उत्तरप्रकाशित2 घंटे पहलेLast edited 2 घंटे पहले16 स्रोत

सिमुलेशन में बड़े बदलाव का पहले से अनुमान लगाने वाला AI मॉडल

मॉडल ने बदलाव से पहले की प्रणालीगत गतिविधियों से सीखकर अनिश्चितता के आधार पर भविष्य के संभावित tipping points का अनुमान लगाया। इसे एक सरलीकृत जलवायु मॉडल और विमान के पंख के आसपास अशांत वायु प्रवाह के सिमुलेशन में परखा गया। जलवायु सिमुलेशन में दो साल से अधिक पहले पूर्वानुमान और करीब 11 दिन की त्रुटि की एक रिपोर्ट है—...

प्रकाशितकर्ताGPT-6 Luna से संपादितGPT Image 2 से चित्र बनाए गए

Studio Global AI के साथ खोजें और तथ्यों की जांच करें और ट्रेंडिंग पेज देखें

शोध उत्तर

मुख्य निष्कर्ष

मॉडल ने बदलाव से पहले की प्रणालीगत गतिविधियों से सीखकर अनिश्चितता के आधार पर भविष्य के संभावित tipping points का अनुमान लगाया।
इसे एक सरलीकृत जलवायु मॉडल और विमान के पंख के आसपास अशांत वायु प्रवाह के सिमुलेशन में परखा गया।
जलवायु सिमुलेशन में दो साल से अधिक पहले पूर्वानुमान और करीब 11 दिन की त्रुटि की एक रिपोर्ट है—यह वास्तविक जलवायु बदलाव की भविष्यवाणी का प्रमाण नहीं है।

Illustration representing an AI model analyzing changing system behavior and a possible tipping point — How did researchers from Caltech, the University of Colorado Boulder and NVIDIA develop and test the recurrent neural operator (RNO) describIllustrative image of AI-assisted tipping-point analysis; it is not a visualization from the study.
AI संकेत
Create a landscape editorial hero image for this Studio Global article: How did researchers from Caltech, the University of Colorado Boulder and NVIDIA develop and test the recurrent neural operator (RNO) describ. Article summary: The available evidence supports the study’s central idea: a recurrent neural operator (RNO) learns a system’s evolution from pre-tipping-point data and uses an uncertainty-based approach to detect future abrupt transitio. Topic tags: general, education, academic, general web, government. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermark
openai.com

किसी प्राकृतिक या तकनीकी प्रणाली में कभी-कभी ऐसा मोड़ आता है, जिसके बाद उसका व्यवहार अचानक बदल सकता है—और बदलाव को पलटना मुश्किल या असंभव हो सकता है। ऐसे अहम पड़ाव को ‘टिपिंग पॉइंट’ कहा जाता है। शोधकर्ताओं ने यह जाँचने के लिए recurrent neural operator (RNO) नाम का AI मॉडल विकसित किया कि क्या ऐसे बदलावों का पहले से संकेत मिल सकता है।3 6

इस काम से जुड़ी टीम में Caltech, University of Colorado Boulder और NVIDIA के शोधकर्ता शामिल हैं। अहम बात यह है कि मॉडल को tipping point के बाद के उदाहरणों पर प्रशिक्षित नहीं किया गया: अध्ययन के अनुसार, उसने बदलाव से पहले की प्रणालीगत गतिविधियों से सीखा और फिर अनिश्चितता-आधारित तरीके से भविष्य के tipping points का अनुमान लगाया।3 6

RNO क्या करता है?

अध्ययन tipping point को ऐसी गैर-स्थिर (non-stationary) प्रणाली में अचानक, बड़ा और अक्सर अपरिवर्तनीय बदलाव मानता है। गैर-स्थिर प्रणाली में समय के साथ व्यवहार बदलता रहता है। RNO अलग-अलग अवस्थाओं का वर्णन करने वाले फ़ंक्शन-समूहों के बीच संबंध सीखता है और यह मॉडल करता है कि प्रणाली समय के साथ कैसे विकसित होती है।3

शोधपत्र में इस पूर्वानुमान के लिए conformal prediction ढाँचे का ज़िक्र है—यह मॉडल के अनुमान के साथ उसकी अनिश्चितता को भी ध्यान में रखता है। सरल शब्दों में, मकसद सिर्फ बदलाव हो जाने के बाद उसे पहचानना नहीं, बल्कि पहले से सीखे व्यवहार के आधार पर संभावित बदलाव का अंदाज़ा लगाना है।3

हालाँकि, उपलब्ध अध्ययन-विवरण यह नहीं बताते कि मॉडल की ‘recurrent’ मेमोरी को तकनीकी रूप से कैसे लागू किया गया। न ही वे इस दावे की पुष्टि करते हैं कि मॉडल कोई अलग अलार्म चलाता है, जो भौतिक नियमों से मेल न खाने वाले अनुमान को पकड़ता हो। इसलिए केवल RNO नाम के आधार पर इन क्षमताओं का अनुमान लगाना ठीक नहीं होगा।

किन सिमुलेशन में इसे परखा गया?

शोध में RNO को सरल बनाए गए मॉडलों पर परखा गया, जिनमें जलवायु-परिवर्तन का एक मॉडल और विमान के पंख के आसपास अशांत वायु-प्रवाह का सिमुलेशन शामिल थे।1 3 जलवायु वाला उदाहरण इस संभावना से जुड़ा है कि ग्रीनहाउस गैसों की मात्रा बढ़ने पर निचले बादलों का आवरण तेज़ी से घट सकता है।4

ये नियंत्रित कंप्यूटर सिमुलेशन हैं। वे दिखा सकते हैं कि मॉडल किसी गणितीय प्रणाली में बदलाव का अनुमान लगा पाता है या नहीं। लेकिन इनसे यह साबित नहीं होता कि मॉडल वास्तविक जलवायु या इंजीनियरिंग प्रणालियों में किसी सीमा के पार जाने का समय भरोसेमंद ढंग से बता सकता है।1 3

‘दो साल पहले’ वाले नतीजे को कैसे समझें?

एक माध्यमिक रिपोर्ट के मुताबिक, जलवायु सिमुलेशन में मॉडल ने एक सीमा-पार बदलाव का दो साल से अधिक पहले अनुमान लगाया और समय के अनुमान में करीब 11 दिन की त्रुटि रही।11 उपलब्ध प्राथमिक स्रोतों में इस त्रुटि का पैमाना स्पष्ट नहीं है और यह भी नहीं बताया गया कि आँकड़ा एक प्रयोग का है या कई परीक्षणों का। इसलिए इसे एक सिमुलेशन में बताया गया नतीजा मानना चाहिए, हर परिस्थिति में प्रदर्शन की गारंटी नहीं।

अध्ययन के पुराने संस्करण में RNO की तुलना Markov neural operators और recurrent neural networks से की गई थी। उसके सार के अनुसार, बताए गए परीक्षण में लंबे पूर्वानुमान-अंतराल पर RNO का प्रदर्शन बेहतर बना रहा। यह नतीजा इस व्यापक दावे का आधार नहीं है कि RNO हर परिस्थिति में हर दूसरे मॉडल से बेहतर होगा।34

सबसे अहम सीमा: सिमुलेशन वास्तविक दुनिया नहीं है

मौजूदा प्रमाण से इतना कहा जा सकता है कि अनिश्चितता-आधारित RNO को गैर-स्थिर प्रणालियों में शुरुआती चेतावनी के तरीके के रूप में सिमुलेशन पर परखा गया है।3 वास्तविक दुनिया के अवलोकनों के आधार पर इसकी विश्वसनीयता इन नतीजों से स्थापित नहीं होती। असली प्रणालियाँ सिमुलेशन से अलग हो सकती हैं और उपलब्ध साक्ष्य वास्तविक परिस्थितियों में इसकी पुष्टि नहीं दिखाते।

जलवायु जोखिम पर फैसलों के लिए यह फर्क मायने रखता है। नियंत्रित मॉडल में पहले से चेतावनी मिलना एक उपयोगी शोध-चरण है—लेकिन यह इस बात का प्रमाण नहीं कि वास्तविक जलवायु tipping point भी उतने ही समय पहले या उतनी ही सटीकता से बताया जा सकता है।

Studio Global AI

अपना शोध जारी रखें

इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।

Studio Global AI के साथ खोजें और तथ्यों की जांच करें

लोग पूछते भी हैं