10වන ශ්රේණියේ තරුණයකු තමන්ම Rust ඉගෙන ගැනීමට පටන් ගත්තා. න්යාය පත්ර පදනමට පමණක් සීමා නොව, Green‑AI නම් ව්යාපෘතියක් හරහා ඉන්ටිජර් ගණිත පදනම්ව AI පුහුණුවක් සකස් කිරීමේ අභියෝගයට මුහුණ දුන්නා.
සාමාන්ය ඉන්ටිජර් නියුරල් නෙට් එකේ බර යාවත්කාලීන කිරීම (((error as i64) * (input as i64)) >> 14) as i32 ලෙස සිදු වේ. මෙහි >> 14 ක්රමය, දශම බිංදු බෙදීමේ තරමට සමාන ලෙස බර අගය සීරුමාරු කරයි. නමුත් දෝෂය ඉතා කුඩා වූ විට (error * input) >> 14 ප්රතිඵලය 0 වෙයි, එමඟින් බර වෙනස් නොවීමක් (dead zone) සිදු වේ. පුහුණුව නිශ්ශබ්දව නවතී, අවසන් බර දෝෂය 77ක් ලෙස ඉදිරියට යයි.
මෙම ගැටළුවට විසඳුමක් ලෙස ABSL (Adaptive Bitshift Learning) යෝජනා කරන ලදී. දෝෂයේ ප්රමාණයට අනුව ශිෆ්ට් ප්රමාණය වෙනස් කරමින්, කුඩා දෝෂවලදී ශිෆ්ට් අගය කුඩා කර, බර යාවත්කාලීන කිරීම අඩු නොවෙයි. එමඟින් විශාල දෝෂවලදී අධික සංඛ්යාතය පාලනය කර, කුඩා දෝෂවලදී අධිකරණය වැලැක්වීමේ හැකියාව ලැබේ.
පරීක්ෂණ ප්රතිඵල පෙන්වන්නේ, ස්ථිර ශිෆ්ට් (Standard) ක්රමය 132.5 µs කාලයක් ගනිමින් 77 දෝෂයක් ලබා දේ. stochastic rounding ක්රමය 206.8 µs ගනිමින් දෝෂය 9ක් දක්වයි. ABSL ක්රමය 143.6 µs කාලයක් තුළ අවසන් දෝෂය 5ක් පමණට අඩු කරයි. වේගයත්, නිරවද්යතාවත් අතර සන්සුන් සම්බන්ධතාවයක් ඇති වීමේදී ABSL වැඩි පියවර ගනී.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තරුණ සංවර්ධකයින්ට Rust වැනි නවතම භාෂා ඉගෙන ගැනීම අත්යවශ්ය වේ. ඉන්ටිජර්‑මත AI පුහුණුව, පරිශීලක උපාංගයන්හි බලය අවශ්යතා අඩු කරයි, එමඟින් ග්රාමීය ප්රදේශවල අඩු-ශක්තියේ උපාංගවල AI යෙදවීමේ හැකියාව වැඩි වේ. තවත් අතට, ව්යාපාරිකයන්ට කාර්යක්ෂම AI විසඳුම් ඉතා අඩු පරිභෝජනයෙන් ලබා ගැනීමට අවස්ථාව ලැබේ, මෙය ගාස්තු අඩු කිරීම හා තාක්ෂණික ස්වයංක්රීයතාව වැඩි කිරීමේ අරමුණට ගැළපේ.
අදාල කේතය GitHub හි green‑ai ලෙස ප්රකාශිතයි; ඕනෑම කෙනෙකුට මෙය පරීක්ෂා කර, තමන්ගේ පද්ධතිවලට අනුකූල කර ගත හැක.
ඉදිරියේදී ශිෆ්ට් සීමා ස්වයංක්රීයව ගණනය කිරීම, බහු‑ස්ථර නියුරල් ජාල සමඟ back‑propagation එකතු කිරීම වැනි වැඩිදියුණුකම් සිදු කරමින්, ඉන්ටිජර්‑මත AI තාක්ෂණය වඩාත් ප්රායෝගික කර ගැනීමට අපේක්ෂා කරයි.
