परसेप्ट्रॉन द्विआधारी वर्गीकरणकर्ताओं के पर्यवेक्षित अधिगम के लिए एक एल्गोरिदम है, जिसे 1958 में फ्रैंक रोसेनब्लैट द्वारा प्रस्तुत किया गया था। यह एक प्रकार का रैखिक वर्गीकरणकर्ता है जो भारों के एक समूह को फीचर वेक्टर के साथ संयोजित करने वाले रैखिक भविष्यवाणी फलन के आधार पर भविष्यवाणियाँ करता है। परसेप्ट्रॉन व्यापक ध्यान आकर्षित करने वाला पहला तंत्रिका नेटवर्क मॉडल बन गया, जिसने अपनी प्रारंभिक सीमाओं के बावजूद आधुनिक मशीन लर्निंग और डीप लर्निंग की नींव रखी।
उत्पत्ति और प्रारंभिक विकास
कृत्रिम न्यूरॉन की अवधारणा 1943 की है, जब वॉरेन मैककुलोच और वाल्टर पिट्स ने "ए लॉजिकल कैलकुलस ऑफ द आइडियाज इमैनेंट इन नर्वस एक्टिविटी" प्रकाशित की। 1957 में, फ्रैंक रोसेनब्लैट, जो कॉर्नेल एयरोनॉटिकल लेबोरेटरी में कार्यरत थे, ने IBM 704 पर परसेप्ट्रॉन का अनुकरण किया। वे हार्डवेयर कार्यान्वयन में अधिक रुचि रखते थे और उन्होंने संयुक्त राज्य नौसेना अनुसंधान कार्यालय के सूचना प्रणाली शाखा और रोम एयर डेवलपमेंट सेंटर से एक कस्टम एनालॉग कंप्यूटर, मार्क I परसेप्ट्रॉन बनाने के लिए धन प्राप्त किया। रोसेनब्लैट ने 1958 के एक पेपर में परसेप्ट्रॉन का वर्णन किया, इसे तीन प्रकार की इकाइयों में व्यवस्थित किया: संवेदी (S), संघ (A), और प्रतिक्रिया (R)। उन्होंने नवंबर 1958 में पहली अंतर्राष्ट्रीय AI संगोष्ठी, "मैकेनाइजेशन ऑफ थॉट प्रोसेसेस" में अपना कार्य प्रस्तुत किया।
मार्क I परसेप्ट्रॉन मशीन
मार्क I परसेप्ट्रॉन जून और दिसंबर 1959 के बीच बनाया गया था और 23 जून 1960 को सार्वजनिक रूप से प्रदर्शित किया गया। इसमें तीन परतें थीं: 20x20 ग्रिड में व्यवस्थित 400 फोटोसेल की एक श्रृंखला (S-इकाइयाँ), 512 संघ इकाइयों की एक छिपी हुई परत (A-इकाइयाँ), और आठ प्रतिक्रिया इकाइयों की एक आउटपुट परत (R-इकाइयाँ)। रोसेनब्लैट ने इसे अल्फा-परसेप्ट्रॉन कहा। S-इकाइयाँ A-इकाइयों से प्लगबोर्ड के माध्यम से यादृच्छिक रूप से जुड़ी थीं ताकि जानबूझकर पूर्वाग्रह से बचा जा सके, जो रोसेनब्लैट के विश्वास को दर्शाता है कि रेटिना दृश्य प्रांतस्था से यादृच्छिक रूप से जुड़ती है। A-से-R कनेक्शन में पोटेंशियोमीटर में एन्कोडेड समायोज्य भार थे, जो अधिगम के दौरान इलेक्ट्रिक मोटर्स द्वारा अद्यतन किए जाते थे। यह मशीन अब स्मिथसोनियन नेशनल म्यूजियम ऑफ अमेरिकन हिस्ट्री में है।
1958 में अमेरिकी नौसेना द्वारा आयोजित एक प्रेस कॉन्फ्रेंस में, रोसेनब्लैट ने साहसिक दावे किए, जिसके कारण द न्यूयॉर्क टाइम्स ने परसेप्ट्रॉन को "एक इलेक्ट्रॉनिक कंप्यूटर का भ्रूण" बताया, जिसके बारे में [नौसेना] उम्मीद करती है कि वह चलने, बोलने, देखने, लिखने, स्वयं को पुनरुत्पादित करने और अपने अस्तित्व के प्रति सचेत होने में सक्षम होगा। इससे नवजात AI समुदाय में विवाद उत्पन्न हुआ। 1960 से 1964 तक, सीआईए के फोटो डिवीजन ने हवाई तस्वीरों में सैन्य रूप से दिलचस्प छायाचित्र लक्ष्यों की पहचान के लिए मार्क I का अध्ययन किया।
न्यूरोडायनामिक्स के सिद्धांत (1962)
रोसेनब्लैट ने 1961 की एक रिपोर्ट पर आधारित अपनी 1962 की पुस्तक "प्रिंसिपल्स ऑफ न्यूरोडायनामिक्स" में परसेप्ट्रॉन वेरिएंट के साथ अपने प्रयोगों का विवरण दिया। वेरिएंट में क्रॉस-कपलिंग (एक ही परत के भीतर कनेक्शन), बैक-कपलिंग (बाद की परतों से पहले की परतों तक कनेक्शन), अंतिम दो परतों में समायोज्य भार वाले चार-परत परसेप्ट्रॉन, अनुक्रमिक डेटा के लिए समय-विलंबित इकाइयाँ, और ऑडियो विश्लेषण शामिल थे। मशीन को 1967 में सरकारी स्थानांतरण के तहत स्मिथसोनियन को भेज दिया गया था।
सीमाएँ और 1969 की आलोचना
एकल-परत परसेप्ट्रॉन केवल रैखिक रूप से वियोज्य पैटर्न सीख सकते हैं। एक चरण सक्रियण फलन वाले वर्गीकरण कार्य के लिए, एक एकल नोड एक एकल विभाजन रेखा बनाता है; अधिक नोड अधिक रेखाएँ बनाते हैं लेकिन उन्हें जटिल वर्गीकरणों में संयोजित नहीं कर सकते। परसेप्ट्रॉन या रैखिक नोड्स की एक दूसरी परत कई गैर-वियोज्य समस्याओं को हल कर सकती है। 1969 में, मार्विन मिंस्की और सीमोर पेपर्ट की पुस्तक "परसेप्ट्रॉन्स" ने दिखाया कि एकल-परत परसेप्ट्रॉन XOR फलन नहीं सीख सकते, एक परिणाम जिसे अक्सर यह साबित करने के रूप में गलत समझा गया कि तंत्रिका नेटवर्क मौलिक रूप से सीमित थे। इसने कई वर्षों तक तंत्रिका नेटवर्क अनुसंधान में ठहराव में योगदान दिया, जब तक कि यह मान्यता नहीं मिली कि बहुपरत परसेप्ट्रॉन (दो या अधिक परतों के साथ) अधिक प्रसंस्करण शक्ति प्रदान करते हैं।
विरासत और प्रभाव
परसेप्ट्रॉन की शुरुआत कृत्रिम बुद्धिमत्ता के इतिहास में एक महत्वपूर्ण क्षण थी, जिसने तंत्रिका नेटवर्क प्रतिमान की स्थापना की। अपने प्रारंभिक झटकों के बावजूद, परसेप्ट्रॉन के सिद्धांत आधुनिक डीप लर्निंग आर्किटेक्चर को रेखांकित करते हैं, जिसमें ट्रांसफार्मर मॉडल शामिल हैं जो बड़े भाषा मॉडल में उपयोग किए जाते हैं। रोसेनब्लैट के कार्य ने MIT CSAIL और स्टैनफोर्ड AI लैब जैसे संस्थानों में बाद के विकास को प्रभावित किया, और इसकी विरासत समकालीन AI अनुसंधान और अनुप्रयोगों में बनी हुई है।