भौतिकी के नियम किसी दृष्टिकोण से नहीं बदलते हैं। हालांकि, यह विचार कंप्यूटर को उच्च आयामों के घुमावदार स्थान में कुछ विशेषताओं को पहचानने में मदद करता है।
कंप्यूटर कार चलाना सीखते हैं, बोर्ड गेम्स में विश्व चैंपियन को हराते हैं, और गद्य भी लिखते हैं। अधिकांश भाग के लिए, एआई क्रांति एक प्रकार के कृत्रिम तंत्रिका नेटवर्क की क्षमताओं पर आधारित है, जिसकी योजना स्तनधारी मस्तिष्क के दृश्य प्रांतस्था में न्यूरॉन्स की परस्पर परतों से प्रेरित है। तथाकथित "दृढ़ तंत्रिका नेटवर्क" (SNA) दो आयामी डेटा में पैटर्न खोजने के लिए आश्चर्यजनक रूप से अच्छी तरह से अनुकूल निकला - विशेष रूप से कंप्यूटर विज़न कार्यों में जैसे डिजिटल चित्रों में हस्तलिखित शब्दों या वस्तुओं को पहचानना।
लेकिन जब एक विमान पर ज्यामिति के लिए reducible नहीं होने वाले डेटासेट्स पर लागू किया जाता है - उदाहरण के लिए, 3 डी कंप्यूटर एनीमेशन में उपयोग किए जाने वाले अनियमित आकार के मॉडल, जो उनके चारों ओर दुनिया को चिह्नित करने के लिए रोबबॉम्बाइल्स द्वारा उत्पन्न बादलों को इंगित करने के लिए - यह कुशल मशीन लर्निंग (एमओ) वास्तुकला अब नहीं है इतनी अच्छी तरह से काम करता है। 2016 में, एक नया अनुशासन, ज्यामितीय गहन शिक्षा (जीजीओ) दिखाई दिया, जिसका उद्देश्य एसएनए को विमान से बाहर लाना था।
अब, शोधकर्ताओं ने किसी भी ज्यामितीय सतहों पर पैटर्न खोजने में सक्षम एनएस के निर्माण के लिए एक नया सैद्धांतिक मंच विकसित करके अपना लक्ष्य प्राप्त किया है। ये गेज-इक्वेरिएंट कंफ्यूज़नल न्यूरल नेटवर्क एम्स्टर्डम विश्वविद्यालय और क्वालकॉम एआई रिसर्च लैब में विकसित किए गए थे, जिसमें
टैको कोहेन ,
मौरिस वीलर ,
बर्कई किटसनोग्लू और
मैक्स वेलिंग जैसे शोधकर्ताओं की भागीदारी थी। ईएसएनएस न केवल पिक्सल के दो आयामी सरणियों में, बल्कि गोले और विषम वक्र वस्तुओं पर भी पैटर्न पा सकता है। "यह मंच घुमावदार सतहों पर गहन सीखने की समस्या से उत्पन्न चुनौती का एक निश्चित जवाब है," वेलिंग ने कहा।
KESNS ने वैश्विक जलवायु के सिमुलेशन में पैटर्न का पता लगाने में अपने पूर्ववर्तियों को पहले ही गंभीरता से पछाड़ दिया है, जो स्वाभाविक रूप से क्षेत्र में आयोजित किए जाते हैं। एल्गोरिदम ड्रोन और रोबोमोबाइल्स की दृष्टि को बेहतर बनाने के लिए भी उपयोगी हो सकता है जो तीन आयामी वस्तुओं का अनुभव करता है, और हृदय, मस्तिष्क या अन्य अंगों की अनियमित आकृतियों की घुमावदार सतहों से एकत्रित आंकड़ों में पैटर्न का पता लगाने के लिए।
टैको कोहेन, सीईसीएनएस के प्रमुख आर्किटेक्ट में से एकप्लेन के बाहर शोधकर्ताओं द्वारा पाई गई जीओ समस्या के समाधान का भौतिकी से गहरा संबंध है। भौतिक सिद्धांत जो दुनिया का वर्णन करते हैं, जैसे कि अल्बर्ट आइंस्टीन के सापेक्षता के सामान्य सिद्धांत या भौतिकी में मानक मॉडल, "गेज संतुलन" की संपत्ति है। इसका मतलब यह है कि दुनिया और उनके रिश्ते की परिमाण मनमाने संदर्भ प्रणालियों (या "अंशांकन") पर निर्भर नहीं करते हैं; वे इस बात से बेपरवाह रहते हैं कि पर्यवेक्षक चल रहा है या आराम कर रहा है, या शासक की संख्या के बीच की दूरी। विभिन्न साधनों द्वारा लिए गए मापों को एक दूसरे में परिवर्तित किया जाना चाहिए ताकि चीजों के बीच अंतरसंबंध बनाए रखा जा सके।
उदाहरण के लिए, यदि हम यार्ड में एक फुटबॉल मैदान की लंबाई को मापते हैं, और फिर मीटर में, हमें अलग-अलग नंबर मिलेंगे, लेकिन उनका अंतर अनुमानित होगा। दो अलग-अलग बिंदुओं से किसी वस्तु की तस्वीरें लेने वाले दो फोटोग्राफरों को अलग-अलग चित्र प्राप्त होंगे, लेकिन वे एक-दूसरे से जुड़े हो सकते हैं। माप के बिंदु या इकाइयों की परवाह किए बिना गेज समीकरण भौतिक मॉडल की स्थिरता सुनिश्चित करता है। KESNS डेटा के बारे में समान धारणाओं को स्वीकार करता है।
"वे भौतिकी के विचार को तंत्रिका नेटवर्क में लाना चाहते थे - जब कोई विशेष क्षेत्र न हो," न्यू यॉर्क विश्वविद्यालय के भौतिक विज्ञानी
काइल क्रैमर ने कहा, जो एमओ को कण भौतिकी में लागू करता है। "और उन्हें लगा कि यह कैसे करना है।"
प्लेन से बच गए
2015 में, इंपीरियल कॉलेज लंदन के एक कंप्यूटर विज्ञान विशेषज्ञ,
माइकल ब्रोंस्टीन ने "ज्यामितीय गहन शिक्षा" शब्द का निर्माण किया, जिसमें विमान से दूर जाने और 3 डी डेटा में पैटर्न की तलाश करने में सक्षम एनएस को विकसित करने के लिए किए गए पहले प्रयासों का वर्णन किया। जल्द ही यह शब्द - और अनुसंधान -
जड़ ले लिया ।
ब्रोंस्टीन और उनके सहयोगियों को पता था कि यूक्लिडियन विमान से परे जाने से दो-आयामी छवियों को पहचानने में एनएस को प्रभावी बनाने वाली बुनियादी कम्प्यूटेशनल प्रक्रियाओं में से एक का फिर से आविष्कार करना होगा। यह प्रक्रिया, तथाकथित "रूपांतरण" एनएस परत को इनपुट डेटा के छोटे वर्गों पर गणितीय संचालन करने की अनुमति देता है, और फिर परिणाम को अगली नेटवर्क परत पर स्थानांतरित करता है।
"आप एक स्लाइडिंग विंडो के रूप में पैकेज की कल्पना कर सकते हैं," ब्रोंस्टीन ने समझाया। SNA ने डेटा के अनुसार इस तरह की बहुत सारी फ़िल्टर विंडो को स्थानांतरित किया है, और उनमें से प्रत्येक एक निश्चित पैटर्न की तलाश कर रहा है। बिल्ली की तस्वीर के मामले में, एक प्रशिक्षित SNA फ़िल्टर का उपयोग कर सकता है जो पिक्सेल में निम्न-स्तर के संकेतों को पहचानता है, जैसे कि चेहरे। ये संकेत नेटवर्क की अगली परतों तक प्रेषित होते हैं, और वे अतिरिक्त आक्षेप का संचालन करते हैं, उच्च स्तर के संकेतों को चुनते हैं - जैसे आँखें, पूंछ या त्रिकोणीय कान। नतीजतन, बिल्लियों को पहचानने के लिए प्रशिक्षित एसएनएस इन परत-दर-परत दृढ़ संकल्प के परिणामों का उपयोग करता है ताकि यह पता लगाया जा सके कि तस्वीर में बिल्ली है या नहीं।
एसएनएस के रूप में देखें:
- फिल्टर जो पहचानते हैं वे आने वाली छवि के साथ आगे बढ़ते हैं, और प्रत्येक स्थिति में प्रत्येक फ़िल्टर के साथ संयोग की डिग्री दर्ज की जाती है, जो संकेतों का एक नक्शा देता है।
- प्रसंस्करण के बाद, पहले से ही उच्च स्तर की सुविधाओं के लिए कॉन्फ़िगर किए गए फिल्टर का उपयोग करके, फीचर कार्ड को फिर से सजाया जाता है।
- नतीजतन, नेटवर्क छवियों को पहचानना और सही ढंग से वर्गीकृत करना सीखता है।
हालांकि, यह दृष्टिकोण केवल विमान पर काम करता है। वेलिंग ने कहा, "जब आपको जिस विमान का विश्लेषण करने की आवश्यकता है, वह विकृत है, तो आपको समस्या है।"
एक घुमावदार सतह पर बातचीत करना - ज्यामिति में इसे एक
टोपोलॉजिकल मैनिफोल्ड कहा जाता
है - यह ग्राफ पेपर के एक वर्ग टुकड़े को ग्लोब पर धकेलने की तरह है, इस पर ग्रीनलैंड के तट के आकृति को सटीक रूप से स्थानांतरित करने की कोशिश कर रहा है। आप इसे क्रश किए बिना ग्रीनलैंड को पेपर निचोड़ नहीं सकते, जिसका अर्थ है कि जब आप इसे फिर से सुचारू करेंगे तो आपकी ड्राइंग विकृत हो जाएगी। आप एक बिंदु पर ग्लोब के खिलाफ कागज को झुका सकते हैं, और आकृति को आकर्षित कर सकते हैं, उन्हें कागज के माध्यम से देख सकते हैं (इस तकनीक को
मर्केटर प्रोजेक्शन के रूप में जाना जाता है), लेकिन इस मामले में भी विकृतियां प्राप्त की जाएंगी। आप ग्राफ पेपर को एक फ्लैट वर्ल्ड मैप में संलग्न कर सकते हैं, एक ग्लोब नहीं, लेकिन फिर आप सिर्फ इसकी विकृतियों को कॉपी कर सकते हैं - उदाहरण के लिए, इस तथ्य के बारे में सोचें कि मैप के पूरे शीर्ष किनारे का वास्तव में दुनिया के एकमात्र बिंदु, उत्तरी ध्रुव का मतलब है। और अगर विविधता दुनिया की तरह साफ-सुथरी गोलाकार नहीं बनती है, लेकिन कुछ अधिक जटिल और गलत है, जैसे कि तीन-आयामी बोतल के आकार, या एक रखी हुई प्रोटीन, तो इसे मनाने के लिए और भी मुश्किल होगा।
ब्रोंस्टीन और उनके सहयोगियों
ने 2015 में गैर-यूक्लिडियन मैनिफोल्ड्स पर कन्वेंशन समस्या का एक समाधान
पाया । उन्होंने विंडो-स्लाइडिंग संरचना को एक संरचना के साथ बदल दिया, जो ग्राफ पेपर के एक टुकड़े से अधिक एक गोल वेब जैसा दिखता है - यह झुनझुनी के बिना ग्लोब (या किसी भी घुमावदार सतह) के खिलाफ झुका जा सकता है, बिना फाड़ या खींच के।
स्लाइडिंग फिल्टर के गुणों को बदलने से कुछ ज्यामितीय संबंधों के SNA की समझ प्रभावित हुई। उदाहरण के लिए, नेटवर्क स्वचालित रूप से समझ सकता है कि एक तीन-आयामी आंकड़ा, अलग-अलग तरीकों से घुमावदार - उदाहरण के लिए, एक व्यक्ति जो सीधा खड़ा है, और एक व्यक्ति जिसने एक पैर उठाया - एक और एक ही वस्तु है, और दो पूरी तरह से अलग नहीं हैं। इसके अलावा, इस परिवर्तन ने नाटकीय रूप से नेशनल असेंबली के प्रदर्शन में सुधार किया। ब्रोंस्टीन ने कहा कि मानक एसएनएस ने "आंकड़ों के लाखों उदाहरणों का उपयोग किया है, उन्हें हफ्तों तक प्रशिक्षित करने की आवश्यकता है।" "हम विभिन्न पोज में लगभग 100 आंकड़े का उपयोग करते हैं और लगभग आधे घंटे के लिए नेटवर्क को प्रशिक्षित करते हैं।"
उसी समय, एम्सटर्डम के टैको कोहेन और उनके सहयोगियों ने विपरीत दिशा से इस समस्या का सामना करना शुरू कर दिया। 2015 में, कोहेन, जो तब एक स्नातक छात्र थे, ने विमान से भागने के मुद्दे का अध्ययन नहीं किया था। वह एक व्यावहारिक में रुचि रखते थे, जैसा कि उन्होंने माना था, इंजीनियरिंग समस्या: डेटा दक्षता, यानी, हजारों या लाखों के बजाय कम उदाहरणों का उपयोग करके एनएस को प्रशिक्षित करने का प्रश्न, जो आमतौर पर इसके लिए आवश्यक होते हैं। कोहेन ने कहा, "गहरी शिक्षा बहुत धीमी है।" बिल्लियों को पहचानने के लिए एसएनएस को प्रशिक्षित करने (इंटरनेट पर बिल्ली के चित्रों की अटूट आपूर्ति को देखते हुए) यह कोई विशेष समस्या पैदा नहीं करता है। लेकिन अगर आप SNA को कुछ और महत्वपूर्ण पहचानना सिखा रहे हैं, जैसे कि फेफड़े के ऊतकों की एक छवि में कैंसर के ट्यूमर, तो पर्याप्त मात्रा में प्रशिक्षण डेटा खोजना - चिकित्सकीय रूप से सटीक, सही ढंग से लेबल किया हुआ, और कॉपीराइट से मुक्त - काफी मुश्किल है। और नेटवर्क को प्रशिक्षित करने के लिए आवश्यक कम उदाहरण, बेहतर।
कोहेन को पता था कि डेटा की प्रभावशीलता बढ़ाने का एक तरीका एनएस को इस डेटा के बारे में पहले से कुछ विचार देना था, उदाहरण के लिए, एक फेफड़े का कैंसर ट्यूमर होने से नहीं बचता है अगर उसकी छवि घूमती है या प्रतिबिंबित होती है। कन्वेंशन नेटवर्क को आमतौर पर खरोंच से ऐसी जानकारी सीखने की ज़रूरत होती है, एक ही पैटर्न के कई उदाहरणों का अध्ययन करते हुए, विभिन्न रूपों में प्रस्तुत किया जाता है। 2016 में, कोहेन और वेलिंग ने एक
लेख में यह वर्णन करते हुए काम किया कि कैसे इन मान्यताओं में से कुछ को ज्यामितीय समरूपता के रूप में एनएस में रखा जाए। इस तरह के दृष्टिकोण ने इतनी अच्छी तरह से काम किया कि 2018 में, कोहेन और मैरिकिया विंकल्स ने इसे और भी अधिक संक्षेप में प्रस्तुत किया,
जिससे सीटी छवियों में फेफड़े के कैंसर की पहचान में आशाजनक परिणाम मिले। उनका एनएस केवल डेटा के दसवें हिस्से का उपयोग करके बीमारी की उपस्थिति के दृश्य प्रमाण खोजने में सक्षम था, जहां से अन्य तंत्रिका नेटवर्क को प्रशिक्षित किया गया था।
एम्स्टर्डम के शोधकर्ताओं ने अपने सामान्यीकरण को जारी रखा, और अंततः संतुलन बनाने के लिए आए।
इक्विवेरियन का विस्तार
भौतिकी और मशीन सीखने में कुछ सामान्य है। कोहेन के अनुसार, "दोनों क्षेत्र उन मॉडलों का अवलोकन करने और निर्माण करने में व्यस्त हैं जो बाद के टिप्पणियों के परिणामों की भविष्यवाणी करते हैं।" उन्होंने कहा कि जो महत्वपूर्ण है, वह यह है कि दोनों क्षेत्र अलग-अलग चीजों के मॉडल नहीं बनाते हैं (यह हाइड्रोजन परमाणु के लिए एक विवरण के लिए शायद ही उपयोगी है, और एक ही परमाणु के लिए दूसरा, केवल उलटा है), लेकिन सामान्य श्रेणियों का। "और भौतिकी, निश्चित रूप से, इसमें काफी प्रगति हुई है।"
equivariance
इक्विवेरियन (या "कोविरियन," जैसा कि भौतिक विज्ञानी पसंद करते हैं) यह धारणा है कि भौतिकविदों ने आइंस्टीन के बाद से अपने मॉडल को सामान्य बनाने में भरोसा किया है। "यह सिर्फ इसका मतलब है कि यदि आप किसी तरह के भौतिकी का सही वर्णन करते हैं, तो यह विवरण इस बात की परवाह किए बिना होना चाहिए कि आप किस तरह के 'शासकों' का उपयोग करते हैं, या सामान्य तौर पर, आप किस तरह के पर्यवेक्षक हैं," एक सैद्धांतिक भौतिक विज्ञानी
मिरांडा चेन ने बताया। एम्स्टर्डम विश्वविद्यालय से, जिन्होंने कोहेन और अन्य वैज्ञानिकों के साथ भौतिकी और केईएनएस के बीच संबंधों के अध्ययन पर
एक लेख लिखा था। जैसा कि आइंस्टीन ने खुद 1916 में लिखा था: "प्रकृति के सामान्य नियमों को सभी समन्वय प्रणालियों में काम करने वाले समीकरणों द्वारा व्यक्त किया जाना चाहिए।"
मिरांडा चेन, एम्स्टर्डम विश्वविद्यालय से एक सैद्धांतिक भौतिक विज्ञानीइस तरह के एक सिद्धांत, "ट्रांसफर इक्वेरियन" के एक सरल उदाहरण के उपयोग के कारण नागरिक सुरक्षा में सबसे सफल तंत्रिका नेटवर्क बन गए हैं। एक फ़िल्टर विंडो जो छवि में एक विशिष्ट विशेषता को पहचानती है - उदाहरण के लिए, ऊर्ध्वाधर चेहरे - स्लाइड (या "रैप") पिक्सेल के एक विमान के साथ और उन सभी स्थानों को रिकॉर्ड करती है जहां ऐसे ऊर्ध्वाधर चेहरे स्थित हैं; फिर यह एक "फीचर मैप" बनाता है, जो इन स्थानों को चिह्नित करता है, और इसे नेटवर्क के अगले स्तर तक पहुंचाता है। फीचर मैप्स का निर्माण स्थानांतरण के संतुलन के कारण प्राप्त किया जाता है: तंत्रिका नेटवर्क मानता है कि एक ही सुविधा द्वि-आयामी विमान में कहीं भी दिखाई दे सकती है, और यह ऊर्ध्वाधर चेहरे को पहचान सकता है, ऊपरी दाएं या निचले बाएं कोने में।
वेइलर ने कहा, "समतुल्य एनएस का सार इन स्पष्ट समरूपताओं को लेना और उन्हें नेटवर्क वास्तुकला में शामिल करना है ताकि यह संपत्ति मुफ्त में काम करे।"
2018 तक, वेइलर, कोहेन और उनके पर्यवेक्षक, मैक्स वेलिंग ने इस "नि: शुल्क कार्रवाई" का विस्तार किया है ताकि अन्य प्रकार के साम्य को शामिल किया जा सके। उनके "समूह-समतुल्य SNA" इन विशेषताओं के विशिष्ट रूपों से सीखने की आवश्यकता के बिना फ्लैट चित्रों में घुमाए गए या प्रतिबिंबित विशेषताओं को पहचान सकते हैं; गोलाकार SNA सपाट अनुमानों में बदल जाने पर उन्हें विकृत किए बिना एक गोले की सतह पर स्थित डेटा के आधार पर फीचर मैप बना सकते हैं।
यह दृष्टिकोण अभी भी सार्वभौमिक नहीं था कि वह अनियमित आकार की ढेलेदार संरचना पर डेटा के साथ काम कर सके - अर्थात, वास्तविक दुनिया में लगभग किसी भी वस्तु पर, आलू से प्रोटीन तक, मानव शरीर से अंतरिक्ष-समय की वक्रता तक। इस तरह की घोषणाओं में "वैश्विक" समरूपता नहीं होती है, जिसके बारे में नेशनल असेंबली समतुल्य धारणाएं बना सकती है: उनका कोई भी खंड अन्य सभी से अलग है।
घुमावदार सतहों पर तह, जिस पर मानक एसएनए काम नहीं करते हैं। किनारे की पहचान के साथ एक फिल्टर जो इस तरह की सतह के साथ स्लाइड करता है, पथ पर निर्भर करता है, एक अलग अभिविन्यास ले सकता है और विभिन्न फीचर मैप्स का उत्पादन कर सकता है।समस्या यह है कि सतह पर एक फ्लैट फिल्टर को फिसलने से विशेष पथ के आधार पर, इसके अभिविन्यास को बदल सकते हैं। एक साधारण पैटर्न को पहचानने के लिए कॉन्फ़िगर किए गए फ़िल्टर की कल्पना करें: बाईं ओर एक अंधेरे स्थान और दाईं ओर एक उज्ज्वल स्थान। इसे चारों दिशाओं में एक सपाट सतह पर ले जाएं, और यह हमेशा उसी तरह उन्मुख होगा। लेकिन क्षेत्र की सतह पर भी स्थिति बदल रही है। यदि आप गोले के भूमध्य रेखा के साथ फिल्टर 180 डिग्री पकड़ते हैं, तो इसका अभिविन्यास बना रहेगा - बाईं ओर एक अंधेरे स्थान, दाईं ओर एक प्रकाश स्थान। हालाँकि, यदि आप इसे गोले के उत्तरी ध्रुव के माध्यम से एक ही बिंदु पर खींचते हैं, तो फ़िल्टर उल्टा हो जाएगा। वह डेटा में समान पैटर्न नहीं खोजेगा, उसी साइन मैप का उत्पादन नहीं करेगा। फ़िल्टर को अधिक जटिल विविधता पर ले जाएं, और अंत में यह किसी भी दिशा में इंगित करने में सक्षम होगा।
वेलिंग ने बताया कि बिंदु, विभिन्न रास्तों पर चलते समय फ़िल्टर के अभिविन्यास में ट्रैकिंग परिवर्तनों के बारे में भूलना है। इसके बजाय, आप फ़िल्टर के केवल एक अभिविन्यास (या अंशांकन) का चयन कर सकते हैं, और फिर किसी अन्य अभिविन्यास को इसमें परिवर्तित करने का एक सुसंगत तरीका निर्धारित कर सकते हैं।
समस्या यह है कि हालांकि किसी भी अंशांकन का उपयोग मूल अभिविन्यास में किया जा सकता है, अन्य विकल्पों में परिवर्तित करना मूल पैटर्न को संरक्षित करना चाहिए - ठीक उसी तरह जैसे कि प्रकाश की गति को मीटर प्रति सेकंड से मील प्रति घंटे में परिवर्तित करना अंतर्निहित भौतिक मात्रा को संरक्षित करना चाहिए। गेज इक्वेरिएंट दृष्टिकोण के साथ, वेलिंग कहते हैं, "संख्याएं खुद बदलती हैं, लेकिन वे पूरी तरह से अनुमान लगाते हैं।"
सोइन, वीलर, और वेलिंग एन्कोडेड गेज इक्वेरिएंस - वही "फ्री लंच" - 2019 में उनका SNA। ऐसा करने के लिए, उन्होंने कन्वेंशन का उपयोग करते समय एनएस डेटा में "देख सकते हैं" पर गणितीय प्रतिबंध लगाया; नेटवर्क लेयर्स से केवल गेज इक्वेरिएंट पैटर्न ही गुजरे। "वास्तव में, आप इसे किसी भी सतह दे सकते हैं" - यूक्लिडियन विमानों से मनमाने ढंग से घुमावदार वस्तुओं के लिए, जिसमें विदेशी किस्में शामिल हैं जैसे कि
क्लेन बोतल या चार आयामी अंतरिक्ष-समय - "और यह इस सतह पर जीओ के साथ सामना करेगा," वेलिंग ने कहा।
कार्य सिद्धांत
KESNS सिद्धांत इतना सामान्यीकृत है कि इसमें स्वचालित रूप से पिछले ज्यामितीय दृष्टिकोणों से लेकर GO तक की धारणाएँ शामिल हैं - उदाहरण के लिए, गोलाकार संतुलन या गोलों के पार बढ़ते हुए फ़िल्टर। यह माइकल ब्रोंस्टीन के पहले के तरीके पर भी फिट बैठता है, जिसने एनएस को एक तीन आयामी आकृति को पहचानने की अनुमति दी, जो विभिन्न तरीकों से घुमावदार है। “गेज संतुलन एक बहुत व्यापक मंच है। एक विशेष मामले के रूप में, इसमें वह भी शामिल है जो हमने 2015 में किया था। ”
KESNS सैद्धांतिक रूप से किसी भी आयाम की किसी भी घुमावदार सतह पर काम करता है, लेकिन कोहेन और उनके सह-लेखकों ने वैश्विक जलवायु डेटा पर इसकी जाँच की, जिसकी संरचना गोलाकार है। उन्होंने जलवायु सिमुलेशन डेटा पर आधारित उष्णकटिबंधीय चक्रवातों जैसे चरम मौसम पैटर्न को पहचानने वाले SNA को बनाने के लिए अपने मंच का उपयोग किया। 2017 में, सरकार और वैज्ञानिकों ने 74% की सटीकता के साथ इन आंकड़ों में चक्रवातों की उपस्थिति का निर्धारण करने के
लिए मानक SNA का
उपयोग किया ; पिछले साल, KESNS
ने 97.9% की सटीकता के साथ
चक्रवातों को
मान्यता दी (यह GO के लिए एक कम सामान्यीकृत दृष्टिकोण से आगे निकल गया, विशेष रूप से 2018 में क्षेत्रों के लिए विकसित किया गया - उस प्रणाली के लिए परिणाम 94% था)।
लॉरेंस बर्कले नेशनल लेबोरेटरी के एक क्लाइमेटोलॉजिस्ट मैय्यर मुदिगोंडा, जो अपने काम में नागरिक सुरक्षा का उपयोग करते हैं, ने कहा कि वह सीईएसएन के विकास की निगरानी करना जारी रखेंगे। "मानव बुद्धि का यह पहलू, अंतरिक्ष में उनके अभिविन्यास की परवाह किए बिना संकेतों की सही पहचान है, जिसे हम जलवायु समुदाय में स्थानांतरित करना चाहते हैं," उन्होंने कहा। क्वालकॉम की चिप कंपनी, जिसने हाल ही में कोहेन और वेलिंग को काम पर रखा था और उनके द्वारा स्थापित स्टार्टअप को खरीदा था,
ने बेहतर कंप्यूटर दृष्टि एल्गोरिदम के विकास के लिए KESNS सिद्धांत
को लागू करने की योजना बनाई है , उदाहरण के लिए, एक ड्रोन जो एक बार में सभी 360 डिग्री देख सकता है (जैसे कि मछली जैसा विश्व दृश्य आँख ”स्वाभाविक रूप से गुंजाइश पर मैप की जाती है, जैसे वैश्विक जलवायु डेटा)।
इस बीच, KESNS भौतिकविदों के बीच लोकप्रियता प्राप्त कर रहा है - उदाहरण के लिए, क्रैनमर ने उप-परमाणु कणों की बातचीत का अनुकरण करते हुए डेटा के साथ काम करने की योजना बनाई है। « , , , », — . , , « ».
, , , , , . « YouTube, , , , , , », — . , - , . « , — , — ».
, , , , . « , , », — . , , , - . «» . « », — , , .
, , . « , - , — . – , : , ».