JAX යනු Python පදනම් වූ ගණිත කට්ටලයක්, GPU වේගවත් කිරීම, ස්වයංක්රීය gradient ගණනය, JIT compilation යන තිහේ සුපිරි ශක්ති තුනක් ලබා දෙන ප්රවීණ මෙවලමකි. මේ ලිපියෙන් ලේඛකයා දිනය 2 ව්යාපෘතියේ, මේ ශක්ති භාවිතා කරමින් නියුරල් නෙට්වර්ක් පුහුණු ලූප් එකක් පමණක් පංච පේළි තුලින් සකස් කරන්නේ කෙසේද කියා පෙන්වයි.
Derivative (අනුලෝම) යනු, යන්ත්රයක ඩයල් එකක් කුඩා පරිමාණයකින් තල්ලු කළාම එහි ප්රතිඵලය කොපමණ වෙනස් වනද කියා පෙන්වයි. ගණිතයේ, f(x)=x*x නම්, x=3 වන විට අනුලෝමය 6 වේ. එම අනුලෝමය JAX මගින් jax.grad ක්රියාකාරකමෙන් සරලව ලබා ගත හැක.
ඉන්පසු gradient (අනුලෝම ලැයිස්තුව) යනු, බහු-ආදාන (multiple inputs) ක්රියාවලියකට අදාළ අනුලෝමයන් එකතු කිරීමයි. නියුරල් නෙට්වර්ක් වල බර (weights) ගණනාවක් ඇති නිසා, ඒ බර සෑම එකකටම gradient ගණනය කර, අඩුතම loss (දෝෂය) වෙත ගෙන යාම gradient descent ලෙස හැඳින්වේ.
ලේඛකයා පළමුව def square(x): return x * x ලෙස සරල ෆංශන් එකක් නිර්මාණය කර, jax.grad(square)(3.0) ක්රියාත්මක කළාම 6.0 නවතන බව පරීක්ෂා කළේය. පසුකාලීනව, def loss(w): x = 2.0; target = 10.0; prediction = w * x; return (prediction - target) ** 2 ලෙස loss ෆංශන් එකක් සකස් කර, gradient descent ලූප් එක 5 පියවරක් පමණක් ක්රියාත්මක කර බර w 1.0 සිට 5.0 නගාගෙන යන ආකාරය දැක්වීය.
එම ලූප් එක නියුරල් නෙට්වර්ක් පුහුණු කිරීමේ මූලික මැකියාවයි – බර වැඩිදුරටත් වැඩි කරමින් loss අඩු කරයි. JAX හි jit (just‑in‑time) සක්රිය කිරීමෙන්, සංකීර්ණ ගණනයක් CPU මත 32 ගුණයක, GPU මත 100 ගුණයක වේගය වැඩි කරයි. පළමු කැඳවීමේදී සංකලනය (compilation) සිදු වීම නිසා කාලයක් ගත වුවත්, ඊළඟ කැඳවීම් සෑම විටම කෑලි-සංරක්ෂිත (cached) කේතය භාවිතා කරයි. එබැවින්, ඇරේ ආකෘති (array shapes) එකම තබා ගැනීම වැදගත්.
ශ්රී ලංකාවට ඇති වැදගත්කම
JAX වැනි නවතම ගණිත මෙවලම් ශ්රී ලංකාවේ තාක්ෂණ ශිෂ්යයන්, සංවර්ධකයන්, ව්යාපාරිකයන් සඳහා විශාල අවස්ථාවක් සපයයි.
- අධ්යයන වශයෙන් – විශ්වවිද්යාල මට්ටමේ AI, ML පාඨමාලා වලදී JAX භාවිතා කරමින් gradient descent, JIT වැනි සංකල්ප ප්රායෝගිකව අධ්යයනය කළ හැක.
- සංවර්ධකයන්ට – Python පදනම් වූ පරිසරයක් තුළ GPU වේගවත් කිරීම සහ ස්වයංක්රීය අනුලෝම ගණනය ලබා ගැනීම, මෝඩල සංවර්ධනයේ කාලය ගණනාවකට අඩු කරයි.
- ව්යාපාරිකයන්ට – කුඩා ආරම්භකයන්ට AI-සබැඳි නිෂ්පාදන ඉක්මනින් prototyping කිරීම, cloud GPU සම්පත් භාවිතා කරමින් ව්යාපාරික තීරණ තක්සේරු කිරීමේ හැකියාව ලැබේ.
ඉදිරි කාලයේ, JAX පදනම් කරගෙන ශ්රී ලංකාවේ AI පර්යේෂණය, නිෂ්පාදන සංවර්ධනය, අධ්යාපන වැඩසටහන් වඩාත් ගතික කර ගැනීමට මෙය මූලික තැනක් ගනී.
අවසන් වශයෙන්, JAX මඟින් පංච පේළි කේතයක් මගින් නියුරල් නෙට්වර්ක් පුහුණු කිරීමේ මූලික සැලැස්ම දැක්වීම, AI අධ්යයනයේ නව ආරම්භකයන්ට විශ්වාසයක් ගොඩනගා දෙයි.
