एक तंत्रिका नेटवर्क एक कम्प्यूटेशनल मॉडल है जो सरल प्रसंस्करण इकाइयों की परस्पर जुड़ी परतों से बना होता है, जो मोटे तौर पर जैविक न्यूरॉन्स से प्रेरित होता है, जिसकी कनेक्शन शक्तियाँ, या भार, प्रशिक्षण के माध्यम से एक वांछित फ़ंक्शन का अनुमान लगाने के लिए समायोजित की जाती हैं। तंत्रिका नेटवर्क आधुनिक गहन शिक्षा और, विस्तार से, अधिकांश समकालीन कृत्रिम बुद्धिमत्ता प्रणालियों के पीछे मूल कम्प्यूटेशनल संरचना हैं।
इतिहास
समकालीन तंत्रिका नेटवर्क के लिए सैद्धांतिक आधार स्वतंत्र रूप से 1873 में अलेक्जेंडर बैन और 1890 में विलियम जेम्स द्वारा प्रस्तावित किया गया था, दोनों ने यह माना कि मानव विचार बड़ी संख्या में न्यूरॉन्स के बीच परस्पर क्रिया से उभरता है। 1949 में, डोनाल्ड हेब्ब ने हेब्बियन लर्निंग का वर्णन किया, यह विचार कि तंत्रिका नेटवर्क समय के साथ बदल और सीख सकते हैं, हर बार जब कोई सिग्नल उसके साथ यात्रा करता है तो एक सिनैप्स को मजबूत करके। सबसे पहला प्रशिक्षित कृत्रिम तंत्रिका मॉडल पर्सेप्ट्रॉन था, जिसे 1958 में फ्रैंक रोसेनब्लैट द्वारा पेश किया गया था, जो समायोज्य भार की एक परत का उपयोग करके सरल पैटर्न को वर्गीकृत करना सीख सकता था। इसकी सीमाएँ, जिन्हें 1969 में मार्विन मिंस्की और सीमोर पेपर्ट की आलोचना में प्रलेखित किया गया था, ने एआई शीतकाल के रूप में जाने जाने वाले शोध वित्त पोषण के व्यापक नुकसान में योगदान दिया। बहु-परत नेटवर्क में रुचि 1980 के दशक में बैकप्रोपेगेशन के लोकप्रिय होने के साथ पुनर्जीवित हुई, जो एक एल्गोरिदम है जो कुशलता से गणना करता है कि त्रुटि को कम करने के लिए नेटवर्क में प्रत्येक भार को कैसे बदलना चाहिए, जिससे छिपी परतों वाले नेटवर्क को व्यवहार में प्रशिक्षित किया जा सके। तंत्रिका नेटवर्क 2012 में एलेक्सनेट की सफलता के बाद एक विशिष्ट तकनीक से एआई में प्रमुख दृष्टिकोण में स्थानांतरित हो गए, जिसने प्रदर्शित किया कि कई परतों वाले नेटवर्क, ग्राफिक्स प्रोसेसिंग इकाइयों का उपयोग करके बड़े डेटासेट पर प्रशिक्षित, वास्तविक दुनिया के कार्यों पर पिछले तरीकों से काफी बेहतर प्रदर्शन कर सकते हैं।
संरचना
एक तंत्रिका नेटवर्क इकाइयों, या न्यूरॉन्स की परतों में व्यवस्थित होता है, जिनमें से प्रत्येक अपने इनपुट का भारित योग गणना करता है और अगली परत में भेजने से पहले परिणाम को एक गैर-रेखीय सक्रियण फ़ंक्शन के माध्यम से पारित करता है। प्रत्येक न्यूरॉन को "सिग्नल" इनपुट एक संख्या है, विशेष रूप से पिछली परत में जुड़े न्यूरॉन्स के आउटपुट का एक रैखिक संयोजन। नेटवर्क का व्यवहार न्यूरॉन्स के बीच कनेक्शन की ताकत (या भार) पर निर्भर करता है। एक नेटवर्क को अनुभवजन्य जोखिम न्यूनीकरण या बैकप्रोपेगेशन के माध्यम से इन भारों को संशोधित करके प्रशिक्षित किया जाता है ताकि कुछ पूर्व-मौजूदा डेटासेट को फिट किया जा सके। इनपुट और आउटपुट के बीच ऐसी कई परतों वाले नेटवर्क को "गहरा" कहा जाता है, जो गहन शिक्षा को इसका नाम देता है। प्रशिक्षण के दौरान, एक हानि फ़ंक्शन नेटवर्क के आउटपुट और वांछित परिणाम के बीच अंतर को मापता है, और ग्रेडिएंट डिसेंट उस अंतर को कम करने के लिए भार को पुनरावृत्त रूप से समायोजित करता है, बैकप्रोपेगेशन सभी परतों में एक साथ आवश्यक ग्रेडिएंट्स को कुशलता से प्रदान करता है।
वास्तुकला परिवार
विभिन्न नेटवर्क वास्तुकलाएँ विभिन्न प्रकार के डेटा के लिए उपयुक्त हैं। कन्वोल्यूशनल तंत्रिका नेटवर्क साझा, स्थानिक रूप से स्थानीय फिल्टर का उपयोग करते हैं और छवियों के लिए अच्छी तरह से उपयुक्त हैं। आवर्ती तंत्रिका नेटवर्क, जिसमें एलएसटीएम संस्करण शामिल है, चरण दर चरण अनुक्रमों को संसाधित करते हैं और ऐतिहासिक रूप से पाठ और भाषण के लिए उपयोग किए जाते थे, इससे पहले कि ट्रांसफॉर्मर वास्तुकला द्वारा विस्थापित किया गया, जो ध्यान का उपयोग करके पूरे अनुक्रमों को समानांतर में संसाधित करता है। जनरेटिव एडवरसैरियल नेटवर्क और डिफ्यूजन मॉडल जैसी जनरेटिव वास्तुकलाएँ केवल वर्गीकृत या भविष्यवाणी करने के बजाय नए डेटा उत्पन्न करने के कार्य के लिए तंत्रिका नेटवर्क लागू करती हैं।
सीमाएँ और व्याख्यात्मकता
तंत्रिका नेटवर्क को अक्सर "ब्लैक बॉक्स" के रूप में आलोचना की जाती है: उनके आंतरिक प्रतिनिधित्व मनुष्यों के लिए निरीक्षण या व्याख्या करना मुश्किल होते हैं, भले ही उनके आउटपुट सटीक हों। इसने एक शोध उपक्षेत्र को प्रेरित किया है जिसे कभी-कभी व्याख्यात्मकता कहा जाता है, जो यह पता लगाने का प्रयास करता है कि एक प्रशिक्षित नेटवर्क के व्यक्तिगत घटक क्या प्रतिनिधित्व करते हैं। इस अपारदर्शिता के बावजूद, तंत्रिका नेटवर्क दृष्टि, भाषा, ऑडियो, और तेजी से रोबोटिक्स और वैज्ञानिक अनुप्रयोगों में प्रमुख उपकरण बने हुए हैं, मुख्यतः क्योंकि उनका प्रदर्शन अधिक डेटा, अधिक मापदंडों और अधिक कंप्यूट के साथ पूर्वानुमानित रूप से सुधारना जारी रखता है।
हाल के विकास
2020 के दशक में, तंत्रिका नेटवर्क ने आकार और क्षमता में बढ़ना जारी रखा है, विशेष रूप से जनरेटिव एआई के क्षेत्र में। ट्रांसफॉर्मर वास्तुकला पर निर्मित बड़े भाषा मॉडल ने तर्क, अनुवाद और कोड निर्माण में उभरती क्षमताओं का प्रदर्शन किया है, जबकि डिफ्यूजन मॉडल उच्च गुणवत्ता वाले छवि और वीडियो संश्लेषण के लिए मानक बन गए हैं। तंत्रिका नेटवर्क व्याख्यात्मकता में अनुसंधान भी आगे बढ़ा है, यांत्रिक व्याख्यात्मकता जैसी तकनीकों के साथ प्रशिक्षित नेटवर्क की आंतरिक गणनाओं को रिवर्स-इंजीनियर करने का लक्ष्य है। इन विकासों ने तंत्रिका नेटवर्क को कई क्षेत्रों में एक मौलिक तकनीक के रूप में मजबूत किया है, जिसमें वैज्ञानिक खोज और स्वायत्त प्रणालियाँ शामिल हैं।