणना (सूची में नहीं, लेकिन मानक; कृत्रिम बुद्धिमत्ता से लिंक करें)
- अनुकूलन (सूची में नहीं; मशीन लर्निंग से लिंक करें)
- सरोगेट मॉडल (सूची में नहीं; तंत्रिका नेटवर्क से लिंक करें)
- क्रिगिंग (सूची में नहीं; तंत्रिका नेटवर्क से लिंक करें)