DeepMind සමාගමේ mctx පුස්තකාලය භාවිතා කරමින් Factorio ගේ ෆැක්ට්රියම් මොඩියුල සැකසීමට AlphaZero‑ශෛලිය AI එකක් පුහුණු කරමින් තිබූ විද්යාත්මක කණ්ඩායම, සීමාකරණයක් (simulation) ගුණකය දෙගුණයකට වැඩි කළාම, ප්රතිඵලයක් අඩු වීමේ අභ්යන්තර හේතුවක් හෙළි කරයි.
මෙම පර්යේෂකයන් JAX සහ RTX 5070 GPU එකක් මත 128 පරිසරයක් එක්ක බෙදාගෙන, 1729 ක්රියාකාරීත්ව (action) විකල්පයක් සහ 474k පරාමිති conv‑net එකක් භාවිතා කරමින්, 16, 32, 64 සීමාකරණ (simulation) ගණනට අනුව පුහුණු වේගය (throughput) 143, 47, 9 episodes/s ලෙස අඩු වීමක් දැකගත්තේය. සාමාන්යයෙන් සීමාකරණ ගණන දෙගුණයක් වූ විට ගණනේ ගණන දෙගුණයක් විය යුතුය, නමුත් මෙහිදී 3×, 5× ලෙස අධික බරක් පෙනී තිබුණි.
පරීක්ෂණයෙන් පෙන්වා දුන් පරිදි, ජාල (network) ඇගයීමේ කාලය 0.8 ms පමණයි, ඉතිරි කාලය ගණනාවක් මතකයේ (tree) ක්රියාකාරීත්වයෙන් සිදු වේ. "tree‑only" පරීක්ෂණය කළ විට, සීමාකරණ 64 ක් සඳහා 125 ms කාලයක් වැය වූ අතර, ඒකම තලය (simulation) එකකට 1.95 ms පමණ වන O(N²) ගැටළුවක් පවතින බව හඳුනා ගත විය.
mctx තුළ සෙවුම් වෘක්ෂය (search tree) struct‑of‑arrays ආකාරයෙන් සුරැකුනු අතර, children_values සහ children_visits වැනි බෞද්ධික බෞද්ධික (buffer) ගොනු සෑම පියවරකම පිටපතක් (copy) කරයි. XLA:GPU මෙම copy ක්රියාවලිය අනුකූල බව තහවුරු නොකළ බැවින්, ආරක්ෂක පිටපතක් තැනීමට සිදු වේ. මෙය සීමාකරණ ගණන N සමඟ රේඛීයව වැඩි වන අතර, පියවර දිග N/4 ක් වන නිසා, සමස්ථ කාලය N² ලෙස වැඩිවෙයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
මෙම ගැටළුව හඳුනාගෙන සවිස්තරාත්මකව නිවැරදි කිරීමෙන්, ශ්රී ලංකාවේ AI පර්යේෂකයන්ට පහත වාසි ලැබේ:
- වේගවත් පුහුණු කිරීම: මූලික කේත (code) වෙනස් කිරීමෙන් MCTS ගණනය 3 ගුණයකින් වේගවත් වන අතර, දේශීය පරිසරයන්හි GPU සම්පත් ඉතිරි වේ.
- ඉගෙනුම් වගුවේ ගැඹුරු අවබෝධය: JAX/HLO සහ XLA යන තාක්ෂණික තට්ටු පිළිබඳ වඩා හොඳ අවබෝධයක් ලැබේ, එය ශ්රී ලංකාවේ උපාධි හා වෘත්තීය පාඨමාලා සඳහා පදනම් වේ.
- ව්යාපාරික ප්රයෝජන: Factorio වැනි සංකීර්ණ සැලසුම් ගැලපීමේ AI යෙදුම්, ගබඩා, නිෂ්පාදන සැලසුම් සහ ලොජිස්ටික්ස් වැනි ක්ෂේත්රවලට නව නව්යතා ගෙන එයි.
අවසන් වශයෙන්, DeepMind කණ්ඩායම විසින් පෙන්වා දුන් මෙම නවෝත්පාදන, ශ්රී ලංකාවේ AI සංවර්ධනයේ ගුණාත්මක පියවරක් වන අතර, දේශීය පරිසරයන්හි වැඩි කාර්යක්ෂමතාවයක් ලබා දීමට මඟ පෙන්වයි.
