আপনি যখন একটি রাইড-শেয়ারিং অ্যাপকে আপনার জন্য একটি গাড়ি খুঁজতে বলেন, তখন কোম্পানির কম্পিউটারগুলি কাজ শুরু করে। তারা জানে আপনি দ্রুত আপনার গন্তব্যে যেতে চান। তারা জানে যে আপনি একা নন যার একটি যাত্রার প্রয়োজন। তারা জানে যে ড্রাইভাররা কাছাকাছি লোকদের তুলে নিয়ে অলস সময় কমাতে চায়। কোল্ড স্প্রিং হারবার ল্যাবরেটরির একজন সহযোগী অধ্যাপক সাকেত নভলাখা বলেন, কম্পিউটারের কাজ হল যাত্রীদের সাথে চালকদের জোড়া লাগানো যাতে প্রত্যেকের আনন্দকে সর্বাধিক করা যায়।
নভলাখার মতো কম্পিউটার বিজ্ঞানীরা এই দ্বিপক্ষীয় মিলকে ডাকেন। এটি একই কাজ যা সিস্টেম দ্বারা পরিচালিত হয় যা অঙ্গ দাতাদের সাথে ট্রান্সপ্লান্ট প্রার্থীদের সাথে, মেডিকেল স্টুডেন্টদের সাথে রেসিডেন্সি প্রোগ্রামের সাথে এবং বিজ্ঞাপনদাতাদের সাথে বিজ্ঞাপন দাগের সাথে মেলে। অতএব, এটি নিবিড় গবেষণার বিষয়।
এটি সম্ভবত কম্পিউটার বিজ্ঞানের 10টি সবচেয়ে বিখ্যাত সমস্যার মধ্যে একটি।
সাকেত নভলাখা, সহযোগী অধ্যাপক, সিএসএইচএল
এখন, জীববিজ্ঞান থেকে অনুপ্রেরণা নিয়ে, তিনি এটি আরও ভাল করার একটি উপায় খুঁজে পেয়েছেন। নাভলাকা নিউরাল সিস্টেম ওয়্যারিংয়ে একটি দ্বিপক্ষীয় ম্যাচিং সমস্যাকে স্বীকৃতি দিয়েছেন। প্রাপ্তবয়স্ক প্রাণীদের মধ্যে, শরীরের প্রতিটি পেশী ফাইবার একটি নিউরনের সাথে যুক্ত থাকে যা এর গতিবিধি নিয়ন্ত্রণ করে। যাইহোক, জীবনের প্রথম দিকে, প্রতিটি ফাইবার অনেক নিউরনের লক্ষ্য হয়ে ওঠে। প্রাণীটিকে দক্ষতার সাথে চলাফেরার জন্য, অতিরিক্ত সংযোগগুলি ছাঁটাই করতে হবে। সুতরাং, কোন গেম টিকিয়ে রাখতে পারে?
স্নায়ুতন্ত্রের একটি কার্যকর সমাধান আছে। প্রাথমিকভাবে একই পেশী ফাইবারের সাথে সংযুক্ত নিউরনগুলি ম্যাচ বজায় রাখার জন্য একে অপরের সাথে প্রতিযোগিতা করে, নাভলাকা ব্যাখ্যা করেন, নিউরোট্রান্সমিটারগুলিকে “বিডিং” সংস্থান হিসাবে ব্যবহার করে। যে নিউরনগুলি তাদের জৈবিক নিলাম হারায় তারা তাদের নিউরোট্রান্সমিটারগুলি কেড়ে নিতে পারে এবং অন্যান্য ফাইবারগুলির জন্য বিড করতে পারে। এইভাবে, প্রতিটি নিউরন এবং ফাইবার একটি অংশীদারের সাথে শেষ হয়।
নভলাখা স্নায়ুতন্ত্রের বাইরে এই মিলিত কৌশলটি বাস্তবায়নের একটি উপায় তৈরি করেছিলেন। “এটি একটি সহজ অ্যালগরিদম,” তিনি বলেন। “এটি মাত্র দুটি সমীকরণ। একটি হল একই ফাইবারগুলির সাথে সংযুক্ত নিউরনের মধ্যে প্রতিযোগিতা, এবং দুটি হল সম্পদের পুনর্বন্টন।”
সেরা বর্তমান বাইনারি ম্যাচিং প্রোগ্রামগুলির বিরুদ্ধে পরীক্ষিত, এই নিউরোসায়েন্স-অনুপ্রাণিত অ্যালগরিদম অত্যন্ত ভাল কাজ করে। এটি প্রায় সর্বোত্তম জোড়া তৈরি করে এবং অতুলনীয় পার্টির সংখ্যা হ্রাস করে। প্রতিদিনের অ্যাপ্লিকেশনগুলিতে, এর অর্থ হতে পারে রাইডশেয়ার যাত্রীদের অপেক্ষার সময় কম এবং আবাসিক চিকিত্সক ছাড়া কম হাসপাতালে।
নভলাখা আরেকটি সুবিধা তুলে ধরেন। নতুন অ্যালগরিদম গোপনীয়তা রক্ষা করে। বেশিরভাগ দ্বি-মুখী ম্যাচিং সিস্টেমে প্রক্রিয়াকরণের জন্য একটি কেন্দ্রীয় সার্ভারে তথ্য পাঠানোর প্রয়োজন হয়। কিন্তু অনেক ক্ষেত্রে – অনলাইন নিলাম থেকে দান করা অঙ্গ ম্যাচিং – একটি বিকেন্দ্রীকৃত পদ্ধতি পছন্দ করা যেতে পারে। Navlakha এর অগণিত সম্ভাব্য অ্যাপ্লিকেশন রয়েছে এবং আশা করি অন্যরা তাদের নিজস্ব সরঞ্জামগুলিতে নতুন অ্যালগরিদম প্রয়োগ করতে সক্ষম হবে৷
“এটি একটি দুর্দান্ত উদাহরণ যে কীভাবে নিউরাল সার্কিট অধ্যয়ন করা গুরুত্বপূর্ণ কৃত্রিম বুদ্ধিমত্তা সমস্যার জন্য নতুন অ্যালগরিদম প্রকাশ করতে পারে,” তিনি যোগ করেছেন।
উৎস:
জার্নাল রেফারেন্স:
দাশগুপ্ত, এস., ইত্যাদি. (2024) দ্বিপক্ষীয় ম্যাচিং কম্পিউট করার জন্য একটি নিউরাল অ্যালগরিদম। ন্যাশনাল একাডেমি অফ সায়েন্সেসের কার্যধারা. doi.org/10.1073/pnas.232103212।
