ಈ ವರ್ಷದ ಭೌತವಿಜ್ಞಾನದ ನೊಬೆಲ್ ಪುರಸ್ಕಾರವು ಅಕ್ಟೋಬರ್ 8 ರಂದು ಭಾರತೀಯ ಕಾಲಮಾನ ಮಧ್ಯಾಹ್ನ 3.30 ಕ್ಕೆ ಜಗತ್ತಿಗೆಲ್ಲಾ ತಿಳಿಯಿತು. ಇವತ್ತಿನ ಜಗತ್ತಿನಲ್ಲಿ ಸಾಮಾನ್ಯರಿಗೂ ಅನುಭವಕ್ಕೆ ಬಂದಿರುವ ಬದಲಾವಣೆಗಳ ಸಾಧ್ಯತೆಯ ಭೌತವಿಜ್ಞಾನಕ್ಕೆ ನೊಬೆಲ್ ಪ್ರಶಸ್ತಿಯು ಬಂದಿದೆ. ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟಲಿಜೆನ್ಸ್ -ಯಾಂತ್ರಿಕ ಬುದ್ದಿವಂತಿಕೆಯ ಬಳಸಿ ಸುಲಭವಾಗಿ ಏನೆಲ್ಲಾ ತಿಳಿಯುವ ಬಗ್ಗೆ ಸ್ಮಾರ್ಟ್ ಫೋನ್ ಬಳಸುವವರಿಗೆಲ್ಲಾ ಗೊತ್ತೇ ಇದೆ. ಒಂದು ಕಾಲದಲ್ಲಿ ನಿಮ್ಮ ಮನೆ ಎಲ್ಲಿದೆ ಎಂಬುದನ್ನು, ಅಡ್ರೆಸ್ ಕೇಳಿಯೋ ಅಥವಾ ದಾರಿಯನ್ನು ಹೇಳಿ ಅಕ್ಕ ಪಕ್ಕದ ಮನೆ/ಅಂಗಡಿ ಹತ್ತಿರದ ಶಾಲೆ/ಮತ್ತಾವುದೋ ಲ್ಯಾಂಡ್ ಮಾರ್ಕ್ ತಿಳಿಸಿ ಹೇಳುವುದಿತ್ತು. ಆದರೆ ಈಗ, ಲೊಕೇಶನ್ ಹೇಳ್ತೇವಲ್ಲವೇ? ಗೂಗಲ್ ಮ್ಯಾಪ್ ಬಳಸಿ ಹುಡುಕುತ್ತಾ ಹೋಗುವಾಗ ಕೆಲವೊಮ್ಮೆ ಅದೇ ಜಾಗಕ್ಕೆ ಭಿನ್ನ ದಾರಿಗಳನ್ನೂ ತೋರಿಸುವುದಲ್ಲವೇ? ಅಯ್ಯೋ ಮೊನ್ನೆ ಹೋಗಿದ್ದಲ್ಲ ಇದು, ಎನಿಸಿದರೂ ಮ್ಯಾಪ್ ಮಾತ್ರ ಬೇರೊಂದನ್ನೂ ತೋರಿಸುವುದಲ್ಲ! ಹಾಗೆ ಒಮ್ಮೆಮ್ಮೆ ಅದೇ ತನ್ನ ನಿರ್ಧಾರಗಳನ್ನೂ ಬದಲಿಸಿ ಹೇಳುವುದಲ್ಲವೇ? ಹಾಂ! ಇದನ್ನು ಇದು ಕಲಿತಿದ್ದಾರೂ ಹೇಗೆ? ಇದೆಲ್ಲವೂ ಮಷೀನ್ ಲರ್ನಿಂಗ್- ಕಂಪ್ಯೂಟರ್ ಯಂತ್ರವೇ ಕಲಿಯುತ್ತಾ ನಮಗೆ ತಿಳಿಸುವಿಕೆ. ಇದಕ್ಕೆ ಬಳಸುವ ವಿಧಾನವು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟಲಿಜೆನ್ಸ್ -ಯಾಂತ್ರಿಕ ಬುದ್ಧಿವಂತಿಕೆ! ಇಂತಹಾ ಕಂಪ್ಯೂಟರ್ ಕಲಿಕೆಯನ್ನು ಕೃತಕವಾದ ನರ ಜಾಲಗಳಿಂದ (Artificial Neural Networks) ಸಾಧ್ಯಮಾಡಿದ ಭೌತವೈಜ್ಞಾನಿಕ ಅನುಶೋಧಗಳಿಗೆ ಈ ವರ್ಷ 2024ರ ಭೌತವಿಜ್ಞಾನದ ನೊಬೆಲ್ ಪ್ರಶಸ್ತಿಯನ್ನು ನೀಡಲಾಗಿದೆ.
ಪ್ರೊ. ಜಾನ್ ಹಾಪ್ಫೀಲ್ಡ್ (John Hopfield) ಅವರು ಯಂತ್ರದ ಕಲಿಕೆಗೆ ಬೇಕಾದ ನೆನಪುಗಳನ್ನು ವಿಷಯಗಳಿಂದ ಮತ್ತು ಚಿತ್ರಗಳಿಂದ ರೂಪಿಸಿ ಸಂಗ್ರಹಿಸಿಟ್ಟುಕೊಳ್ಳುವ ಮೂಲಭೂತ ಅನುಶೋಧವನ್ನು ಮಾಡಿದರು. ಪ್ರೊ. ಜೆಫ್ರಿ ಹಿಂಟನ್ (Geoffrey Hinton) ಅವರು ಅಂತಹಾ ಚಿತ್ರಗಳು ಮತ್ತು ಸಂಗತಿಗಳಿಂದ ಸ್ವಂತಿಕೆಯಿಂದ ಯಂತ್ರವು ಗೊತ್ತಾದ ಮೂಲವಸ್ತುಗಳನ್ನು ಗುರುತಿಸುವ ಸಂಶೋಧನೆಯನ್ನು ಮಾಡಿದ್ದಾರೆ. ಈ ಇಬ್ಬರೂ ಮಾಡಿದ ಮೂಲಭೂತ ಅನ್ವೇಷಣೆಗಳಿಂದ ಇವತ್ತು ಕೃತಕವಾದ ನರ ಜಾಲಗಳು ಅನುವು ಮಾಡಿದ ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಸಾಧ್ಯವಾಗಿದೆ.
ಜಾನ್ ಹಾಪ್ಫೀಲ್ಡ್ ವಿಷಯಗಳ ಚಿತ್ರಣದ ಪ್ರಕಾರಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ಮತ್ತು ಪುನರುತ್ಪಾದಿಸುವ ವಿಧಾನಗಳಿಗೆ ಬೇಕಾದ ನರಜಾಲಗಳನ್ನು ಅನ್ವೇ಼ಷಿಸಿದರೆ, ಆ ಜಾಲಗಳನ್ನು ಬಳಸಿ ದತ್ತಾಂಶ ಅಥವಾ ಮಾಹಿತಿಗಳಿಂದ ವಿಶೇಷವಾದ ಮೂಲಭೂತ ವಿಚಾರಗಳನ್ನು ಗುರುತಿಸಲು ಬೇಕಾದ ಕಲಿಕೆಯನ್ನು ಜೆಫ್ರಿ ಹಿಂಟನ್ ಸಂಶೋಧಿಸಿ ಕೊಟ್ಟಿದ್ದಾರೆ. ಹಾಪ್ಫೀಲ್ಡ್ ತಮ್ಮ ಚಿತ್ರಣಗಳ ಸಂಗ್ರಹ ವಿಧಾನಗಳಿಗಾಗಿ ಪ್ರತೀ ಪರಮಾಣುವಿನಿಂದ ಆಯಸ್ಕಾಂತವನ್ನು ಉಂಟುಮಾಡಬಲ್ಲ ಪರಮಾಣುಗಳ ಗಿರಿಕಿ (Atomic Spin)ಯ ಭೌತವಿಜ್ಞಾನದ ಮಾದರಿಗಳನ್ನು ಬಳಸಿ ರೂಪಿಸಿದರು. ಜೆಫ್ರಿ ಹಿಂಟನ್ ದತ್ತಾಂಶಗಳಿಂದ ಮೂಲಭೂತ ವಿಚಾರಗಳನ್ನು ಹೆಕ್ಕುವ ಮತ್ತು ಅದರಿಂದ ಕಲಿಕೆಗೆ ಸಾಧ್ಯವಾಗುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಭೌತವಿಜ್ಞಾನವನ್ನು ಬಳಸಿ ಅನುವುಗೊಳಿಸಿದ್ದಾರೆ.
ನಿಜವಾದ ಅರ್ಥದಲ್ಲಿ ಇಬ್ಬರೂ ವಿಜ್ಞಾನಿಗಳ ಮಹತ್ಸಾದನೆ ಎಂದರೆ ಮಾಹಿತಿಯಲ್ಲಿ ಪ್ರಕಾರಗಳನ್ನು (Patterns) ಹುಡುಕಲು ಭೌತವಿಜ್ಞಾನವನ್ನು ಬಳಸಿದ್ದು! ನಿಜ! ಇದು ಸಾಧ್ಯವಾಗುವುದು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನದ ಚಮತ್ಕಾರ ಎನ್ನಿಸಿಯೇ ಈಗೀಗ ಬಿ.ಟೆಕ್. ಡಿಗ್ರಿಗಳಲ್ಲಿ ಮಷೀನ್ ಲರ್ನಿಂಗ್, ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟಲಿಜೆಂನ್ಸ್ ಎಂದೆಲ್ಲಾ ಬಂದಿದ್ದು, ಇದಕ್ಕೇನೇ ನೊಬೆಲ್ ಬಂದಿದೆ ಎಂದು ನಾಳೆ ಇಂಜನಿಯರಿಂಗ್ ಕಾಲೆಜುಗಳು ಜಾಹಿರಾತು ಕೊಟ್ಟರೆ ಮುಗಿಬಿದ್ದು ಹೋಗಬೇಕಿಲ್ಲ! ನಿಜವಾದ ಅನುಶೋಧ ನಡೆದಿರುವುದು ಅದರ ಸಾಧ್ಯತೆಯ ಭೌತವಿಜ್ಞಾನಕ್ಕೆ! ಮತ್ತು ಅಂತಹಾ ಭೌವಿಜ್ಞಾನದ ಸಂಶೋಧನೆಗೆ! ಹಾಗಾಗಿ ಈ ಇಬ್ಬರೂ ಇಂತಹ ಭೌತವೈಜ್ಞಾನಿಕ ಸಾಧನೆಯನ್ನು ಮೆರೆದಿರುವುದು ಹೇಗೆ ಎಂಬುದರ ಕೆಲವು ವಿವರಗಳನ್ನು ನೋಡೋಣ.
(ಭೌತವಿಜ್ಞಾನದ ನೊಬೆಲ್ ಪ್ರಶಸ್ತಿಗೆ ಒಂದು ಬಗೆಯಲ್ಲಿ ಹೆಚ್ಚುಗಾರಿಕೆ ಇದೆ ಎಂದರೆ ಆಶ್ಚರ್ಯವಿಲ್ಲ! ವಿಜ್ಞಾನದ ಮೂಲಭೂತ ತಿಳಿವಳಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸಿದ್ದೇ ಭೌತವಿಜ್ಞಾನ, ಈ ವಿಭಾಗದಲ್ಲಿ ನೊಬೆಲ್ ಪಡೆದವರು, ಭೌತವಿಜ್ಞಾನದ ಜೊತೆಗೆ ರಸಾಯನವಿಜ್ಞಾನದ ಪ್ರಶಸ್ತಿಗೂ ನಾಮಕರಣ ಮಾಡುವ ಅರ್ಹತೆಯನ್ನು ಪಡೆಯುತ್ತಾರೆ. ಇದೊಂದು ವಿಶೇಷವೇ ಸರಿ. ಇದಕ್ಕೆ ಪ್ರತಿಯಾಗಿ (Vice Versa) ರಸಾಯನ ವಿಜ್ಞಾನಿಗಳು ಭೌತವಿಜ್ಞಾನಕ್ಕೆ ಮಾಡಲು ಆಗುವುದಿಲ್ಲ. ಇದೊಂದು ವಿಶೇಷತೆಗಾಗಿ ಹೇಳಬೇಕಾಯಿತು ಅಷ್ಟೇ!)
ಕಂಪ್ಯೂಟರ್ಗಳು ಕಲಿಯುತ್ತವೆ ಎಂದರೆ ಅವು ಆಲೋಚಿಸುತ್ತವೆ ಏನು? ಖಂಡಿತಾ ಇಲ್ಲ. ನಮ್ಮ ಮೆದುಳು ಮಾಡುವಂತೆ ಆಲೋಚಿಸಿ, ತರ್ಕಿಸಿ ನಿರ್ಧಾರ ಕೈಕೊಳ್ಳುವ ಕಲಿಕೆಯ ಕೆಲಸವನ್ನು ಅವು ಮಾಡುವುದಿಲ್ಲ. ಆದರೆ ಚಿತ್ರಗಳನ್ನು ನೆನಪಲ್ಲಿಟ್ಟುಕೊಂಡು ಅವುಗಳನ್ನು ಬಳಸುವಲ್ಲಿ ಅಣಕು ಮಾಡಬಲ್ಲವು. ಈ ವರ್ಷದ ನೊಬೆಲ್ ಪ್ರಶಸ್ತಿಯ ಸಂಶೋಧನೆಯು ಭೌತವಿಜ್ಞಾನದ ಸಾಧ್ಯತೆಯನ್ನು ಕೊಟ್ಟಿರುವುದು ವಿಶೇಷ! ಮಷೀನ್ ಲರ್ನಿಂಗಿಗೂ ಸಾಫ್ಟ್ವೇರ್ ವಿಚಾರಗಳಿಗೂ ಭಿನ್ನತೆಯಿದೆ. ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಒಂದು ಮಾದರಿಯ ಬಳಕೆಯಂತೆ! ಸಾಫ್ಟ್ವೇರ್ನಲ್ಲಿ ಒಂದಷ್ಟು ಮಾಹಿತಿಗಳನ್ನು ಉಣಬಡಿಸಿ ಅದನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಫಲಿತಗಳನ್ನು ಪಡೆದರೆ, . ಮಷೀನ್ ಲರ್ನಿಂಗ್ ನಲ್ಲಿ ನೆನಪಿನ ಚಿತ್ರಗಳಿಂದ ಕಲಿಕೆಯ ಅಣಕು ಸಾಧ್ಯವಾಗಿದೆ.
ಇದಾಗಿದ್ದು ಹೇಗೆ ಅಂದರೆ ಒಂದು ಮೆದುಳು ಕೆಲಸ ನಿರ್ವಹಿಸುವ ರೀತಿಯನ್ನು ಬಳಸಿಯೇ ಈ ಸಂಶೋಧನೆಯು ಸಾಧ್ಯವಾಗಿದೆ. ಮೆದುಳನ್ನು ಅಣಕು ಮಾಡುವ ಕ್ರಿಯೆಯಿಂದ ಇದಾಗಿದೆ. ಹಿಂದೆ ಸುಮಾರು ೧೯೪೦ರ ದಶಕದಲ್ಲಿಯೇ ನಮ್ಮ ಮೆದುಳಿನ ಕಾರ್ಯವೈಖರಿಯ ಗಣಿತೀಯ ವೈಧಾನಿಕತೆಗಳ ಆಲೋಚನೆಗಳ ಆರಂಭಿಸಲಾಯಿತು. ನಮ್ಮ ಮೆದುಳು ಎಲ್ಲವನ್ನೂ ನರಜಾಲವಾಗಿಸಿ ನಿರ್ಮಿಸುವ ಪ್ರಕ್ರಿಯಲ್ಲಿ ಗಣಿತದ ವಿವರಗಳನ್ನು ಆಲೋಚಿಸಿದ್ದೇ ಇಂತಹಾ ಆವಿಷ್ಕಾರಕ್ಕೆ ಫಲ ಸಿಕ್ಕಿದೆ. ಇದರ ಜೊತೆಗೆ ಮನೋವಿಜ್ಞಾನದ ನೆರವೂ ಕೂಡ ಸಾಕಷ್ಟು ಪಡೆಯಲಾಗಿದೆ. ನರವಿಜ್ಞಾನಿ ಡೊನಾಲ್ಡ್ ಹಬ್ಸ್ ಅವರ ವೈಜ್ಞಾನಿಕ ಕಲ್ಪನೆ (Hypothesis) ಯು ಕೊಟ್ಟ ಕಲಿಕೆಯ ಮನೋವೈಜ್ಞಾನಿಕ ವಿವರಗಳು ಬಲವಾಗಿ ಸಹಾಯ ಮಾಡಿವೆ. ಇದರ ಪ್ರಕಾರ ಕಲಿಕೆಯು ಹೇಗೆ ಸಂಭವಿಸುತ್ತದೆ ಏಕೆಂದರೆ ನರಕೋಶಗಳ ನಡುವಿನ ಸಂಪರ್ಕಗಳು ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ ಅದು ಬಲಗೊಂಡು ಫಲಕೊಡುತ್ತದೆ.
ಇದೇ ಮೆದುಳಿನ ನರವ್ಯೂಹಗಳ ಮಾದರಿ ಕಾರ್ಯಗಳ ಆಲೋಚನೆಗಳನ್ನು ಬಳಸಿ ಕೃತಕ ಬುದ್ಧಿವಂತಿಕೆಯ ನರಜಾಲಗಳ ರೂಪಿಸುವಲ್ಲಿ ಮುಂದುವರೆಸಲಾಗಿದೆ. ಕಂಪ್ಯೂಟರ್ಗಳಲ್ಲಿ ಮೆದುಳಿನ ನ್ಯೂರಾನ್ಗಳನ್ನು ಅಣಕು ಮಾಡಲು ವಿವಿಧ ಸಂಪರ್ಕಗಳ ನೋಡ್ಗಳನ್ನು ಬಳಸಲಾಗಿದೆ. ಟ್ರೈನಿಂಗ್ ಎಂದೇ ಕರೆಯುವ ಈ ಬಗೆಯ ಕೃತಕ ಜಾಲಗಳಲ್ಲಿ ಈಗಲೂ ಡೊನಾಲ್ಡ್ ಹಬ್ಸ್ ಅವರ ಕಲ್ಪನೆಯನ್ನೂ ಮೂಲಭೂತವಾಗಿ ಬಳಸಲಾಗುತ್ತಿದೆ. ಈ ನಡುವೆ 1960ರ ದಶಕದಲ್ಲಿ ಈ ಬಗೆಯ ಕಲಿಕೆ ಮತ್ತು ಸಾಧ್ಯತೆಯಲ್ಲಿ ತುಸು ಅನುಮಾನಗಳು ಬಂದದ್ದು ನಿಜ. ಆದರೂ ಮುಂದೆ ಮತ್ತೆ 1980ರ ದಶಕದ ನಂತರ ಮತ್ತೀ ಬಗೆಯ ಸಿದ್ಧಾಂತದ ಕಲಿಕೆಯು ಪುನಃ ಬಳಕೆಗೆ ಬಂದು ಪ್ರಸ್ತುತ ಇಷ್ಟೆಲ್ಲಾ ಬದಲಾವಣೆಗೆ ಕಾರಣವಾಗಿದೆ.
ಇದೆನೋ ಸರಿ ಈ ನೆನಪುಗಳು ಸಾಧ್ಯವಾಗುವುದಾದರೂ ಹೇಗೆ? ನಾವು ತುಂಬಾ ಅಸಹಜವಾದ ಪದಗಳನ್ನೋ ಅಥವಾ ಯಾವುದಾದರೂ ವಸ್ತುಗಳನ್ನೋ ನೆನಪಲ್ಲಿಟ್ಟುಕೊಳ್ಳಲು ಆಯಾ ಹೆಸರಿನ ಸಮೀಪದ ಪದಗಳ ನೆನಪಿಸಿಕೊಂಡು ಮರುಕಳಿಕೆ ಮಾಡುತ್ತೇವಲ್ಲವೇ? ಅಂದರೆ ನಮ್ಮದೇ ಆದ ಕೆಲವು ಮಾರ್ಗಗಳನ್ನು ಇಲ್ಲಿ ಅನುಸರಿಸುತ್ತೇವೆ. ಅಂತಹದೇ ಮಾದರಿಯ ಮರುಕಳಿಕೆಯ ವಿಧಾನವನ್ನು ಜಾನ್ ಹಾಪ್ಫೀಲ್ಡ್ ಜಾಲವೂ ಬಳಸಿಕೊಂಡಿದೆ. ಅಂದರೆ ಆಯಾ ನೆನಪಿಗೆ ಹತ್ತಿರವಾದ ಚಿತ್ರಣ. ನೀವು ಬಾಳೆಯ ಹಣ್ಣನ್ನು ಮೊದಲ ಬಾರಿ ನೋಡಿದ್ದೀರಿ ಎಂದುಕೊಳ್ಳೋಣ. ಅದನ್ನು ನೆನಪಲ್ಲಿ ಇರಿಸಿಕೊಳ್ಳಲು ಪದೆ, ಪದೆ ಬಗೆ ಬಗೆಯ ಬಾಳೆಯಹಣ್ಣುಗಳನ್ನು ತೋರಿಸುತ್ತಲೇ ಆ ಚಿತ್ರವನ್ನು ನೆನಪಿಗೆ ತಂದರೆ, ಮುಂದೆ ಎಂದೋ ಯಾವುದೋ ಬಾಳೆ ಹಣ್ಣನ್ನು ಹೋಲುವ ಚಿತ್ರಕ್ಕೂ ಬಾಳೆಯ ಹಣ್ಣು ನೆನಪು ಬರುತ್ತದೆ ಅಲ್ಲವೇ! ಹಾಗೇಯೇ.
ಜಾನ್ ಹಾಪ್ಫೀಲ್ಡ್ ತಮ್ಮ ಭೌತವೈಜ್ಞಾನಿಕ ಆಸಕ್ತಿ ಸಮೀಕರಣವನ್ನು ಅದರಾಚೆಗೂ ಆಲೋಚಿಸಿದ್ದೇ ಇಂತಹದರ ಸಾಧ್ಯತೆಗೆ ಕಾರಣವಾಗಿದೆ. ಅಂದರೆ ರಸಾಯನವಿಜ್ಞಾನ, ಜೀವಿವಿಜ್ಞಾನಗಳ ಮುಖಾಮುಖಿಯಾಗಿಸಿ ಭೌತವಿಜ್ಞಾನವನ್ನು ಆಲೋಚಿಸಿದ್ದರ ಫಲ ಇಂತಹ ಜಾಲಗಳ ಕೃತಕ ಬುದ್ಧಿವಂತಿಕೆ/ಯಾಂತ್ರಿಕ ಕಲಿಕೆಯು ಸಾಧ್ಯವಾಗಿದೆ. ಹಾಪ್ಫೀಲ್ಡ್ ಅವರು ತಮ್ಮ ಈ ಸಮೀಕರಣ ಚಿತ್ರಗಳ ಬಗ್ಗೆ ಪ್ರಕಟಿದಿದ್ದೇ ಜೆಫ್ರಿ ಹಿಂಟನ್ ಅವರಿಗೆ ಅದನ್ನು ಮನೋವೈಜ್ಞಾನಿಕ ಹಿನ್ನಲೆಯಿಂದ ಮುಂದುವರೆಸಲು ಕೃತಕ ಬುದ್ಧಿವಂತಿಕೆಯ ಜಾಲದ ಆಲೋಚನೆಗೆ ಒಳಗಾದದ್ದು. ಅಂದರೆ ನಮ್ಮ ಮನಸ್ಸು ಆಲೋಚಿಸಲು ಮೆದುಳು ನ್ಯೂರಾನ್ಗಳ ಸಂಪರ್ಕಗಳನ್ನು ಬಳಸುವ ಮಾದರಿಯ ಬಗೆಗಳನ್ನು ಕೃತಕವಾಗಿ ನೋಡ್ಗಳ ಸಂಪರ್ಕದಿಂದ “ಪಿಕ್ಸಲ್”ಗಳ ವಿವರಣೆಯಲ್ಲಿ ಅನ್ವೇಷಣೆಗೊಂಡಿತು. ಅಂದರೆ ನೆನಪುಗಳನ್ನು ಮುಂದುವರೆಸಿ ಬಹುವಾಗಿ ವಿವರಿಸುವ ಜಾಣತನವೂ ಸೇರಿಕೊಂಡಿತು.
ಇದೇ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಭೌತವಿಜ್ಞಾನದ ನೆರವನ್ನು ಮನೋವೈಜ್ಞಾನಿಕ ಸಾಧ್ಯತೆಗಳ ಹಿನ್ನೆಲೆಯಿಂದ ವಿಶ್ಲೇಷಣೆಗೆ ಒಳಪಡಿಸುವ ರೂಪಕಕ್ಕೆ ಕಾರಣವಾಯಿತು. ನಾವು ಮಕ್ಕಳಿಗೆ ಸಾಮಾನ್ಯವಾಗಿ ನಾಯಿ, ಬೆಕ್ಕು, ಮತ್ತಿತರೇ ಯಾವುದೇ ಮೋಟಾರು ಕಾರು, ಬಸ್ಸುಗಳನ್ನು ಮತ್ತೆ ಮತ್ತೆ ತೋರಿಸಿ ಅಉಗಳ ಗುರುತಿಸುವ ಹೆಸರನ್ನು ಹೇಳುತ್ತೇವಲ್ಲವೆ? ಆಗ ಮತ್ತೊಮ್ಮೆ ಅವನ್ನೇನಾದರೂ ಏನದು ಎಂದು ಕೇಳಿದಾಗ ಮಗು ಸಾಮಾನ್ಯವಾಗಿ ಹಿಂದಿನ ಸಮೀಕರಿಸಿದ ನೆನಪನ್ನು ಮರುಕಳಿಸಿಕೊಂಡು ಕಾರು ಅಥವಾ ನಾಯಿ ಎಂದು ನಿಖರವಾಗಿಯೇ ಹೇಳುತ್ತದೆ. ಇದೆಲ್ಲವು ಅದೆಷ್ಟು ಬಗೆಯ ಹೋಲಿಕೆಯ ಚಿತ್ರಗಳನ್ನು ತೋರಿಸಿ ಕಲಿಸುತ್ತೇವೆ ಎಂಬುದರಲ್ಲಿ ನೆಲಪಿನ ಮರಕಳಿಕೆಯ ಜಾನತನ ಇದ್ದೇ ಇರುತ್ತದೆ. ಇದು ಮಗುವಿನಲ್ಲಿ ಮಾತ್ರ ಅಲ್ಲ. ದೊಡ್ಡವರ ಹೊಸ ಬಗೆಯ ಕಲಿಕೆಯಲ್ಲೂ ಇದೇ ಬಗೆಯ ಸಮೀಕರಿಸಿದ ಚಿತ್ರಣಗಳ ನೆನಪಿನ ಸುರುಳಿಯು ಮನಸ್ಸಿನಲ್ಲಿ ಹಾದು ಹೋಗುವಿಕೆಯನ್ನು ಅವಲಂಬಿಸಿದೆ.
ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಭೌತವಿಜ್ಞಾನವು (Statistical Physics) ಹಲವಾರು ಅಣುಗಳ ಸಮೂಹವನ್ನು ಒಂದು ವ್ಯವಸ್ಥೆಯಾಗಿ ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಬಿಡಿ ಬಿಡಿಯಾಗಿ ಅಣುಗಳನ್ನು ಗುರುತಿಸಲು ಆಗದಿದ್ದರೂ ಅವುಗಳನ್ನು ಒಟ್ಟುಮಾಡಿ, ಒತ್ತಡಗಳ ಮೂಲಕವೋ ಅಥವಾ ಅವು ಒಂದಾಗಿ ಉಂಟುಮಾಡಿದ ಶಾಖದ ಮೂಲಕವೂ ಅಣುಗಳ ಬಗ್ಗೆಯೂ ತಿಳಿಯಲು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಭೌತವಿಜ್ಞಾನ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಇದನ್ನು ಹತ್ತೊಂಬತ್ತನೆಯ ಶತಮಾನದ ಭೌತವಿಜ್ಞಾನಿಯ(Ludwig Boltzmann) ನಿಯಮಗಳ ಆಧಾರವಾಗಿಟ್ಟುಕೊಂಡು ಹಿಂಟನ್ 1985ರಲ್ಲಿ Boltzmann ಮಷೀನ್ ಎಂಬ ವಿಧಾನವನ್ನು ಪ್ರಕಟಿಸಿದರು. ಈ ವಿಧಾನವು ಪ್ಯಾಟ್ರನ್ಗಳ ಅಥವಾ ಚಿತ್ರಣಗಳ ನೋಡ್ ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಜಾಲದ ಪುನರಾವರ್ತನೆಯ ಸಾಧ್ಯತೆಯ ಕಲಿಕೆಯನ್ನು ಕೊಡಮಾಡಿದೆ.
ಇವತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್, ಮಷೀನ್ ಲರ್ನಿಂಗ್, ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಡಾಟಾ ನಿರ್ವಹಣೆ ಮುಂತಾಗಿ ಹೊಸ ಹೊಸ ಸಾಧ್ಯತೆಗಳಿಗೆ ತೆರೆದುಕೊಳ್ಳಲು ಮೂಲಭೂತವಾದ ಭೌತವೈಜ್ಞಾನಿಕ ತಿರುವನ್ನು ಪ್ರೊ. ಜಾನ್ ಹಾಪ್ಫೀಲ್ಡ್ ಮತ್ತು ಪ್ರೊ. ಜೆಫ್ರಿ ಹಿಂಟನ್ ಅವರು ತಂದು ಕೊಟ್ಟು ಹೊಸ ಲೋಕವನ್ನು ತೆರೆಯುವ ಅನುಶೋಧವನ್ನು ಮಾಡಿದ್ದಾರೆ.
ಪ್ರೊ. ಜಾನ್ ಹಾಪ್ಫೀಲ್ಡ್ (John Hopfield) 1933ರ ಜುಲೈ 15ರಂದು ಅಮೆರಿಕದ ಇಲಿನಾಯ್ನ ಶಿಕಾಗೊದಲ್ಲಿ ಜನಿಸಿದರು. ಕೃತಕ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಸಾಧ್ಯತೆಯನ್ನು ರೂಪಿಸಿಕೊಟ್ಟ ಇವರು ಪ್ರಸ್ತುತ ಪ್ರಿನ್ಸ್ಟನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ಎಮರೇಟಸ್ ಪ್ರಾಧ್ಯಾಪಕರಾಗಿದ್ದಾರೆ.
ಪ್ರೊ. ಜೆಫ್ರಿ ಹಿಂಟನ್ (Geoffrey Hinton) ಅವರು 1947ರ ಡಿಸೆಂಬರ್ 6ರಂದು ಇಂಗ್ಲಂಡಿನಲ್ಲಿ ಜನಿಸಿದರು. ಎಡಿನ್ಬರ್ಗ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ಪಿಎಚ್.ಡಿ. ಪಡೆದ ಇವರು ಪ್ರಸ್ತುತ ಟೊರ್ಯಾಂಟೊ ವಿಶ್ವವಿದ್ಯಾಲದಲ್ಲಿ ಪ್ರಾಧ್ಯಾಪಕರಾಗಿದ್ದಾರೆ. ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ, ಮನೋವಿಜ್ಞಾನ ಭೌತವಿಜ್ಞಾನ ಎಲ್ಲವುಗಳ ಹಿಂದಿರುವ ಈವರು ನಮ್ಮ ಬುದ್ಧಿವಂತಿಕೆಯ ಮನೋವಿಜ್ಞಾನವನ್ನು ಬಲ್ಲವರಾಗಿದ್ದಾರೆ. ಕಳೆದ ಒಂದು ದಶಕಗಳ ಕಾಲ ಗೂಗಲ್ ಬೈನ್ ಗೂ ಕೆಲಸ ಮಾಡಿದ ಇವರನ್ನು ಗಾಡ್ ಫಾದರ್ ಆಫ್ ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟಲಿಜೆನ್ಸ್ ಎಂದೂ ಕರೆಯಲಾಗುತ್ತದೆ.
ಪುರಸ್ಕೃತ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಶುಭಾಶಯಗಳು
ನಮಸ್ಕಾರ
ಡಾ. ಟಿ.ಎಸ್. ಚನ್ನೇಶ್.
