શું કમ્પ્યુટર થિયરી ઓફ એવરિથિંગ બનાવી શકે છે? જાણો વૈજ્ઞાનિકોના અભિપ્રાય

Published By : B.K.NEWS DAINIK
Published Date : 2020-12-09 11:54:47
Views : 438
Modified Date : 2020-12-09 11:54:47

શું કમ્પ્યુટર દરેક વસ્તુની થિયરી બનાવી શકે છે? વૈજ્ઞાનિકો આ સવાલનો જવાબ હામાં આપતા કહ્યું કે, તે ગમે ત્યારે થઈ શકે છે. પરંતુ તેની કોઈ ગેરંટી નથી કે મનુષ્ય તેનું પરિણામ સમજી શકે. એક વખત મહાન વૈજ્ઞાનિક આલ્બર્ટ આઈન્સ્ટાઈને કહ્યું હતું કે, સાયન્ટિફિક થિયરી મનુષ્યના મગજનું ફ્રી ઈન્વેન્શન (ફ્રી ઈન્વેન્શન ઓફ ધ હ્યુમન માઈન્ડ) છે.1980માં કેમ્બ્રિજ યુનિવર્સિટીના કોસ્મોલોજિસ્ટ અને વૈજ્ઞાનિક સ્ટીફન હૉકિંગે તેમના લેક્ચરમાં કહ્યું હતું કે, કહેવાતી થિયરી ઓફ એવરિથિંગને જાણી શકાય છે. તેને કમ્પ્યુટરની મદદથી પૂરી કરી શકાય છે. તે ઉપરાંત તેમનો દાવો હતો કે થિયરીટિકલ ફિઝિક્સનો અંત નથી થઈ શકતો.હજી થિયરી ઓફ એવરિથિંગ સ્પષ્ટ નથી. તે માત્ર એક હાઈપોથિસિસ છે. કમ્પ્યુટર મનુષ્યના જીવન સાથે સંકળાયેલી તમામ વસ્તુ કરી રહ્યું છે. જેમ કે, કોઈપણ ભાષાને ટ્રાન્સલેટ કરવી, ચહેરાની ઓળખ કરવી, કાર ડ્રાઈવ કરવી અથવા કોની સાથે ડેટ કરવાનું છે તે પણ જણાવે છે. તેમાં કોઈ નવાઈ નથી કે તે હૉકિંગ અને આઈન્સ્ટાઈનના વિચારોથી પણ આગળ નીકળી જશે. પરંતુ સવાલ એ છે કે, જ્યારે ટેક્નોલોજી આગળ નીકળી ગઈ છે તો ફન્ડામેન્ટલ પાર્ટિકલને કેમ શોધી શક્યા નથી? બીજી ગેલેક્સીની જાણકારી શા માટે મેળવી નથી શક્યા? જેમ કે, ‘ઈન્ટરેસ્ટ ટ્રેલર’ ફિલ્મમાં બતાવવામાં આવ્યું છે.મેસાચ્યુસેટ્સ ઇન્સ્ટિટ્યૂટ ઓફ ટેક્નોલોજીના પ્રોફેસર ડૉ. ટેગમાર્કે ઈન્સ્ટિટ્યૂટ ફોર આર્ટિફિશિયલ ઈન્ટેલિજેન્સ એન્ડ ફન્ડામેન્ટલ ઈન્ટરેક્શન ખોલી છે. આ ઈન્સ્ટિટ્યૂટ અમેરિકામાં સાત ફાઉન્ડેશનમાંથી એક છે. યુએસ ડિપાર્ટમેન્ટ ઓફ એગ્રીકલ્ચર તેનો હિસ્સો છે, જે આર્ટિફિશિયલ ઇન્ટેલિજન્સનું કામ આગળ વધારવામાં સહયોગ કરે છે. તમામ ઈન્સ્ટિટ્યૂટને પાંચ વર્ષમાં એક વખત 20 મિલિયન ડોલરનું યોગદાન પણ મળે છે.આ ઈન્સ્ટિટ્યૂટના ડાયરેક્ટર થેલર જેઓ સંપૂર્ણ રીતે ફિઝિક્સને સમર્પિત છે. તેમની સાથે એમઆઈટી, હાવર્ડ, નોર્થ ઈસ્ટર્ન યુનિવર્સિટીના બે ડઝનથી વધુ વૈજ્ઞાનિકો જોડાયેલા છે. આ તમામ ફિઝિક્સની અલગ અલગ ફિલ્ડમાંથી આવે છે.

થેલરના જણાવ્યા પ્રમાણે, તેઓ એક એવી જગ્યા બનાવવા માગે છે જ્યાં ફિઝિક્સ, કમ્પ્યુટર સાયન્સ, મશીન લર્નિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ ફીલ્ડના સંશોધનકારો આવે. આ તમામ એક સાથે મળીને કામ કરે અને એક બીજાની વસ્તુઓને જાણે. અંતે, આપણે એવું મશીન બનાવવું છે કે જે ફિઝિક્સની જેમ વિચારે.તેમનું કહેવું છે કે, દસ વર્ષોમાં મશીન લર્નિંગ ફિઝિક્સ માટે જરૂરી થઇ જશે. હાલ તેની લિમિટ સીમિત છે. ટેગમાર્ક કહે છે કે, થોડા સમય પછી AI આર્ટિફિશિયલ જનરલ ઇન્ટેલિજન્સ સુધી પહોંચી જશે. જો સુપર પાવરફુલ AI ટેક્નોલોજી બનાવી લીધી તો આપણને ખબર નહિ પડે કે તેની પર કામ કેવી રીતે કરવું.પ્રોફેસર થેલર જે પ્રકારનાં મશીનની કલ્પના કરી રહ્યા છે. તે એક પ્રકારની આર્ટિફિશિયલ ઇન્ટલિજન્સનો જ એક ભાગ છે. જેને ન્યુરલ નેટવર્કિંગ કહેવામાં આવે છે. તે IBMની વોટસન સિસ્ટમની જેમ નથી હોતું, જેમાં હ્યુમિનિટી અને સાયન્ટિફિક મોલેજ ફીડ હોય છે.ન્યુરલ નેટવર્ક મનુષ્યના મગજની જેમ બનાવવામાં આવ્યું છે. આ ટેક્નોલોજી દરેક પાર્ટિકલ્સની અંદર છુપાયેલા ડેટાનું વિશ્લેષણ કરીને પ્રાણીઓમાં ભેદ, ચહેરાઓને ઓળખવા, માણસોની જેમ બોલવું વગેરે જેવા કામો સરળતાથી કરે છે.તેમજ, ટેગમાર્કનું કહેવું છે કે, આપણે ફિઝિક્સના નવા લોની શોધની અપેક્ષા રાખી રહ્યા છે. આપણે પહેલેથી જ સાબિત કરી દીધું છે કે ફિઝિક્સના લોની શોધ ફરીથી કરી શકાય છે.

ટેગમાર્ક અને તેના વિદ્યાર્થીએ રિચર્ડ ફેમેન દ્વારા લખાયેલી ધ ફેમેન લેક્ચર ઓન ફિઝિક્સમાં 100થી વધુ સમીકરણો કાઢ્યા હતા. તેને ન્યુરલ નેટવર્કમાં ફીડ કરાવ્યા બાદ જનરેટ કર્યો. ત્યારબાદ ડેટાને પેટર્ન અને રેગ્યુલેટરી પ્રમાણે શિફ્ટ કર્યો. ત્યારબાદ આ દરેક ફોર્મ્યૂલાને રિકવર કરી લેવામાં આવી.તેમજ, બીજા એક પ્રયોગમાં ડો. ટેગમાર્ક અને તેના સાથીઓએ ન્યુરલ નેટવર્કને એક વીડિયો બતાવ્યો અને પૂછ્યું કે આ શું થઈ રહ્યું છે? અંતે કમ્પ્યુટરે મોશનના સમીકરણ શોધ્યાં.ટેગમાર્કનું કહેવું છે કે, સર્નના હેડ્રોલ કોલાઇડર પર નવી રીતે કણો શોધવાનું અસરકારક રહેશે. AI બિગ ડેટા પસંદ કરે છે. કોલાઇડરમાં એક સેકંડમાં હજારો ટેરાબાઇટ્સનો ડેટા રન થાય છે. એવું બની શકે છે કે વર્ષ 2012માં હિગ બોસોનની શોધ ન થવા પર સર્નનો ડેટા નવા પાર્ટિકલ ન શોધી શક્યાં.MITના નિર્દેશક ડૉ. થેલરે જણાવ્યું કે, હું AIને લીધે મૂંજવણમાં હતો, પરંતુ હવે હું તેનો સૌથી મોટો પ્રમોટર છું. મશીનની અંદર નોલેજ ઇનકોડ કરી શકીએ છીએ. તેની મદદથી ઇન્ટરપ્રેટ કરવામાં સરળતા રહે છે. મનુષ્ય અને મશીન વચ્ચે કોમ્યુનિકેશન થવું એ બહુ ઉત્સાહિત કરે છે. હું AI પસંદ કરતો નહોતો. તે મેથ્સ, સ્ટેટિક્સઅને કમ્પ્યુટર સાયન્સનો સમન્વય છે.થેલરે કહ્યું કે, મશીન તમને દરેક વસ્તુઓની સારું સોલ્યુશન આપે છે. જો તમે લક્ષ્ય વિશે AIને કહેશો તો તે સારો જવાબ આપી શકે છે.હાલમાં જ થેલર અને તેના સાથીઓએ એક ન્યૂરલ નેટવર્કમાં લાર્જ હેડ્રોન કોલાઈડરનો ડેટા ફીડ કર્યો. પ્રોટોન કે એટોમિક મેટરનું બિલ્ડિંગ બોક્સ છે. તેની અંદર બે પાર્ટિકલ છે. પ્રથમ ક્વાર્ક અને બીજું ગ્લુઓન. જ્યારે પ્રોટોન કોલાઈડ થાય છે તો તેના નાના-નાના પાર્ટિકલ થઇ જાય છે. આ પ્રોસેસને સારી રીતે સમજવા માટે સિસ્ટમને દરેક પાર્ટિકલ અલગ કરવાનું કહ્યું હતું.

થેલરે જણાવ્યું કે, તે ક્વોન્ટમ ફિલ્ડ વિશે કઈ જાણતા નથી. તેઓ માત્ર એટલું કહેવા માગે છે કે મિક્સ ડેટા મળ્યા છે તેને બે અલગ કેટેગરીમાં કરવાના છે.જ્યારે સિસ્ટમને ક્વાર્ક અને ગ્લુઓનના ડેટા અલગ કરવાનું કહેવામાં તો તેણે સરળતાથી અલગ કર્યા. સિસ્ટમને ખબર નહોતી કે આ શું છે? જો અમે સિસ્ટમમાં થર્ડ ટાઈપ ડેટા વિશે પૂછીએ તો તે ક્વાર્કની પ્રોપર્ટી જાણવામાં લાગી જશે. કારણ કે તે પણ બે ભાગમાં વહેંચી શકે છે. પ્રથમ અપ ક્વાર્ક અને બીજું ડાઉન ક્વાર્ક. આવા કેટલાક એક્સપરિમેન્ટ અને રિસર્ચને આધારે માનવામાં આવી રહ્યું છે કે થિઅરી ઓફ એવરીથિંગને કમ્પ્યુટર સંપૂર્ણ રીતે સ્પષ્ટ કરી શકે છે. તે સાયન્સ અને ટેક્નોલોજીને ફીઝિક્સના ફિલ્ડમાં અલગ લેવલ પર લઇ જઈ શકે છે. જો પ્રિન્સિપાલ સ્પષ્ટ હોય તો એવું કોઈ એક્સપરીમેન્ટ નહીં થાય જેની પહેલેથી ભવિષ્યવાણી કરવામાં ન આવી શકે. જે પ્રિન્સિપાલની શોધ કરવામાં આવી ચૂકી છે તેને થિયરી ઓફ એવરિથિંગ એકબીજાને જોડવામાં મદદ કરી શકે છે. આ પ્રિન્સિપાલને શોધવાનું મુખ્ય કારણ ક્વોન્ટમ મિકેનિક્સ અને થિયરી ઓફ રિલેટિવિટી વચ્ચે સુમેળ બનાવવાનું છે.